XGBoost
Zoekt direct naar niet-lineaire patronen in de beschikbare marktsignalen zonder de extra ARDL-structuurlaag van het publicatiemodel.
Sterk in: Goed om snelle patroonherkenning te vergelijken met de ARDL-varianten.
Let op: Minder direct te lezen dan de ARDL-varianten.
Actuele prijsforecast
Actuele prijsforecastModel XGBoost
Artefactupdate zondag 19 april 2026 om 12:40 uur (UTC)
De hoofdgrafiek blijft forecast-first: werkelijke prijs als anker, daarna de vooruitblik met onzekerheidsband.
Kan ik dit vertrouwen?
Lage zekerheidDe band is breed; lees deze forecast als range en toets scenario's mee.
- Band
- €5.46 – €28.25
- Recente MAE
- 4.87
- Richting goed
- 100.0%
Waarom zegt het model dit?
- Canonieke prijs (vertraging 0w) 33.9%
- Canonieke prijs (vertraging 8w) 13.9%
- Canonieke prijs (vertraging 1w) 8.4%
Zoekt direct naar niet-lineaire patronen in de beschikbare marktsignalen zonder de extra ARDL-structuurlaag van het publicatiemodel.
Sterk in: Goed om snelle patroonherkenning te vergelijken met de ARDL-varianten.
Let op: Minder direct te lezen dan de ARDL-varianten.
Drivers als eerste klas burger
Live explainability-export van de actuele publicatierun, aangevuld met per-driver normalisatie naar de gemiddelde modelwaarde.
Scenario's zonder extra klikken
Scenario's vertrekken vanuit de actuele live release. Deze regels draaien rechtstreeks door de 24 weken vooruit-modelpipeline: per driverfamilie zetten we de inputs op een uitzonderlijk lage of hoge stand uit de trainingshistorie en rekenen de prijs opnieuw uit.
Historische regimes en toetsmomenten
Metrieken komen uit het hold-out artefact: model getraind buiten dit venster of regime, daarna alleen daarbinnen gescoord. De grafiek toont de historische context van hetzelfde stuk.
Artefactregimes combineren historische regimes zoals Corona (2020–2021) en Oekraïne-oorlog (2022–2023) met technische regimes zoals stijgende of dalende marktweken.
Elke tab laat een scherp afgebakend venster zien: eerst de contextgrafiek, daaronder direct de foutmarge en richting.
Periode-holdout
Laatste 52 weken
Model getraind buiten dit recente venster; score alleen op de laatste 52 weken.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te hoog.
- MAE
- 7.97
- MAPE
- 179.2%
- Bias
- 7.81
- Richting goed
- 50.0%
Regime-holdout
Corona (2020-2021)
Observations during the COVID disruption regime from March 1, 2020 through December 31, 2021.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te hoog.
- MAE
- 3.06
- MAPE
- 81.9%
- Bias
- 1.23
- Richting goed
- 57.1%
Regime-holdout
Oekraïne-oorlog (2022-2023)
Observations during the Ukraine-war market regime from February 24, 2022 through December 31, 2023.
Het model gaf wel signalen, maar de foutmarge werd in deze periode duidelijk groter.
Het model zat in deze periode structureel te laag.
- MAE
- 5.2
- MAPE
- 17.5%
- Bias
- -4.45
- Richting goed
- 80.0%
Regime-holdout
Marktstress (2022-2023)
Observations across the broader 2022-2023 market-stress period.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te laag.
- MAE
- 5.22
- MAPE
- 18.7%
- Bias
- -4.54
- Richting goed
- 76.5%
Regime-holdout
Natte oogst (2023-2024)
Observations across the wet-harvest pressure regime from September 2023 through February 2024.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te laag.
- MAE
- 4.81
- MAPE
- 19.5%
- Bias
- -3.03
- Richting goed
- 80.0%
Regime-holdout
Trend: Rising
Weeks where the realised target increases by at least the direction threshold.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te laag.
- MAE
- 5.02
- MAPE
- 20.7%
- Bias
- -4.72
- Richting goed
- 86.7%
Regime-holdout
Trend: Falling
Weeks where the realised target decreases by at least the direction threshold.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te hoog.
- MAE
- 5.01
- MAPE
- 69.4%
- Bias
- 2.04
- Richting goed
- 83.8%
Regime-holdout
Volatile weeks
Weeks where realised target changes exceed the direction threshold in absolute value.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te laag.
- MAE
- 5.02
- MAPE
- 41.9%
- Bias
- -1.77
- Richting goed
- 68.2%
Regime-holdout
Trend: Flat
Weeks where the realised target change stays within the direction threshold band.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Vooral de richting werd hier goed geraakt, zelfs als de precieze europrijs niet perfect was.
- MAE
- 2.93
- MAPE
- 36.6%
- Bias
- -0.66
- Richting goed
- 83.3%
Regime-holdout
Season: Autumn
Target dates in September, October, or November.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Vooral de richting werd hier goed geraakt, zelfs als de precieze europrijs niet perfect was.
- MAE
- 3.07
- MAPE
- 45.0%
- Bias
- 0.51
- Richting goed
- 76.3%
Regime-holdout
Season: Spring
Target dates in March, April, or May.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te laag.
