XGBoost ist eine offene Bibliothek für überwachtes Lernen mit Gradient Boosting. Bei baumbasierten Modellen ergänzen sich mehrere Entscheidungsbäume zu einer gemeinsamen Vorhersage. Mit einer passenden Zielfunktion lässt sich die Bibliothek beispielsweise für Regression oder Klassifikation einsetzen. Eingabedaten, Zielgröße und Validierung müssen zum Einsatzfall passen. Einführung in Boosting-Bäume
Finanzdaten für das Modell aufbereiten
Für eine Prognose von Zahlungseingängen können frühere Eingänge und vorab bekannte Kalendereffekte als Merkmale dienen. Erzeuge die Merkmale für jeden Stichtag aus den damals verfügbaren Daten. Wenn etwa ein Zahlungsausfall erst Wochen später feststeht, darf dieses Ergebnis beim Training für einen früheren Stichtag noch nicht als bekannt gelten. Die Bibliothek unterstützt kategoriale Merkmale in dokumentierten Konfigurationen. Die gewählte Schnittstelle und Datenkodierung müssen beim Training und bei der Anwendung zusammenpassen. Dokumentation zu Kategorien
Prognosefehler und Wahrscheinlichkeiten prüfen
Bei Zeitreihen gehören spätere Beobachtungen in die Prüfung. Vergleiche Modelle mit denselben Prognosehorizonten, derselben Fehlermetrik und einer einfachen Referenz. Wenn ein Klassifikationsmodell Ausfallwahrscheinlichkeiten liefert, prüfe zusätzlich, ob geschätzte Wahrscheinlichkeiten mit den später beobachteten Häufigkeiten übereinstimmen. Die Bedeutung einer guten Bewertung hängt von Ziel, Zeitraum und Datenqualität ab. Sie erlaubt keine Aussage über garantierte Renditen. Zeitlich geordnete Validierung
CatBoost und LightGBM bieten weitere Verfahren für tabellarische Merkmale. Weitere Profile bündelt KI für Finanzen und Investmentrecherche.
