В данном исследовании рассмотрены различные подходы к прогнозированию рынка ценных бумаг. Проведён обзор существующих решений на основе анализа научных статей. Цель работы – разработка системы прогнозирования тренда цены закрытия акций технологических компаний. Основой концепции реализованного подхода является модель разложимых временных рядов, состоящая из трёх главных компонентов: тренда, сезонности и праздничных дней. Данное исследование выдвигает предположение о целесообразности прогнозирования котировок технологических компаний путём моделирования сезонных изменений. Система прогнозирования реализована на языке программирования Python с помощью библиотеки Facebook Prophet и комплекса дополнительных инструментов. Имплементированная модель продемонстрировала высокую точность прогноза на выбранных наборах данных. В каждом из экспериментов модель корректно спрогнозировала будущий тренд финансового временного ряда. Это позволило подтвердить предположение о целесообразности прогнозирования котировок компаний технологического сектора путём введения искусственной сезонности, адаптируемой под специфику каждого временного ряда.

In this study different approaches to predicting the stock market were considered. The paper demonstrates a review of existing solutions based on the analysis of scientific articles. The purpose of the graduation work is to develop a system for predicting the closing price trend of the stocks of technology companies. The basis of the implemented approach is the decomposable time series model with three main components: trend, seasonality, and holidays. This study assumes that it is advisable to predict the stocks of technology companies by simulating seasonal changes. The forecasting system is implemented using Python programming language and Facebook Prophet library with set of additional tools. The implemented model has demonstrated high prediction accuracy on the selected datasets. In each of the experiments, the model correctly predicted the future trend of the financial time series. This made it possible to confirm the assumption about the advisability of predicting the stocks of technology companies by introducing custom seasonality, which is adapted to the specifics of each time series.