Временные ряды в финансах: ARIMA, Prophet и LSTM

Прогнозировать научились все — а честно прогнозировать финансовый ряд по-прежнему почти никто. Руководитель просит выручку на квартал вперёд с коридором доверия, и вечер уходит на то, чтобы переложить пример с авиапассажирами из документации на котировки SBER. Финансовый ряд коварен: на ценах нейросеть выдаёт R²=0.97 — и всё равно проигрывает наивному «завтра = сегодня».

Курс ставит рядом три рабочих подхода — ARIMA/SARIMA, Prophet и LSTM — и обучает их на одних и тех же российских данных: котировках SBER, LKOH, GAZP, паре USDRUB и месячной выручке ритейлера, загруженных напрямую из MOEX ISS API. Не «ещё один туториал на готовом датасете», а полный путь от тикера до прогноза с интервалом, который не стыдно показать CFO.

Этот курс учит прогнозу как инженерной дисциплине, а не как набору вызовов .fit(). Не «обучите модель», а: проверять стационарность через ADF и KPSS, ловить утечку через регрессор-из-будущего и валидировать честным walk-forward с переобучением на каждом шаге. Под капотом — pandas, statsmodels, pmdarima, Prophet и PyTorch; данные настоящие: MOEX ISS, ключевая ставка ЦБ РФ, нерабочие дни производственного календаря, ИПЦ Росстата.

Внутри: 5 модулей, 12 уроков, 134 шага. Код-задания решаются прямо на Stepik (чистый Python, разбор концепции), а «настоящая» практика — в Colab-ноутбуках курса: загрузка MOEX, auto_arima и диагностика остатков, Prophet с праздниками ЦБ, LSTM с MC Dropout и ранней остановкой, walk-forward и тест Диболда–Мариано. Финал — шаблон-пайплайн, который собирает прогноз и results_<тикер>.csv под новый тикер за вечер.

Сквозной пример курса — аналитик, которому к понедельнику нужен прогноз выручки и курса с честным интервалом и обоснованием выбора модели. Реалистичный сценарий: нестационарные цены, российские праздники ЦБ, ловушки утечки данных и нейросеть, которая проигрывает наивному бенчмарку. Такой же, с каким вы столкнётесь на следующей неделе.