Численный алгоритм нейросетевого распознавания персистентного и антиперсистентного состояний рынка

Актуальность и цели. В прошлом веке Хёрст предложил свой статистический показатель, исследуя историю разливов Нила. К сожалению, показатель Хёрста нечувствителен к знаку коэффициентов корреляции между анализируемыми данными и шкалой времени. Как результат только показателя Хёрста недостаточно для достоверного статистического анализа: данных рынка, данных сложных социальных систем, биометрических данных людей. Целью работы является синтез нейросетевого обобщения показателя Хёрста (нейрон Хёрста усиливается двумя дополнительными нейронами). Это позволяет различать персистентное и антиперсистентное состояния рынка, а также оценивать показатель когерентности переходных процессов в той или иной сложной системе. Материалы и методы. Предложено программно размечать данные рынка на участки, соответствующие «медвежьему» тренду падения цен или «бычьему» тренду повышения цен. Через численный эксперимент показано, что положительно коррелированные данные персистентного рынка всегда имеют более вероятное состояние «бычьего» повышения цен. Для антиперсистентного рынка наблюдается обратная ситуация преобладания «медвежьих» трендов падения цен. Результаты. Предложено оценивать показатель когерентности рынка, обусловленный его нестационарной компонентой, через учет статистик случайной смены персистентного состояния рынка на антиперсистентное. Выводы. Сделано предположение, что персистентные и антиперсистентные состояния и персистентное распределение эмпирического показателя Хёрста должны описываться в двух разных шкалах, каждая из которых получена зеркальным отображением от точки идеального белого шума.