- MAE
- 4.15
- MAPE
- 41.5%
- Bias
- -2.06
- Richting goed
- 75.0%
Regime-holdout
Target season: Storage
Forecast target dates in November, December, January, February, or March. This storage-season definition is based on the target date month, not the forecast issue date.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Vooral de richting werd hier goed geraakt, zelfs als de precieze europrijs niet perfect was.
- MAE
- 3.12
- MAPE
- 39.3%
- Bias
- -0.88
- Richting goed
- 79.1%
Regime-holdout
Target season: Growing
Forecast target dates in April through September. This row is reported separately so growing-season observations cannot back storage-season evidence.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te laag.
- MAE
- 3.83
- MAPE
- 35.3%
- Bias
- -1.2
- Richting goed
- 73.4%
Regime-holdout
Season: Summer
Target dates in June, July, or August.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te laag.
- MAE
- 3.53
- MAPE
- 31.3%
- Bias
- -1.04
- Richting goed
- 84.8%
Regime-holdout
Target season: Harvest open
Forecast target dates in October, the harvest-opening target month used by the two-month horizon leakage audit.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Vooral de richting werd hier goed geraakt, zelfs als de precieze europrijs niet perfect was.
- MAE
- 3.2
- MAPE
- 47.2%
- Bias
- 0.05
- Richting goed
- 81.8%
Regime-holdout
Season: Winter
Target dates in December, January, or February.
Deze periode wijkt genoeg af om het model hier niet zonder extra context te vertrouwen.
Het model zat in deze periode structureel te laag.
- MAE
- 3.17
- MAPE
- 34.1%
- Bias
- -1.26
- Richting goed
- 84.8%
Direct naar ruwe bronnen
Zoek direct in de broncatalogus als je een driver wilt natrekken.
Models & Performance
Behoudt het oude diagnostics-contract naast de nieuwe werkruimte.
| Model | Algo | Horizons | MAE | RMSE | MAPE | Direction | |
|---|---|---|---|---|---|---|---|
| GradientBoosting_ARDL@selected_h4_mixed_v4 | gradient_boosting | H04W | 1.76 | 3.14 | 15.2% | 87.5% | Open |
| XGBoost_ARDL@selected_h4_mixed_v4 | xgboost | H04W | 1.83 | 2.99 | 16.1% | 90.0% | Open |
| GradientBoosting_ARDL@selected_h12_mixed_v4 | gradient_boosting | H12W | 2.25 | 3.8 | 26.5% | 91.2% | Open |
| GradientBoosting_ARDL@selected_h8_mixed_v4 | gradient_boosting | H08W | 2.29 | 3.87 | 22.1% | 90.0% | Open |
| XGBoost_ARDL@selected_h8_mixed_v4 | xgboost | H08W | 2.48 | 4.07 | 23.4% | 88.8% | Open |
| GradientBoosting_ARDL@selected_h20_mixed_v4 | gradient_boosting | H20W | 2.55 | 4.39 | 30.4% | 83.8% | Open |
| XGBoost_ARDL@selected_h16_mixed_v4 | xgboost | H16W | 2.58 | 3.65 | 29.3% | 92.3% | Open |
| GradientBoosting_ARDL@selected_h16_mixed_v4 | gradient_boosting | H16W | 2.88 | 5.29 | 26.4% | 83.8% | Open |
| XGBoost_ARDL@selected_h12_mixed_v4 | xgboost | H12W | 3.02 | 4.47 | 30.6% | 84.8% | Open |
| GradientBoosting_ARDL@selected_h24_mixed_v4 | gradient_boosting | H24W | 3.33 | 5.76 | 38.1% | 68.1% | Open |
| GradientBoosting_ARDL@selected_h28_mixed_v4 | gradient_boosting | H28W | 3.49 | 5.97 | 39.1% | 71.3% | Open |
| XGBoost_ARDL@selected_h20_mixed_v4 | xgboost | H20W | 3.75 | 5.62 | 40.1% | 100.0% | Open |
| XGBoost | xgboost | H04W, H08W, H12W, H16W, H20W, H24W, H28W | 4.33 | 6.48 | 37.6% | 81.4% | Open |
| XGBoost_ARDL@selected_h24_mixed_v4 | xgboost | H24W | 4.33 | 6.48 | 37.6% | 81.4% | Open |
| GradientBoosting_AR | gradient_boosting | H04W, H08W, H12W, H16W, H20W, H24W, H28W | 4.46 | 7.43 | 44.8% | 63.8% | Open |
| XGBoost_ARDL@selected_h28_mixed_v4 | xgboost | H28W | 4.83 | 7.09 | 44.8% | 84.2% | Open |
Geavanceerde details en metrics
Sterktes
- Goed om snelle patroonherkenning te vergelijken met de ARDL-varianten.
- Handig als pure machine-learning second opinion.
Zwaktes
- Minder direct te lezen dan de ARDL-varianten.
- Geen gepubliceerde hoofdforecast in deze run.
- Model-idXGBoost
- Algoritmexgboost
- Train columns0
- Runartifact_stage_20260419_main_graph
| Metric | Waarde |
|---|---|
| MAE | 4.33 |
| RMSE | 6.48 |
| MAPE | 37.6% |
| Bias | -0.95 |
| Richting goed | 81.4% |