При прогнозировании автокорреляция помогает прогнозированию. Автокорреляция как раз и указывает на то, что у временного ряда есть "память" в прошлое. А это значит, что будущие цены можно прогнозировать по прошлым данным.
Отсутствие "памяти"
Если во временном ряду отсутствует автокорреляция, то такой временной ряд принципиально невозможно прогнозировать. Никакими методами!
Например, автокорреляция отсутствует при подбрасывании монеты. Автокорреляция отсутствует в выпадениях чисел в рулетке в казино. Поэтому принципиально невозможно прогнозировать подбрасывание монеты и рулетку казино. Эти временные ряды не имеют "памяти" в прошлое. Текущий результат никак не зависит от прошлого результата.
В этом случае никакой технический анализ не поможет.
Также и никакая нейросеть не сможет сделать прогноз таких временных рядов. Именно поэтому нейросеть Прогнозирующая Машина выдает пользователю не только метрики прогнозирования, но и метрики введенных данных. Чтобы не было так, что пользователь вводит в калькулятор Прогнозирующей Машины какой-то очень зашумленный рынок и остается недоволен прогнозом. Ведь наша нейронная сеть ничего не знает о том, что пользователь вводит очень случайный рынок. С таким же успехом пользователь мог бы ввести в Прогнозирующую Машину и числа из рулетки казино, предварительно создав из них японские свечи с помощью Фрейминга.
Выделение тренда
Как можно разделить временной ряд на сумму двух временных рядов: тренд с сильной автокорреляцией (не обязательно монотонный) и остатки без автокорреляции.
Наилучшего 100-процентного метода не существует.
Но могу порекомендовать использовать SSA (сингулярный спектральный анализ). В этом методе можно выделить тренд с нужной вам точностью детализации так, чтобы остатки от разности временного ряда и тренда представляли собой гауссовский белый шум с практически нулевой автокорреляцией. При этом автокорреляция (везде, кроме нуля, естественно) будет практически нулевой, а её стандартное отклонение будет много меньше единицы.
Метод SSA отлично работает на стационарных временных рядах. Особенно на, так называемых, разделимых временных рядах. Это когда тренд и шум имеют очень разные статистические свойства. Например, SSA будет хорошо работать при обнаружении сигналов от инопланетян среди космического шума, так как инопланетяне сделают всё возможное, чтобы их сигнал был максимально непохожим на космический шум.
Нестационарные временные ряды
Предположим, что это биржевые котировки. В этом случае временные ряды очень сильно нестационарные. Разделимость таких временных рядов отсутствует. Поэтому при применении SSA к таким временным рядам (например, для выделения монотонного тренда и низкочастотных колебаний), получаем не одно, а много решений. Число этих решений зависят от рассматриваемого временного интервала ряда и размера "окна" усреднения. Эти решения отличаются друг от друга амплитудой остаточного шума и величиной стандартного отклонения автокорреляции от нуля. Для отбора правильного решения необходима консультация с экспертом по анализу временных рядов биржевого рынка.
