Este artículo presenta un estudio sobre la predicción de los precios de la plata utilizando el método de aprendizaje automático Extreme Gradient Boosting (XGBoost) con ajuste de hiperparámetros. La plata, un valioso metal precioso utilizado en diversas industrias y medicina, experimenta fluctuaciones de precios significativas. XGBoost, conocido por su eficiencia computacional y capacidades de procesamiento paralelo, resulta adecuado para predecir los precios de la plata. La investigación se centra en identificar combinaciones óptimas de hiperparámetros para mejorar el rendimiento del modelo. El estudio pronostica los precios de la plata para los próximos seis días, evaluando los modelos en función del error porcentual medio absoluto (MAPE) y el error cuadrático medio (RMSE). El Modelo A (el mejor modelo basado en el valor de MAPE) sugiere que los precios de la plata disminuyen en el primer y segundo día, aumentan en el tercero, vuelven a disminuir en el cuarto y se estabilizan con un aumento en el quinto y sexto día. El Modelo A logra un MAPE del 5.98% y un RMSE de 1.6998, utilizando hiperparámetros específicos. Por otro lado, el Modelo B (el mejor modelo basado en el valor de RMSE) indica una disminución de precio hasta el tercer día, seguida de una tendencia al alza hasta el sexto día. El Modelo B logra un MAPE del 6.06% y un RMSE de 1.6967, empleando hiperparámetros distintos. El estudio también comparó los modelos propuestos con varios otros modelos de conjunto (CatBoost y random forest). La comparación de modelos se llevó a cabo incorporando 2 métricas adicionales (MAE y SI), y se encontró que los modelos propuestos exhibieron el mejor rendimiento. Estos hallazgos proporcionan información valiosa para la predicción de los precios de la plata utilizando XGBoost.