1. Бандитное обнаружение самой быстрой точки изменения(arXiv)

Автор: Адитья Гопалан, Венкатеш Салиграма, Брагадиш Лакшминараянан

Вывод:многие промышленные приложения и приложения для обеспечения безопасности используют набор датчиков для обнаружения резких изменений во временных моделях поведения. Эти резкие изменения обычно проявляются локально, делая информативными только небольшое подмножество датчиков. Непрерывный мониторинг каждого датчика может быть дорогостоящим из-за ограниченности ресурсов и служит мотивацией для бандитской задачи обнаружения быстрейшего изменения точки, когда действия обнаружения (или датчики) выбираются последовательно, и наблюдаются только измерения, соответствующие выбранным действиям. Мы получаем теоретико-информационную нижнюю границу задержки обнаружения для общего класса конечно параметризованных распределений вероятностей. Затем мы предлагаем эффективную с вычислительной точки зрения схему онлайн-зондирования, которая органично уравновешивает необходимость исследования различных вариантов зондирования с использованием запросов информационных действий. Мы получаем ожидаемые границы задержки для предложенной схемы и показываем, что эти границы соответствуют нашим теоретико-информационным нижним границам при низкой частоте ложных срабатываний, устанавливая оптимальность предложенного метода. Затем мы проводим ряд экспериментов с синтетическими и реальными наборами данных, демонстрируя эффективность предложенного нами метода.

2. Обнаружение точки изменения: анализ ряда температур в Центральной Англии (arXiv)

Автор:Сюэхэн Ши, Клоди Больё, Ребекка Киллик, Роберт Лунд

Аннотация: в этой статье представлен статистический анализ структурных изменений в температурном ряду в Центральной Англии, одном из самых длинных доступных записей приземной температуры. Анализ точки изменения выполняется для обнаружения резких изменений, который можно рассматривать как предварительный шаг перед проведением дальнейшего анализа для выявления причин изменений (например, искусственной, антропогенной или естественной изменчивости). Регрессионные модели со структурными разрывами, включая сдвиги среднего значения и тренда, подгоняются к ряду и сравниваются с помощью двух широко используемых критериев вероятности с множественными точками изменения, которые уравновешивают качество соответствия модели (измеряемое по вероятности) с соображениями экономичности. Подгонки нашей модели точки изменения с независимыми ошибками и ошибками с короткой памятью также сравниваются с другим классом моделей, называемых моделями с длинной памятью, которые ранее использовались другими авторами для описания характеристик постоянства в температурных рядах. В итоге оптимальной считается модель, содержащая точку перелома в конце 1980-х гг. с переходом к режиму интенсификации потепления. Этот вывод о времени и потеплении согласуется со всеми моделями точек изменения, сравниваемыми в этом анализе. Обнаружено, что изменчивость ряда существенно не меняется, и признаки сдвига считаются более правдоподобными, чем автокорреляции с короткой или длинной памятью. Окончательная предложенная модель включает в себя сдвиги тренда (параметры пересечения и наклона) с независимыми ошибками. Анализ служит пошаговым руководством по различным методам изменения точек, иллюстрируя, что можно сделать статистически.

3. Медленный импульс с быстрым возвратом: торговая стратегия с использованием глубокого обучения и обнаружения точек изменения (arXiv)

Автор:Киран Вуд, Стивен Робертс, Стефан Зорен

Выдержка. Стратегии Momentum являются важной частью альтернативных инвестиций и лежат в основе советников по торговле сырьевыми товарами (CTA). Однако было обнаружено, что эти стратегии с трудом адаптируются к быстрым изменениям рыночных условий, например, во время рыночного краха 2020 года. В частности, сразу после поворотных моментов импульса, когда тренд меняется с восходящего (нисходящего) на нисходящий (восходящий), стратегии моментума временных рядов (TSMOM) склонны делать плохие ставки. Чтобы улучшить реакцию на смену режима, мы вводим новый подход, при котором мы вставляем модуль онлайн-обнаружения точки изменения (CPD) в конвейер Deep Momentum Network (DMN) [1904.04912], который использует архитектуру глубокого обучения LSTM для одновременного изучения обоих оценка тренда и определение размера позиции. Кроме того, наша модель способна оптимизировать способ, которым она уравновешивает 1) стратегию медленного импульса, которая использует сохраняющиеся тренды, но не слишком остро реагирует на локальные ценовые движения, и 2) режим стратегии быстрого возврата к среднему, быстро меняя позицию. затем снова поменять местами, чтобы использовать локальные ценовые движения. Наш модуль CPD выводит местоположение точки изменения и оценку серьезности, позволяя нашей модели научиться реагировать на различные степени неравновесия или меньшие и более локализованные точки изменения на основе данных. При проверке нашей модели за период 1995–2020 гг. добавление модуля CPD приводит к улучшению коэффициента Шарпа на одну треть. Модуль особенно полезен в периоды значительной нестационарности, и, в частности, за последние испытанные годы (2015–2020 гг.) прирост производительности составляет примерно две трети. Это интересно, поскольку традиционные импульсные стратегии в этот период оказались неэффективными.