В статье представлены результаты сравнительного анализа двух моделей прогнозирования временных рядов — классического эконометрического подхода ARIMA и алгоритма градиентного бустинга XGBoost — применительно к курсу китайского юаня к российскому рублю. Охарактеризована роль прогнозных моделей в алгоритмическом трейдинге. Рассмотрены преимущества и ограничения использования методов машинного обучения на валютном рынке. Выполнена интерполяция пропусков в данных, осуществлено разбиение на обучающую и тестовую выборки в пропорции 80% к 20%. Проведено обучение и тестирование моделей, рассчитаны метрики точности. Все расчёты реализованы в среде Python с использованием библиотек Pandas, NumPy, Matplotlib, Statsmodels и Scikit-learn. В результате установлено, что XGBoost обеспечивает снижение средней абсолютной ошибки на 24,4% по сравнению с ARIMA, что подтверждает его преимущество в условиях ограниченной выборки и нестационарности ряда.
The article presents the results of a comparative analysis of two time series forecasting models — the classical ARIMA econometric approach and the XGBoost gradient boosting algorithm — applied to the exchange rate of the Chinese yuan against the Russian ruble. The role of forecasting models in algorithmic trading is described. The advantages and limitations of using machine learning methods in the foreign exchange market are considered. The data was interpolated, and the training and test sets were divided in a 80% to 20% ratio. The models were trained and tested, and accuracy metrics were calculated. All calculations were performed in the Python environment using the Pandas, NumPy, Matplotlib, Statsmodels, and Scikit-learn libraries. The results showed that XGBoost achieved a 24.4% reduction in mean absolute error compared to ARIMA, confirming its superior performance in limited sample sizes and non-stationary series.