Макро3M использует математическую статистику и модели машинного обучения для анализа влияния экономических показателей США на рынок, поиска правил и построения обобщенной модели. С помощью модели вы можете вводить данные конкретных экономических индикаторов, чтобы прогнозировать рыночные показатели в следующем месяце. Вы можете использовать прогнозируемое значение модели, чтобы анализировать влияние индикаторов на рынок. В долгосрочной перспективе рынок всегда колеблется вокруг экономики и имеет тенденцию к одному и тому же направлению.
Экономические показатели:
Экономические показатели – это статистические данные об экономической деятельности. Набор данных, проанализированный Макро3M, содержит 14 экономических показателей США с 1967 по 2023 год, 4 из которых тесно связаны с рынком США. 4 индикатора: «M2 Money Supply», «Producer Price Index», «Industrial Production Index» и «Nonfarm Payrolls». Эти показатели помогают анализировать общую эффективность экономики.
Алгоритмы и Модели:
Макро3M использует три «алгоритма глубокого обучения» для построения трех моделей обобщения. Метрика оценки для этих моделей заключается в минимизации средней абсолютной ошибки (MAE) между прогнозируемым значением и целевым значением. Макро3M уже давно отслеживает производительность MAE девяти «моделей машинного обучения», и окончательные результаты показывают, что «модели глубокого обучения» превосходят традиционные «модели машинного обучения».
Модель МLP:
MLP очень гибок и обычно может использоваться для изучения отображения от ввода к выводу.
Многослойный персептрон (MLP) — это искусственная нейронная сеть, которую можно использовать для классификации данных или прогнозирования результатов на основе входных характеристик, предоставляемых каждым обучающим примером. Его также называют базовой архитектурой глубоких нейронных сетей.
Модель RNN:
RNN в основном занимается прогнозированием данных последовательности или временного ряда.
Разница между RNN и другими нейронными сетями заключается в том, что они учитывают время и последовательность и имеют временное измерение. Для последовательных данных предпочтение отдается RNN, потому что их шаблоны позволяют сети обнаруживать зависимости от исторических данных.
Модель LSTM:
LSTM — это особый вид RNN, который может изучать долгосрочные зависимости между данными.
LSTM — это, по сути, улучшенная версия RNN. LSTM добавляют способ передачи информации через несколько временных шагов для интерпретации более длинных последовательностей данных.