Instructions to use gusdelact/bond-trade-price-histgb with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Scikit-learn
How to use gusdelact/bond-trade-price-histgb with Scikit-learn:
from huggingface_hub import hf_hub_download import joblib model = joblib.load( hf_hub_download("gusdelact/bond-trade-price-histgb", "sklearn_model.joblib") ) # only load pickle files from sources you trust # read more about it here https://skops.readthedocs.io/en/stable/persistence.html - Notebooks
- Google Colab
- Kaggle
Bond Trade Price Predictor (HistGradientBoosting)
Modelo de regresión que predice el precio de trade de bonos corporativos (trade_price,
por 100 de par). Pipeline scikit-learn: preprocesamiento (ColumnTransformer) + HistGradientBoostingRegressor.
Problema de negocio
Estimar el siguiente precio de trade como referencia para un trader antes de cotizar. Costo de error simétrico → métrica primaria MAE.
Resultados en test (152,536 filas)
| Métrica | Valor |
|---|---|
| MAE | 0.4482 |
| RMSE | 0.8646 |
| MAPE | 0.483% |
| R² | 0.99238 |
Baselines naïve en test: trade_price_last1 MAE = 0.6394;
curve_based_price MAE = 0.8343.
El modelo bate el mejor naïve (mejora ~30%).
Uso
import joblib, json, pandas as pd
from huggingface_hub import hf_hub_download
model = joblib.load(hf_hub_download("gusdelact/bond-trade-price-histgb", "model.joblib"))
info = json.load(open(hf_hub_download("gusdelact/bond-trade-price-histgb", "model_info.json")))
X = pd.DataFrame([info["defaults"]])[info["feature_order"]]
pred = model.predict(X) # precio estimado; recomendado clip a >= 0
Features
57 features de entrada (45 numéricas + 12 categóricas), incluyendo precio teórico por curva,
cupón, madurez, tamaño/tipo de trade y bloques de rezagos *_last1..last10. Ver model_info.json.
Datos
Entrenado sobre gusdelact/bond-trade-price-curated. Generado por el pipeline Data Science Assistant.
- Downloads last month
- -