Time series forecasting using machine learning techniques

Abstract

В данной работе рассматривается вопрос прогнозирования временных рядов. Классические методы прогнозирования предполагают выполнение свойства стационарности для построения прогноза, однако при работе с реальными данными такие ряды встречаются достаточно редко, поэтому большинство рассмотренных методов не накладывают такого рода ограничения на исходные данные. Полученные алгоритмы применяются для прогнозирования цен биржевых торгов. Также рассматривается вопрос моделирования торгов на бирже и предлагается алгоритм построения обучающей выборки для дальнейшего применения методов машинного обучения. Для того, чтобы полученные результаты были воспроизводимыми, был построен конвейер для обработки данных, который в автоматическом режиме проводит все вычисления, приводимые в данной работе.

In this paper, we consider the issue of time series forecasting. Classical forecasting methods assume the implementation of the stationarity property for constructing a forecast, but when working with real data, such series are quite rare, so most of the methods considered do not impose such restrictions on the original data. The obtained algorithms are used to predict the prices of exchange trades. We also consider the issue of modeling trading on the stock exchange and propose an algorithm for constructing a training sample for further application of machine learning methods. In order for the obtained results to be reproducible, a data processing pipeline was built, which automatically performs all the calculations given in this paper.