Costruirò un modello di previsione delle serie temporali con xgboost

La maggior parte dei modelli ML sembrano fantastici sui dati di training, ma crollano sui dati reali. Io costruisco modelli di previsione XGBoost con validazione walk-forward, così il tuo modello regge davvero quando conta.

Ho creato un sistema funzionante di previsione del prezzo dell'oro multi-sessione, addestrato su 7 anni di dati di mercato M15, con oltre 28 caratteristiche ingegnerizzate, tuning con Optuna e validazione basata sulle sessioni. La stessa attenzione ai dettagli la applico a ogni modello che consegno.

Ciò che otterrai:

1. Pulizia e preprocessing dei dati prima dell'addestramento del modello
2. Feature engineering su misura per il tuo dataset
3. Modello XGBoost addestrato con tuning degli iperparametri tramite Optuna
4. Walk-forward o cross-validation per evitare leakage dei dati
5. Report sulle performance con MAE, RMSE e grafici di previsione
6. Script Python pulito consegnato tramite Jupyter Notebook

Perché lavorare con me:

1. Costruisco modelli che si generalizzano sui dati reali non visti, non solo sui dati di training
2. Spiego ogni passaggio chiaramente così capisci cosa è stato creato
3. Comunicazione aperta e aggiornamenti regolari durante tutto il processo

Strumenti: Python, XGBoost, Optuna, Pandas, NumPy, Matplotlib, Scikit-learn

Scrivimi prima di ordinare così possiamo discutere dei tuoi dati e obiettivi.