Все выпуски

В статье проведен анализ исторического процесса с использованием методов синергетики (науки о нелинейных развивающихся системах в природе и обществе), развитых в работах Д. С. Чернавского применительно к экономическим и социальным системам. Показано, что социальная самоорганизация в зависимости от условий приводит к формированию как обществ с сильной внутренней конкуренцией (Y-структуры), так и обществ кооперативного типа (Х-структуры). Y-структуры характерны для стран Запада, Х-структуры характерны для стран Востока. Показано, что в XIX и XX веках имело место ускоренное формирование и усиление Y-структур. Однако в настоящее время мировая система вошла в период серьезных структурных перемен в экономической, политической, идеологической сферах: доминирование Y-структур заканчивается. Рассмотрены возможные пути дальнейшего развития мировой системы, связанные с изменением режимов самоорганизации и ограничением внутренней конкуренции. Этот переход будет длительным и сложным. В этих условиях объективно будет возрастать ценность цивилизационного опыта России, на основе которого в ней была сформирована социальная система комбинированного типа. Показано, что в конечном итоге неизбежен переход от нынешнего доминирования Y-структур к абсолютно новой глобальной системе, устойчивость которой будет основана на новой идеологии, новой духовности (то есть новой «условной информации», по Д. С. Чернавскому), делающей разворот от принципов конкуренции к принципам сотрудничества.

Цель настоящего исследования заключается в разработке методологии выявления точек разворота на временных рядах, включая в том числе финансовые данные. Теоретической основой исследования послужили работы, посвященные анализу структурных изменений на финансовых рынках, описанию предложенных алгоритмов обнаружения точек разворота и особенностям построения моделей классического и глубокого машинного обучения для решения данного типа задач. Разработка подобного инструментария представляет интерес для инвесторов и других заинтересованных сторон, предоставляя дополнительные подходы к эффективному анализу финансовых рынков и интерпретации доступных данных.

Для решения поставленной задачи была обучена нейронная сеть. В ходе исследования было рассмотрено несколько способов формирования тренировочных выборок, которые различаются характером статистических параметров. Для повышения качества обучения и получения более точных результатов была разработана методология формирования признаков, служащих входными данными для нейронной сети. В свою очередь, эти признаки формируются на основе анализа математического ожидания и стандартного отклонения временных рядов на некоторых интервалах. Также исследуется возможностьих комбинации для достижения более стабильных результатов.

Результаты модельных экспериментов анализируются с целью сравнения эффективности предложенной модели с другими существующими алгоритмами обнаружения точек разворота, получившими широкое применение в решении практических задач. В качестве тренировочных и тестовых данных используется специально созданный датасет, генерация которого осуществляется с использованием собственных методов. Кроме того, обученная на различных признаках модельте стируется на дневных данных индекса S&P 500 в целях проверки ее эффективности в реальном финансовом контексте.

По мере описания принципов работы модели рассматриваются возможности для дальнейшего ее усовершенствования: модернизации структуры предложенного механизма, генерации тренировочных данных и формирования признаков. Кроме того, перед авторами стоит задача развития существующих концепций определения точек изменения в режиме реального времени.