Macro3M 4+

Macro3M utilizza statistiche matematiche e "modelli di apprendimento automatico" per analizzare l'impatto degli indicatori economici statunitensi sul mercato, trovare le regole e costruire un modello generalizzato. Attraverso il modello, puoi inserire dati di indicatori economici specifici per prevedere la performance del mercato il mese prossimo. È possibile utilizzare il valore previsto del modello per analizzare l'impatto degli indicatori economici sul mercato. Nel lungo periodo, il mercato oscilla sempre intorno all'economia e tende nella stessa direzione.

Indicatori economici:
Gli indicatori economici sono statistiche sull'attività economica. Il dataset analizzato da Macro3M contiene 14 indicatori economici statunitensi dal 1967 al 2023, 4 dei quali sono altamente correlati con il mercato statunitense. I 4 indicatori sono "M2 Money Supply", "Producer Price Index", "Industrial Production Index" e "Nonfarm Payrolls". Questi indicatori aiutano ad analizzare la performance complessiva dell'economia.

Algoritmi e Modelli:
Macro3M utilizza tre "algoritmi di apprendimento profondo" per costruire tre modelli di generalizzazione. La metrica di valutazione per questi modelli consiste nel ridurre al minimo l'errore medio assoluto (MAE) tra il valore previsto e il valore target. Macro3M ha monitorato da tempo le prestazioni MAE di nove "modelli di apprendimento automatico" e i risultati finali mostrano che i "modelli di apprendimento profondo" superano i tradizionali "modelli di apprendimento automatico”.

Modello MLP:
MLP è molto flessibile e di solito può essere utilizzato per apprendere la mappatura dall'input all’output.
Un perceptron multistrato (MLP) è una rete neurale artificiale che può essere utilizzata per classificare i dati o prevedere i risultati in base alle caratteristiche di input fornite da ciascun esempio di addestramento. È anche conosciuta come l'architettura di base delle reti neurali profonde.

Modello RNN:
RNN si occupa principalmente della previsione di dati di sequenze o serie temporali.
La differenza tra le RNN e le altre reti neurali è che considerano il tempo e la sequenza e hanno una dimensione temporale. Per i dati sequenziali, gli RNN sono preferiti perché i loro modelli consentono alla rete di scoprire le dipendenze dai dati storici.

Modello LSTM:
LSTM è un tipo speciale di RNN in grado di apprendere le dipendenze a lungo termine tra i dati.
Gli LSTM sono essenzialmente una versione migliorata degli RNN. Gli LSTM aggiungono un modo per passare le informazioni attraverso più fasi temporali per interpretare sequenze di dati più lunghe.