Применение гибридных ARIMA-моделей машинного обучения для прогнозирования мировых товарных цен

Данная работа посвящена исследованию прогнозной силы моделей ARIMA в комбинации с актуальными методами машинного обучения на основе данных цена на товарных рынках. Основная идея гибридных моделей, на которых сосредоточено внимание данной работы, заключается в скрещивании канонической эконометрической модели ARIMA, с такими популярными моделями как Supported vector machine, Random Forest, Gradient Boosting и Neural Networks. В качестве гипотезы выступает предположение о том, что гибридные ARIMA модели машинного обучения смогут значительно лучше справиться с задачей прогнозирования, чем ARIMA модель, поскольку компоненты гибридов дополняют друг друга, тем самым модель способна прогнозировать данные с более сложной корреляционной структурой, на что не способная ARIMA модель. Выдвинутая гипотеза тестировалась на 10 временных рядах, принадлежащих к различным категориям товаров (энергетические, неэнергетические и драгоценные металлы). В результате исследования были выявлены слабые и сильные стороны использования гибридных моделей для прогнозирования цен на товарном рынке.