Для компьютерной идентификации трендов применяется сортировка последовательности оцифрованных данных биржевых валютных торгов. Используется устойчивая адресная сортировка слиянием. С помощью этой сортировки с единственностью определяются одновременно все локально экстремальные элементы (ниже экстремумы) входной последовательности с произвольно фиксированным радиусом локализации. Экстремумы идентифицируются по значению и по индексу местоположения во входном массиве. Выполняется их фильтрация для выделения существенно информативных максимумов и минимумов последовательности. Фильтрация осуществляется путем итеративного повторения идентификации экстремумов с возрастающим на каждой итерации радиусом локализации. Условием остановки итераций является достижение априори заданного числа повторений количества идентифицированных экстремумов. Фильтрация возобновляется с различным (не возрастающим) числом повторений их количества. Окончательно идентифицированные существенно информативные экстремумы объединяются в новый массив в порядке их расположения во входной последовательности оцифрованных данных. В новом массиве идентифицируются максимумы и минимумы с радиусом локализации равным двум отсчетам. Именно эти экстремумы определяют тренд и его разворот. Полученный максимум в конце входной последовательности оцифрованных данных указывает разворот тренда с подъема на спуск, полученный минимум в конце входной последовательности указывает разворот тренда со спуска на подъем. Метод иллюстрируется на исторических данных.

Sorting of the sequence of the stock exchange trading digitized data is used for the computer trend determination. Stable address merge sorting is used. Using this sort with uniqueness, all locally extreme elements (below mentioned as the extremes) of the input sequence with an arbitrarily fixed localization radius are determined simultaneously. Extremes are identified by the value and by the location index in the input array. Their filtering is performed to highlight significantly informative maxima and minima of the sequence. Filtering is carried out by iteratively repeating the identification of extremes with an increasing localization radius at each iteration. The condition for stopping the iterations is to achieve a priori a given number of repetitions of the number of identified extremes. Filtering resumes with a different (non-increasing) number of repetitions of their number. Finally identified essentially informative extremes are combined into a new array in the order of their location in the input sequence of digitized data. The new array identifies maxima and minima with a localization radius equal to two counts. It is these extremes that determine the trend and its reversal. The received maximum at the end of the input sequence of digitized data indicates a trend reversal from ascent to descent, the received minimum at the end of the input sequence indicates a trend reversal from descent to ascent. The method is based on historical data.