Macro3M 4+

Macro3M utilise des statistiques mathématiques et des modèles d'apprentissage automatique pour analyser l'impact des indicateurs économiques américains sur le marché, trouver les règles et construire un modèle généralisé. Grâce au modèle, vous pouvez saisir des données d'indicateurs économiques spécifiques pour prédire la performance du marché le mois prochain. Vous pouvez utiliser la valeur prédite du modèle pour vous aider à analyser l'impact des indicateurs économiques sur le marché. À long terme, le marché fluctue toujours autour de l'économie et tend dans la même direction.

Indicateurs économiques:
Les indicateurs économiques sont des statistiques sur l'activité économique. L'ensemble 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 d'apprentissage profond» pour construire trois modèles de généralisation. La métrique d'évaluation de ces modèles consiste à minimiser l'erreur absolue moyenne (MAE) entre la valeur prédite et la valeur cible. Macro3M a longtemps suivi les performances MAE de neuf «modèles d'apprentissage automatique» et les résultats finaux montrent que les «modèles d'apprentissage profond» surpassent les «modèles d'apprentissage automatique» traditionnels.

Modèle MLP:
MLP est très flexible et peut généralement être utilisé pour apprendre le mappage de l'entrée 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 d'entrée fournies par chaque exemple d'apprentissage. Il est également connu comme l'architecture 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 qu'ils prennent en compte le temps et la séquence et qu'ils 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.