tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Predicció de la Tendència del Preu de l'Or mitjançant Machine Learning |
| Títol variant: |
Gold Price Trend Prediction using Machine Learning |
| Data: |
2026 |
| Resum: |
Aquest treball presenta el disseny, implementació i avaluació d'un sistema de Machine Learning per a la predicció del preu de l'or. Inicialment plantejat com un problema de regressió sobre sèries temporals, l'estudi va demostrar la ineficàcia d'aquest enfocament per capturar la volatilitat diària, motivant un pivot estratègic cap a la classificació binària de la tendència direccional. Es va construir un pipeline de dades robust (2000-2025) integrant variables macroeconòmiques i financeres, aplicant tècniques d'enginyeria de característiques, reducció de dimensionalitat i una estricta validació temporal (Walk-Forward Validation) per evitar la fuga de dades (data leakage). Es van avaluar models lineals i basats en arbres (XGBoost, CatBoost, Random Forest), resultant CatBoost l'algorisme superior. Els resultats finals mostren una precisió del 50,97% en dies operatius, evidenciant la dificultat de superar l'eficiència del mercat sense una gestió de risc addicional, però validant la viabilitat tècnica de l'arquitectura proposada. |
| Resum: |
This project presents the design, implementation, and evaluation of a Machine Learning system for gold price prediction. Initially approached as a time-series regression problem, the study demonstrated the limitations of this method in capturing daily volatility, motivating a strategic pivot towards binary classification of directional trends. A robust data pipeline (2000-2025) was constructed by integrating macroeconomic and financial variables, applying feature engineering, dimensionality reduction, and strict Walk-Forward Validation to prevent data leakage. Linear and tree-based models (XGBoost, CatBoost, Random Forest) were evaluated, with CatBoost emerging as the superior algorithm. Final results show an accuracy of 50. 97% on trading days, highlighting the challenge of beating market efficiency without additional risk management, while validating the technical feasibility of the proposed architecture. |
| Resum: |
Este trabajo presenta el diseño, implementación y evaluación de un sistema de Machine Learning para la predicción del precio del oro. Inicialment planteado como un problema de regresión sobre series temporales, el estudio demostró la ineficacia de dicho enfoque para capturar la volatilidad diaria, motivando un pivote estratégico hacia la clasificación binaria de la tendencia direccional. Se construyó un pipeline de datos robusto (2000-2025) integrando variables macroeconómicas y financieras, aplicando técnicas de ingeniería de características, reducción de dimensionalidad y una estricta validació temporal (Walk-Forward Validation) para evitar la fuga de datos (data leakage). Se evaluaron modelos lineales y basados en árboles (XGBoost, CatBoost, Random Forest), resultando CatBoost el algoritmo superior. Los resultados finales muestran una precisión del 50. 97% en días operativos, evidenciant la dificultad de superar la eficiencia del mercado sin una gestión de riesgo adicional, pero validando la viabilidad técnica de la arquitectura propuesta. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Llengua: |
Castellà |
| Titulació: |
Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau |
| Àrea temàtica: |
Menció Computació |
| Matèria: |
Machine Learning ;
Sèries temporals financeres ;
Classificació binària ;
Validació walk-forward ;
CatBoost ;
Enginyeria de característiques ;
Financial time series ;
Binary classification ;
Walk-forward validation ;
Feature engineering ;
Series temporales financieras ;
Clasificación binaria ;
Validación walk-forward ;
Ingeniería de características |
visitant ::
identificació
