Cruncher Spotlight #4 – ADIA-laboratorion rakenteellinen rikkomishaaste Tänään nostamme esiin Julian Mukajin, M&G Investmentsin kvantitatiivista analyytikkoa, hänen huippusuorituksestaan $100K ADIA Lab 2025 Structural Break Challenge -kilpailussa, joka järjestettiin Crunchissa.

Tehtävä: rakenteellinen rikkoutumisen tarkistus. Kun annetaan aikasarja ja ehdotettu muutospiste, ennustetaan todennäköisyys (0–1), että siellä tapahtui todellinen rakenteellinen murtuma – ongelma sovelluksissa rahoituksessa, ilmastossa, terveydenhuollossa, makrotalouden ja muissa sovelluksissa.

Lähestymistavan ytimessä on ominaisuuksien monimuotoisuus: Julian rakentaa piirteiden perheitä, jotka vertailevat ennen ja jälkeen break-segmenttejä seuraavasti: - jakaumat ja stationaarisuus - volatiliteetti- ja varianssirakenne - pakkaus ja monimutkaisuus - spektrisisältö - polkugeometria ja ääripää

Tilastolliset testit ja informaatioteoreettiset piirteet Klassiset työkalut kuten ADF, KS, Cramér–von Mises, divergenssit ja entropiat kvantifioivat jakauma- ja stationaarisuussiirtymät rajan yli. Nämä tallentavat suorimman signaalin: "Muuttuiko taustalla oleva liikelaki?"

Varianssi- ja volatiliteettimuunnokset z-normalisoiduilla palautuksilla hän kerrostaa: - EWMA:n volatiliteetti - rullaavat keskihajonnat - standardoidut jäännökset (shokin koko vs paikallinen σ) - MOSUM-tyyliset varianssiikkunat Ominaisuudet seuraavat vaihtelukertoimia, sujuvuutta, volatiliteetin klusteroitumista ja rejimistä riippuvaista varianssirakennetta ehdokasrikkon ympärillä.

Pakkaus ja CuSum-geometria - Lempel–Ziv- ja zlib-pohjaiset piirteet mittaavat, kuinka puristettava / jäsennelty sekvenssi on ennen ja jälkeen jakautumisen. - CuSumiin perustuvat piirteet (kyynärpään muoto, terävyys, Wassersteinin etäisyydet jäännöksissä) korostavat keskitason siirtymiä ja paikallisia "kyynärpäitä" rajalla. Yhdessä ne paljastavat hienovaraisia muutoksia monimutkaisuudessa ja keskiarvodynamiikassa.

Spectral-, SSA-, ROCKET- ja polkuominaisuudet - Spektri- ja SSA-ominaisuudet seuraavat, miten teho jakautuu taajuuksille ja miten dominoivat tilat muuttuvat. - Deterministiset ROCKET-muunnokset toimivat kevyinä konvoluutiopiirteinä, jotka havaitsevat mikrorakenteet, joita matalan asteen tilastot eivät havaitse. - Polun ja ääripään piirteet (vedot, etäisyydet huipuihin/pohjoihin) tiivistävät reittiriippuvaisen reittigeometrian.

Yksi vaikuttavimmista löydöksistä: "taikapiirre" – globaali vaihtelukerroin. Yksinään se tarjosi merkittävän AUC-boostin ja mikä tärkeintä, toimi porttina: tämän ominaisuuden pienet intervallit määrittelevät erilliset datajärjestelmät hyvin erilaisilla katkotaajuuksilla.

Osittainen riippuvuus ja ICE-analyysi osoittivat, että malli käyttää tätä ominaisuutta vain kapeiden kynnysten läheisyydessä. Näiden kynnysten ylittäminen ohjaa näytteet eri lehdille, joissa muut ominaisuudet merkitsevät, jakaen aineiston käytännössä alueisiin (mukaan lukien "helpot negatiiviset" -kaista, jolla on hyvin alhainen positiivinen määrä). Tämä vuorovaikutus johti merkittävään kokonais-AUC-kasvuun.

Julian tutki myös useita syväoppimisen arkkitehtuureja: - Siamilaiset / upotusmallit esi- ja jälkisegmenteille - CNN:t, jotka keskittyvät rajaikkunoihin - Hybridi LSTM–GARCH-variantit - Mukautetut päät, jotka yhdistävät globaaleja tilastoja, rajaikkunoita ja pre/post upotuksia Useimmat pysyivät 65–75 % AUC:ssa huomattavasta virityksestä huolimatta.

Miksi puut voittivat täällä? Puuryhmät pystyivät hyödyntämään hyvin paikallisia, matalan ulottuvuuden signaaleja, kuten kapeita CV-kynnysarvoja, kun taas syvämallit tasoittivat näitä normalisoinnin ja esitystavan oppimisen avulla. Kilpailuaikataulun vuoksi ominaisuussuunnittelu + GBDT:t tarjosivat parhaan kompromissin monimutkaisuuden, tulkittavuuden ja suorituskyvyn välillä.

Suurkiitos Julian Mukajille, joka jakoi näin yksityiskohtaisen analyysin lähestymistavastaan, sekä ADIA Labille ja kaikille osallistuville Crunchereille, jotka ovat vieneet rakenteellisen murtuman havaitsemisen rajoja. Lisää Cruncher -valokeilat tulossa pian.