Macro3M utiliza estadísticas matemáticas y modelos de aprendizaje automático para analizar el impacto de los indicadores económicos de EE. UU. en el mercado, encontrar las reglas y construir un modelo generalizado. A través del modelo, puede ingresar datos de indicadores económicos específicos para predecir el desempeño del mercado el próximo mes. Puede utilizar el valor predicho del modelo como ayuda para analizar el impacto de los indicadores económicos en el mercado. A la larga, el mercado siempre fluctúa alrededor de la economía y tiende en la misma dirección.
Indicadores económicos:
Los indicadores económicos son estadísticas sobre la actividad económica. El conjunto de datos analizado por Macro3M contiene 14 indicadores económicos de EE. UU. desde 1967 hasta 2023, 4 de los cuales están altamente correlacionados con el mercado de EE. UU. Los 4 indicadores son "M2 Money Supply", "Producer Price Index", "Industrial Production Index" y "Nonfarm Payrolls". Estos indicadores ayudan a analizar el desempeño general de la economía.
Algoritmos y Modelos:
Macro3M utiliza tres "algoritmos de aprendizaje profundo" para construir tres modelos de generalización. La métrica de evaluación para estos modelos es minimizar el error absoluto medio (MAE) entre el valor predicho y el valor objetivo. Macro3M ha rastreado durante mucho tiempo el rendimiento MAE de nueve "modelos de aprendizaje automático" y los resultados finales muestran que los "modelos de aprendizaje profundo" superan a los "modelos de aprendizaje automático" tradicionales.
Modelo MLP:
MLP es muy flexible y, por lo general, se puede usar para aprender el mapeo desde la entrada hasta la salida.
Un perceptrón multicapa (MLP) es una red neuronal artificial que se puede usar para clasificar datos o predecir resultados en función de las características de entrada proporcionadas por cada ejemplo de entrenamiento. También se conoce como la arquitectura básica de las redes neuronales profundas.
Modelo RNN:
RNN se ocupa principalmente de la predicción de secuencias o datos de series temporales.
La diferencia entre las RNN y otras redes neuronales es que consideran el tiempo y la secuencia y tienen una dimensión de tiempo. Para datos secuenciales, se prefieren los RNN porque sus patrones permiten que la red descubra dependencias en datos históricos.
Modelo LSTM:
LSTM es un tipo especial de RNN que puede aprender dependencias a largo plazo entre datos.
Los LSTM son esencialmente una versión mejorada de los RNN. Los LSTM agregan una forma de pasar información a través de múltiples pasos de tiempo para interpretar secuencias más largas de datos.