Makro3M verwendet mathematische Statistiken und “Machine-Learning-Modellen”, um die Auswirkungen der US-Wirtschaftsindikatoren auf den Markt zu analysieren, die Regeln zu finden und ein verallgemeinertes Modell zu erstellen. Über das Modell können Sie spezifische Wirtschaftsindikatordaten eingeben, um die Marktleistung im nächsten Monat vorherzusagen. Sie können den prognostizierten Wert des Modells verwenden, um die Auswirkungen von Wirtschaftsindikatoren auf den Markt zu analysieren. Langfristig schwankt der Markt immer um die Wirtschaft und tendiert in dieselbe Richtung.
Wirtschaftsindikatoren:
Wirtschaftsindikatoren sind Statistiken über die Wirtschaftstätigkeit. Der von Makro3M analysierte Datensatz enthält 14 US-Wirtschaftsindikatoren von 1967 bis 2023, von denen 4 stark mit dem US-Markt korrelieren. Die 4 Indikatoren sind "M2 Money Supply", "Producer Price Index", "Industrial Production Index" und "Nonfarm Payrolls". Diese Indikatoren helfen bei der Analyse der Gesamtleistung der Wirtschaft.
Algorithmen und Modelle:
Makro3M verwendet drei "Deep-Learning-Algorithmen", um drei Generalisierungsmodelle zu erstellen. Die Bewertungsmetrik für diese Modelle besteht darin, den mittleren absoluten Fehler (MAE) zwischen dem vorhergesagten Wert und dem Zielwert zu minimieren. Makro3M hat die MAE-Leistung von neun “Machine-Learning-Modelle” lange verfolgt, und die endgültigen Ergebnisse zeigen, dass “Deep-Learning-Modelle” herkömmliche “Machine-Learning-Modelle” übertreffen.
MLP Modell:
MLP ist sehr flexibel und kann normalerweise verwendet werden, um das Mapping von der Eingabe bis zur Ausgabe zu lernen.
Ein mehrschichtiges Perzeptron (MLP) ist ein künstliches neuronales Netzwerk, das verwendet werden kann, um Daten zu klassifizieren oder Ergebnisse basierend auf den Eingabeeigenschaften jedes Trainingsbeispiels vorherzusagen. Es wird auch als die grundlegende Architektur von tiefen neuronalen Netzen bezeichnet.
RNN Modell:
RNN befasst sich hauptsächlich mit der Vorhersage von Sequenz- bzw. Zeitreihendaten.
Der Unterschied zwischen RNNs und anderen neuronalen Netzen besteht darin, dass sie Zeit und Sequenz berücksichtigen und eine Zeitdimension haben. Für sequentielle Daten werden RNNs bevorzugt, da ihre Muster es dem Netzwerk ermöglichen, Abhängigkeiten von historischen Daten zu entdecken.
LSTM Modell:
LSTM ist eine spezielle Art von RNN, die langfristige Abhängigkeiten zwischen Daten lernen kann.
LSTMs sind im Wesentlichen eine verbesserte Version von RNNs. LSTMs bieten eine Möglichkeit, Informationen über mehrere Zeitschritte hinweg zu übertragen, um längere Datensequenzen zu interpretieren.