Работа посвящена созданию модели прогнозирования финансовых временных рядов, а также разработке стратегии торговли для демонстрации практического применения результатов прогнозирования. Существует множество способов биржевого анализа, однако классические методы в последние годы начинают уступать нейронным сетям, которые имеют большое преимущество по сравнению с другими методами – это возможность обучения. В рамках данной работы были проанализированы различные способы биржевого анализа и такие архитектуры нейронных сетей как рекуррентная, сверточная, многослойный перцептрон и сеть долгой краткосрочной памяти (LSTM). Было выявлено, что наиболее эффективные результаты следует ожидать от сети с архитектурой LSTM. Программная часть работы, заключающаяся в реализации модели прогнозирования, стратегии торговли и пользовательского оконного приложения, была написана на языке Python с использованием таких библиотек как Keras, Pandas, Backtrader и PyQt5. В результате модель показала достаточно высокую точность прогнозирования, а использование стратегии торговли показало прирост стоимости портфеля в полтора раза за полтора года.

The work is devoted to the creation of a forecasting model for financial time series and the development of a trading strategy to demonstrate the practical application of forecasting results. There are many ways of stock analysis, however, in recent years, classical methods have been gaining popularity - neural networks, which have the main advantage over other methods - the ability to learn. As part of this work, various methods of stock analysis and such architectures of neural networks as recurrent, convolutional, multilayer perceptron and a network of long short-term memory were analyzed. It was found that the most effective results should be expected from a network with a long short-term memory architecture. The software part of the work, which consists in the implementation of the forecasting model, trading strategy and custom window application, was written in Python using libraries such as Keras, Pandas, Backtrader and PyQt5. As a result, the model showed a high forecasting accuracy, and the use of the trading strategy showed an increase in the value of the portfolio by one and a half times in a year and a half.