Какие есть способы борьбы с автокорреляцией при прогнозировании цены во временных рядах?

Вообще-то, при прогнозировании с автокорреляцией не борются, так как 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. Если во временном ряду отсутствует автокорреляция, то такой временной ряд принципиально невозможно прогнозировать.

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.

Возможно, вопрос задан некорректно.

Возможно, автор интересовался, 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.

Из вопроса непонятно о каких временных рядах идет речь.

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.