Тема выпускной квалификационной работы: «Методы прогнозирования финансовых временных рядов». В данной работе решается прикладная задача прогнозирования финансового временного ряда цифровой валюты. Рассматриваются классическая модель анализа и прогнозирования ARIMA и модель глубокого обучения LSTM архитектуры рекуррентной нейронной сети. Задачи, решаемые в ходе исследования: Проанализировать существующие алгоритмы и методы, используемые для прогнозирования финансовых временных рядов. Выбрать оптимальные методы прогнозирования финансовых временных рядов. Подготовить исходные данные под требования выбранного алгоритма. Сделать реализацию выбранных моделей. Построить прогноз развития исходного ряда на 7 дней. Провести анализ результатов прогнозирования и сделать вывод о возможности применения моделей на практике. В работе представлен обзор общего класса моделей, которые могут быть использованы для описания рядов и построения прогноза, а также алгоритм машинного обучения. В результате был проанализирован исходный временной ряд цены закрытия криптовалюты Ethereum. Построено две модели: ARIMA и LSTM. И получен прогноз развития ряда на 7 дней от каждой модели. Был проведен сравнительный анализ результатов моделей, который показал, что нейронная сеть с задачей справилась лучше нежели статистическая модель.     Ни одна из моделей в полной мере не смогла предсказать выбросы значений ряда, но при этом тенденция развития ряда и конечные значения были определены достаточно точно. Средняя абсолютная ошибка прогнозов модели ARIMA на тестовой выборке составила 80,87. Средняя абсолютная ошибка прогнозов модели LSTM по сравнению с тестовой выборкой составила 75,27. Коэффициент детерминации равен 0,856, что говорит о достаточно высокой точности предсказаний модели.

The theme of the final qualification work: "Methods for forecasting financial time series". In this paper, the applied problem of forecasting the financial time series of digital currency is solved. The classical ARIMA analysis and forecasting model and the LSTM deep learning model of the recurrent neural network architecture are considered. Tasks to be solved in the course of the study: Analyze existing algorithms and methods used for forecasting financial time series. Choose the best methods for forecasting financial time series. Prepare the initial data for the requirements of the selected algorithm. Make the implementation of the selected models. Build a forecast for the development of the initial series for 7 days. Analyze the results of forecasting and draw a conclusion about the possibility of applying the models in practice. The paper presents an overview of the general class of models that can be used to describe series and build a forecast, as well as a machine learning algorithm. As a result, the initial time series of the closing price of the Ethereum cryptocurrency was analyzed. Two models have been built: ARIMA and LSTM. And a forecast for the development of a series for 7 days was obtained from each model. A comparative analysis of the results of the models was carried out, which showed that the neural network coped with the task better than the statistical model. None of the models was able to fully predict the outliers in the values of the series, but the trend in the development of the series and the final values were determined quite accurately. The average absolute error of the ARIMA model forecasts on the test sample was 80,87. The average absolute forecast error of the LSTM model compared to the test sample was 75,27. The coefficient of determination is 0,856, which indicates a fairly high accuracy of the model's predictions.

• СПИСОК СОКРАЩЕНИЙ И ТЕРМИНОВ
• ВВЕДЕНИЕ
• ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ВРЕМЕННЫХ РЯДОВ И ИХ АНАЛИЗА
  • 1.1. Теория временных рядов
  • 1.2. Типы компонент временных рядов
  • 1.3. Анализ временного ряда
  • 1.4. Прикладная задача прогнозирования цены криптовалюты
  • 1.5. Постановка задачи
  • 1.6. Обзор литературы
  • 1.7. Описание рынка цифровых валют
• ГЛАВА 2. ОБЗОР МЕТОДОВ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ
  • 2.2. Статистические методы
    • 2.2.1. Регрессионные алгоритмы
    • 2.2.2. Модель авторегрессии
    • 2.2.3. Модель MA
    • 2.2.4. Стационарность ряда сильная и слабая
    • 2.2.5. Последовательное взятие разности
    • 2.2.6. Модель ARIMA
    • 2.2.7. Оценка модели ARIMA
  • 2.3. Нейросетевой подход
    • 2.3.1. Особенности применения нейросетевых подходов
    • 2.3.2. Рекуррентная нейронная сеть (RNN)
    • 2.3.3. LSTM
• Глава 3. АНАЛИЗ И ПРОГНОЗИРОВАНИЕ КРИПТОВАЛЮТНОГО РЯДА
  • 3.1. Обзор набора данных
  • 3.2. Модель ARIMA для прогнозирования курса Ethereum к USD
    • 3.2.1. План построения модели
    • 3.2.2. Построение модели ARIMA
    • 3.2.3. Прогнозирование и оценка результатов
  • 3.3. LSTM RNN для прогнозирования Ethereum к USD
    • 3.3.1. План работы с нейронной сетью
    • 3.3.2. Обработка данных
    • 3.3.3. Построение модели и прогнозирование
  • 3.4. Описание результатов
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• Приложение 1. Алгоритм построения модели ARIMA
• Приложение 2. Алгоритм работы с LSTM