Анализ временных рядов с использованием современных информационных технологий

Прогнозирование динамики цен на нефть представляет собой актуальную задачу мирового масштаба. В условиях большого потока разнородной информации возникает потребность в использовании эффективных методов их обработки для выработки оперативных управленческих решений. В частности, в последнее время все большее распространение получают методы машинного обучения, который зачастую оказываются более точными по сравнению с традиционными подходами. Цель работы заключается в сравнении эконометрических моделей с алгоритмами машинного обучения, такими как градиентный бустинг и нейронная сеть с долгой краткосрочной памятью (LSTM) для определения наилучшей модели с точки зрения задачи предсказания нефтяных цен. Информационную базу в данном исследовании составили ежемесячные отчеты международных организаций, программный продукт Thomson Reuters, а также ряд других ресурсов. В общей сложности собранная база насчитывает 84 фактора за период с 01/2002 по 09/2017. Также были собраны статьи, непосредственно связанные с рынком нефти. На их основе был проведен текстовый анализ с целью получения более точных прогнозов. Все вычисления были выполнены c использованием библиотек машинного обучения на языке Python и R. В итоге наилучшее качество показали модели градиентного спуска, ARIMA, а также их ансамбль. Возможные направления дальнейших исследований включают в себя создание более комплексных моделей, учитывающих настроения инвесторов, а также разработка продвинутых гибридных моделей.