Abstract
<jats:p>В умовах стрімкого зростання обсягів фінансової інформації та активного впровадження технологій штучного інтелекту прогнозування динаміки цін фінансових активів набуває особливої актуальності для прийняття обґрунтованих інвестиційних рішень за умов підвищеної волатильності та можливого прояву шоків на фінансових ринках. Це зумовлює зростання інтересу до застосування методів машинного навчання, здатних виявляти складні нелінійні залежності та швидко адаптуватися до змін нестаціонарних часових рядів. Метою статті є крос-секторальний емпіричний аналіз прогностичної ефективності економетричних моделей і алгоритмів машинного навчання порівняно з класичними статистичними підходами, а також оцінювання гібридної моделі ARIMA–XGBoost для прогнозування напряму руху цін акцій. Об’єктом дослідження є фінансові часові ряди шести транснаціональних корпорацій різних секторів економіки з урахуванням макроекономічних індикаторів (S&P 500, VIX, NASDAQ), що відображають ключові інформаційні канали взаємодії на фінансових ринках. Для забезпечення коректності та відтворюваності результатів застосовано метод валідації з розширюваним навчальним вікном (Expanding Window Walk-Forward Validation), який враховує зміну ринкових умов у часі. Дослідження ґрунтується на використанні моделей експоненційного згладжування (ETS), ARIMA, GARCH та алгоритмів градієнтного бустингу (XGBoost, LightGBM). Запропонована двокомпонентна гібридна модель ARIMA–XGBoost поєднує декомпозицію часового ряду та навчання на залишках, забезпечуючи інтеграцію лінійних і нелінійних ефектів. Емпіричні результати свідчать, що гібридний підхід демонструє вищу прогностичну ефективність і більшу стійкість до ринкових шоків порівняно з окремими економетричними та машинними моделями. Практична цінність отриманих результатів полягає у можливості їх використання для формування ефективної політики управління ризиками, підвищення результативності управління портфелями фінансових активів, а також впровадження інструментів штучного інтелекту в умовах цифровізації фінансових ринків.</jats:p>