Аннотация:Дипломная работа посвящена сравнительному анализу финансовых данных при использовании как традиционных эконометрических методов, так и методов машинного обучения. Основной моделью генерации данных является геометрический винеровский процесс с переменными коэффициентами сноса и волатильности. В качестве информационной базы использовались реализованные дневные волатильности индексов S&P 500 и FTSE 100 пo высокочастотным данным (5-и и 10-и минутным).
В работе произведено прогнозирование значений дневной волатильности при помощи классических эконометрических моделей временных рядов и их сравнение с прогнозами, полученными методами машинного обучения. Из полученных результатов сделан вывод, что даже с использованием сравнительно простых нейросетей глубины два методы машинного обучения дают результаты, превосходящие прогнoзы большинства эконометрических моделей.