Основная задача данной работы — сравнение прогностической способности классической модели машинного обучения — ARIMA, как наиболее распространенной и хорошо изученной baseline модели, и ML модели на основе последовательной нейронной сети — в данном случае LSTM. Целью является максимизация точности и минимизация ошибки — подбор наиболее подходящей модели для прогнозирования временных рядов с наивысшей точностью. Для данных математических моделей приведено описание. Также предложен алгоритм для прогноза временных рядов в рамках использования данных моделей, основанный на подходе «Rolling window» («скользящее окно»). Практическая имплементация реализована с использованием среды программирования Python с библиотеками Pandas, Numpy, pmdarima, Keras, Statsmodels. Для обучения моделей использованы биржевые данные по цене закрытия за акцию ведущих российских компания: Яндекс, ВТБ, КамАЗ, Киви, Газпром, НЛМК, Роснефть, Алроса. Проведённые исследования демонстрируют прогностическое превосходство подхода, основанного на нейронных сетях, при этом среднеквадратическая ошибка RMSE на 71% меньше аналогичного показателя для модели ARIMA, что позволяет сделать вывод о предпочтительности использования модели LSTM для данного класса задач.