Macro3M utilise des statistiques mathématiques et des modèles dapprentissage automatique pour analyser limpact des indicateurs économiques américains sur le marché, trouver les règles et construire un modèle généralisé. Grâce au modèle, vous pouvez saisir des données dindicateurs économiques spécifiques pour prédire la performance du marché le mois prochain. Vous pouvez utiliser la valeur prédite du modèle pour vous aider à analyser limpact des indicateurs économiques sur le marché. À long terme, le marché fluctue toujours autour de léconomie et tend dans la même direction.
Indicateurs économiques:
Les indicateurs économiques sont des statistiques sur lactivité économique. Lensemble de données analysé par Macro3M contient 14 indicateurs économiques américains de 1967 à 2023, dont 4 sont fortement corrélés avec le marché américain. Les 4 indicateurs sont «M2 Money Supply», «Producer Price Index», «Industrial Production Index» et «Nonfarm Payrolls». Ces indicateurs aident à analyser les performances globales de l’économie.
Algorithmes et Modèles:
Macro3M utilise trois «algorithmes dapprentissage profond» pour construire trois modèles de généralisation. La métrique dévaluation de ces modèles consiste à minimiser lerreur absolue moyenne (MAE) entre la valeur prédite et la valeur cible. Macro3M a longtemps suivi les performances MAE de neuf «modèles dapprentissage automatique» et les résultats finaux montrent que les «modèles dapprentissage profond» surpassent les «modèles dapprentissage automatique» traditionnels.
Modèle MLP:
MLP est très flexible et peut généralement être utilisé pour apprendre le mappage de lentrée à la sortie.
Un perceptron multicouche (MLP) est un réseau de neurones artificiels qui peut être utilisé pour classer des données ou prédire des résultats en fonction des caractéristiques dentrée fournies par chaque exemple dapprentissage. Il est également connu comme larchitecture de base des réseaux de neurones profonds.
Modèle RNN:
RNN traite principalement de la prédiction de données de séquences ou de séries chronologiques.
La différence entre les RNN et les autres réseaux de neurones est quils prennent en compte le temps et la séquence et quils ont une dimension temporelle. Pour les données séquentielles, les RNN sont favorisés car leurs modèles permettent au réseau de découvrir les dépendances sur les données historiques.
Modèle LSTM:
LSTM est un type particulier de RNN qui peut apprendre les dépendances à long terme entre les données.
Les LSTM sont essentiellement une version améliorée des RNN. Les LSTM ajoutent un moyen de transmettre des informations sur plusieurs pas de temps pour interpréter des séquences de données plus longues.