Nổi bật Cruncher #4 – Thử thách Đột phá Cấu trúc ADIA Lab Hôm nay, chúng tôi xin giới thiệu Julian Mukaj, Nhà phân tích Định lượng tại M&G Investments, vì giải pháp có hiệu suất tốt nhất của anh ấy trong Thử thách Đột phá Cấu trúc ADIA Lab 2025 trị giá 100.000 USD được tổ chức trên Crunch.

Nhiệm vụ: xác minh sự đột phá cấu trúc. Cho một chuỗi thời gian và một điểm thay đổi được đề xuất, dự đoán xác suất (0–1) rằng một sự đột phá cấu trúc thực sự đã xảy ra ở đó – một vấn đề có ứng dụng trong tài chính, khí hậu, chăm sóc sức khỏe, kinh tế vĩ mô, và nhiều lĩnh vực khác.

Tại trung tâm của phương pháp là sự đa dạng của các đặc điểm: Julian xây dựng các gia đình đặc điểm so sánh các đoạn trước và sau khi phá vỡ qua: - phân phối & tính ổn định - cấu trúc biến động và phương sai - nén & độ phức tạp - nội dung phổ - hình học đường đi và cực trị

Các bài kiểm tra thống kê & các đặc điểm lý thuyết thông tin Các công cụ cổ điển như ADF, KS, Cramér–von Mises, độ phân kỳ và độ entropy định lượng sự thay đổi phân phối và tính dừng qua biên giới. Chúng nắm bắt tín hiệu trực tiếp nhất: "Liệu luật chuyển động cơ bản có thay đổi không?"

Biến thiên & biến động chuyển đổi Trên các lợi nhuận đã chuẩn hóa z, anh ấy xếp chồng: - Biến động EWMA - Độ lệch chuẩn cuộn - Phần dư chuẩn hóa (kích thước cú sốc so với σ địa phương) - Cửa sổ biến thiên theo kiểu MOSUM Các đặc điểm theo dõi hệ số biến thiên, độ mượt, sự cụm biến động và cấu trúc biến thiên phụ thuộc vào chế độ xung quanh điểm gãy ứng viên.

Hình học Compression & CuSum - Các đặc trưng dựa trên Lempel–Ziv và zlib đo lường mức độ có thể nén / cấu trúc của chuỗi trước và sau khi chia tách. - Các đặc trưng dựa trên CuSum (hình dạng khuỷu tay, độ sắc nét, khoảng cách Wasserstein trên các phần dư) làm nổi bật sự thay đổi mức trung bình và các "khuỷu tay" cục bộ tại ranh giới. Cùng nhau, chúng làm nổi bật những thay đổi tinh tế trong độ phức tạp và động lực trung bình.

Các đặc điểm Spectral, SSA, ROCKET & path - Các đặc điểm Spectral & SSA theo dõi cách mà năng lượng phân bổ lại qua các tần số và cách mà các chế độ chiếm ưu thế thay đổi. - Các phép biến đổi ROCKET xác định có tác dụng như các đặc điểm tích chập nhẹ để bắt được cấu trúc vi mô mà các thống kê bậc thấp không nắm bắt được. - Các đặc điểm path & cực trị (giảm giá, khoảng cách đến đỉnh/thung lũng) tóm tắt hình học đường đi phụ thuộc vào chế độ.

Một trong những phát hiện nổi bật nhất: một "tính năng ma thuật" – hệ số biến thiên toàn cầu. Tính năng này tự nó đã mang lại sự gia tăng AUC có ý nghĩa và, quan trọng hơn, nó hoạt động như một cánh cổng: những khoảng nhỏ của tính năng này xác định các chế độ dữ liệu khác nhau với tần suất phá vỡ rất khác nhau.

Phân tích phụ thuộc một phần và ICE cho thấy rằng mô hình chỉ sử dụng tính năng này gần các ngưỡng hẹp. Việc vượt qua những ngưỡng đó sẽ chuyển các mẫu vào các lá khác nhau nơi mà các tính năng khác có ý nghĩa, hiệu quả phân chia tập dữ liệu thành các chế độ (bao gồm một dải "tiêu cực dễ" với tỷ lệ dương rất thấp). Sự tương tác này đã chuyển thành một sự gia tăng AUC tổng thể đáng kể.

Julian cũng đã khám phá một số kiến trúc học sâu: - Mô hình Siamese / nhúng cho các đoạn trước/sau - CNN tập trung vào các cửa sổ biên - Biến thể Hybrid LSTM–GARCH - Các đầu tùy chỉnh kết hợp thống kê toàn cầu, cửa sổ biên và nhúng trước/sau Hầu hết đều đạt mức ổn định khoảng 65–75% AUC mặc dù đã tinh chỉnh đáng kể.

Tại sao cây lại chiến thắng ở đây? Các tập hợp cây có thể khai thác các tín hiệu rất cục bộ, có chiều thấp như các ngưỡng CV hẹp, trong khi các mô hình sâu có xu hướng làm mờ những điều này thông qua việc chuẩn hóa và học đại diện. Xét về thời gian cạnh tranh, kỹ thuật đặc trưng + GBDTs cung cấp sự cân bằng tốt nhất giữa độ phức tạp, khả năng giải thích và hiệu suất.

Cảm ơn rất nhiều Julian Mukaj vì đã chia sẻ một phân tích chi tiết về cách tiếp cận của anh ấy, và cảm ơn ADIA Lab cùng tất cả các Crunchers tham gia đã thúc đẩy ranh giới của việc phát hiện sự đột phá cấu trúc. Sẽ có thêm nhiều ánh đèn spotlight về Cruncher sắp tới.