Forudsigelse af guldprisen

🏅✍️ Forudsigelse af guldpris 🟡💰

Guld har i århundreder været betragtet som et værdigemme, der beskytter rigdom på lang sigt, især i perioder med inflation, valutadevaluering eller økonomisk ustabilitet. Centralbanker besidder betydelige guldreserver, hvilket afspejler dets betydning i det globale finansielle system.

Din rolle er at udvikle et automatiseret system, der er i stand til at forudsige guldets lukningspris (gold close) baseret på et komplekst sæt af finansielle, økonomiske og markedsindikatorer, herunder aktieindeks, råvarepriser og valutakurser.

📁 Datasættet

Du har til rådighed en CSV-fil:

• gold.csv – indeholder historiske data fra 2010 til 2024 om finansielle markeder, råvarer og økonomiske indikatorer

Hver række indeholder følgende kolonner:

• date – dato i format YYYY-MM-DD
• sp500 open, sp500 high, sp500 low, sp500 close, sp500 volume, sp500 high-low – værdier for S&P500-indekset
• nasdaq open, nasdaq high, nasdaq low, nasdaq close, nasdaq volume, nasdaq high-low – værdier for Nasdaq-indekset
• us_rates_% – USA's referencerente
• CPI – forbrugerprisindeks
• usd_chf, eur_usd – valutakurser
• GDP – bruttonationalprodukt
• silver open, silver high, silver low, silver close, silver volume, silver high-low – værdier for sølv
• oil open, oil high, oil low, oil close, oil volume, oil high-low – værdier for olie
• platinum open, platinum high, platinum low, platinum close, platinum volume, platinum high-low – værdier for platin
• palladium open, palladium high, palladium low, palladium close, palladium volume, palladium high-low – værdier for palladium
• gold open, gold high, gold low, gold close, gold volume – værdier for guld (vores mål er gold close)

💡 Dataene kan have forskellige granulariteter (dagligt, månedligt, kvartalsvist). Nogle værdier mangler (NaN), og modellen skal håndtere dette korrekt.

🧠 Opgave (100 point)

Byg et system, der kan forudsige guldets lukningspris (gold close) for dagene i test.csv.

Forudsigelserne skal gemmes i en fil submission.csv med formatet:

1ID,gold close2R00001,1820.353R00002,1815.924R00003,1822.10

hvor:

• ID – unik identifikator for rækken fra test.csv
• gold close – prisen forudsagt af dit system

📊 Evaluering

Forudsigelserne vil blive sammenlignet med de faktiske værdier fra ground_truth.csv, og der vil blive beregnet Root Mean Squared Error (RMSE):

1RMSE = sqrt( sum((y_true - y_pred)^2) / n )

Den endelige score beregnes baseret på den opnåede RMSE:

• RMSE ≤ 0.5 → 100 point
• RMSE ≥ 5 → 0 point
• For mellemliggende værdier tildeles point proportionalt mellem 0 og 100.