В настоящей работе исследуется применение методов машинного обучения для прогнозирования временных рядов. Рассмотрены варианты использования ARIMA моделей, нейросетей и алгоритма градиентного бустинга. В качестве обучающих выборок использовались цены на акции, а также данные, полученные в результате применения технических индикаторов. На основе этих методов и обучающих выборок были сделаны прогнозы дальнейшего ценообразования, построены графики и посчитаны метрики для каждого из исследуемых методов. Были получены теоретические и практические результаты, проведён анализ и сделаны выводы об эффективности использованных алгоритмов.

This paper explores the application of machine learning methods for time series forecasting. The options for using ARIMA models, neural networks and the gradient boosting algorithm are considered. As training samples, stock prices were used, as well as data obtained as a result of applying technical indicators. Based on these methods and training samples, further pricing forecasts were made, graphs were built and metrics were calculated for each of the studied methods. Theoretical and practical results were obtained, analysis was carried out, and conclusions were drawn about the effectiveness of the algorithms used.