Sadržaj
P:
Kako nove mogućnosti strojnog učenja mogu omogućiti iskopavanje dokumenata o zalihama radi financijskih podataka?
A:
Jedna od uzbudljivih novih granica strojnog učenja i AI je ta što se znanstvenici i inženjeri upuštaju u razne načine korištenja potpuno novih vrsta resursa za predviđanje kretanja dionica i ishoda ulaganja. Ovo je izvanredan izmjenjivač igara u financijskom svijetu i revolucionirat će investicione strategije na vrlo dubok način.
Jedna od osnovnih ideja za proširivanje ove vrste dionica je računalna lingvistika, koja uključuje modeliranje prirodnog jezika. Stručnjaci istražuju kako koristiti dokumente, od predaje SEC-a do pisama dioničara do drugih perifernih izvora temeljenih na dodatku, kako bi se poboljšala ili precizirala analiza dionica ili razvile potpuno nove analize.
Važno odricanje od odgovornosti je da je sve to izvodljivo samo potpuno novim napretkom neuronskih mreža, strojnim učenjem i analizom prirodnog jezika. Prije pojave ML / AI, računalne su tehnologije uglavnom koristile linearno programiranje za "čitanje" ulaza. dokumenti su bili previše nestrukturirani da bi bili korisni. No, s napretkom postignutim u analizi prirodnog jezika u posljednjih nekoliko godina, znanstvenici otkrivaju da je moguće „minerati“ prirodni jezik za mjerljive rezultate ili, drugim riječima, rezultate koji se mogu izračunati na neki način.
Neki od najboljih dokaza i najkorisnijih primjera toga dolaze iz različitih disertacija i doktorskih radova dostupnih na internetu. U radu, "Primjene strojnog učenja i računske lingvistike u financijskoj ekonomiji", objavljenog u travnju 2016., Lili Gao opisuje relevantne procese specifične za iskopavanje korporativnih podneska SEC-a, poziva dioničara i društvenih medija.
"Izvlačenje smislenih signala iz nestrukturiranih i podataka visoke dimenzije nije lak zadatak", piše Gao."Međutim, razvojem strojnog učenja i računalnih jezičnih tehnika može se obraditi i statistički analizirati zadatke dokumenata, a mnoge se primjene statističke analize u društvenim znanostima pokazale uspješnima." Iz Gaosove rasprave o modeliranju i umjeravanju u sažetku, čitav razvijeni dokument pokazuje kako neke od analiza ove vrste djeluju u detalje.
Ostali izvori za aktivne projekte uključuju stranice poput ovog kratkog GitHub projekta, a ovaj IEEE izvor govori upravo o dobivanju vrijednih financijskih informacija iz „analize osjećaja“.
Suština je da uporaba ovih novih NLP modela potiče brzu inovaciju u korištenju svih vrsta dokumenata, ne samo za financijsku analizu, već i za druge vrste najsuvremenijih otkrića, zamaglivši tu tradicionalno uspostavljenu liniju između "jezika" i " podaci."