Vsebina
V:
Kako lahko nove zmogljivosti strojnega učenja omogočijo kopanje dokumentov o zalogah za finančne podatke?
A:
Ena izmed vznemirljivih novih meja strojnega učenja in AI je, da se znanstveniki in inženirji lotijo različnih načinov, kako uporabiti povsem nove vrste virov za napovedovanje gibanja zalog in naložbenih rezultatov. To je izjemen menjalnik iger v finančnem svetu in bo zelo globoko spremenil naložbene strategije.
Ena izmed temeljnih idej za razširitev tovrstnih zalog je računalniška lingvistika, ki vključuje modeliranje naravnega jezika. Strokovnjaki raziskujejo, kako uporabiti dokumente, od vložitev SEC do pisem delničarjev do drugih virov, ki temeljijo na obrobju, da bi izboljšali ali natančno prilagodili analizo zalog ali razvili povsem nove analize.
Pomembna izjava o omejitvi odgovornosti je, da je vse to izvedljivo le s povsem novimi napredki nevronskih mrež, strojnim učenjem in analizo naravnega jezika. Pred nastopom ML / AI so računalniške tehnologije večinoma uporabljale linearno programiranje za "branje" vhodov. dokumenti so bili preveč nestrukturirani, da bi bili uporabni. Toda z napredkom, doseženim v analizi naravnih jezikov v zadnjih nekaj letih, znanstveniki ugotavljajo, da je mogoče "rudariti" naravni jezik za merljive rezultate ali z drugimi besedami, rezultate, ki jih je mogoče na nek način izračunati.
Nekateri najboljši dokazi in najbolj uporabni primeri tega izhajajo iz različnih disertacij in doktorskega dela, ki so na voljo na spletu. V prispevku "Aplikacije strojnega učenja in računalniške jezikoslovja v finančni ekonomiji", objavljenega aprila 2016, je Lili Gao sposobno razložiti ustrezne procese, značilne za rudarjenje vložkov v podjetjih SEC, klice delničarjev in družbene medije.
"Črpanje pomembnih signalov iz nestrukturiranih in visoko dimenzionalnih podatkov ni lahka naloga," piše Gao."Vendar pa se z razvojem strojnega učenja in računskih jezikovnih tehnik lahko obdelujeta in statistično analizirajo naloge dokumentov ual, prav tako pa se je veliko aplikacij statistične analize v družboslovju izkazalo za uspešno." Celoten razvit dokument iz Gaosove razprave o modeliranju in umerjanju v povzetku prikazuje, kako nekatere tovrstne analize podrobno delujejo.
Drugi viri za aktivne projekte vključujejo strani, kot je ta kratek projekt GitHub, in ta vir IEEE govori posebej o pridobivanju dragocenih finančnih informacij iz "analize občutkov".
Zaključek je, da uporaba teh novih modelov NLP spodbuja hitre inovacije pri uporabi vseh vrst dokumentov, ne samo za finančno analizo, temveč tudi za druge vrste vrhunskih odkritij, ki zamegljujejo tradicionalno uveljavljeno črto med "jezikom" in " podatkov. "