Abstract
В данной статье исследуется эффективность использования технических индикаторов в качестве признаков (features) для обучения моделей машинного обучения с целью прогнозирования курса валютной пары EUR/USD. Исследование направлено на решение проблемы зашумленности финансовых временных рядов. Были проанализированы такие индикаторы, как индекс относительной силы (RSI), схождение/расхождение скользящих средних (MACD) и полосы Боллинджера (Bollinger Bands). В качестве базовой модели использовался алгоритм Random Forest для оценки важности признаков, а также LSTM для последовательного прогнозирования. Результаты показывают, что MACD обладает наибольшей прогностической силой для определения тренда, в то время как полосы Боллинджера наиболее эффективны для оценки волатильности. Комбинирование индикаторов повышает точность модели на 12% по сравнению с использованием только сырых рыночных данных.