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.
валютный курс, ARIMA, XGBoost, алгоритмический трейдинг, прогнозирование временных рядов, машинное обучение
1. Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. — М.: Мир, 1974. — 406 с.
2. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. — 3-е изд. — М.: Вильямс, 2016. — 912 с.
3. Малыхин Е.М. Алгоритмический трейдинг для профессионалов. — СПб.: БХВ-Петербург, 2021. — 176 с.
4. Официальные курсы валют Центрального банка Российской Федерации [Электронный ресурс]. — URL: https://cbr.ru/currency_base/dynamics/?UniDbQuery.Posted=True&UniDbQuery.so=1&UniDbQuery.mode=1&UniDbQuery.date_req1=&UniDbQuery.date_req2=&UniDbQuery.VAL_NM_RQ=R01375&UniDbQuery.From=01.02.2026&UniDbQuery.To=30.04.2026 (дата обращения: 01.05.2026).
5. Харрисон М. Машинное обучение: карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python. — СПб.: Диалектика, 2020. — 320 с.
6. Хэсти Т., Тибширани Р., Фридман Дж. Элементы статистического обучения. — М.: ДМК Пресс, 2020. — 764 с.
