Зміст
Q:
Як нові можливості машинного навчання дозволяють видобувати запасні документи для отримання фінансових даних?
A:
Однією з захоплюючих нових рубежів машинного навчання та ШІ є те, що вчені та інженери застосовують різні способи використання абсолютно нових видів ресурсів для прогнозування руху акцій та інвестиційних результатів. Це приголомшлива зміна ігор у фінансовому світі і дуже глибоко змінить інвестиційні стратегії.
Однією з базових ідей розширення цього виду біржових досліджень є обчислювальна лінгвістика, яка передбачає моделювання природної мови. Експерти досліджують, як використовувати документи, починаючи з подання SEC до листів акціонерів до інших ресурсів, що базуються на периферійних мережах, з метою розширення або точної настройки запасів або для розробки абсолютно нових аналізів.
Важливим застереженням є те, що все це стає можливим лише завдяки новим досягненням нейронних мереж, машинного навчання та аналізу природних мов. До появи ML / AI, обчислювальні технології в основному використовували лінійне програмування для "читання" входів. документи були надто неструктурованими, щоб бути корисними. Але з прогресом, досягнутим в аналізі природних мов протягом останніх кількох років, вчені виявляють, що можна «видобути» природну мову для кількісно оцінюваних результатів або, іншими словами, результатів, які можна певним чином обчислити.
Деякі найкращі докази та найбільш корисні приклади цього походять з різних дисертацій та докторських робіт, доступних в Інтернеті. У статті "Застосування машинного навчання та обчислювальної лінгвістики у фінансовій економіці", опублікованій у квітні 2016 року, Лілі Гао пояснює відповідні процеси, характерні для видобутку корпоративних заявок SEC, викликів акціонерів та соціальних медіа.
"Вилучення значущих сигналів з неструктурованих і високомірних даних - непросте завдання", - пише Гао. "Однак, з розвитком машинного навчання та обчислювальної лінгвістичної техніки, обробка та статистичний аналіз завдань документальних документів можна досягти, і багато застосувань статистичного аналізу в соціальних науках виявилися успішними". З Гаоського обговорення моделювання та калібрування в рефераті, весь розроблений документ показує, як деякі з цього типу аналізу детально працюють.
Інші джерела для активних проектів включають такі сторінки, як цей короткий проект GitHub, і цей ресурс IEEE говорить конкретно про отримання цінної фінансової інформації з "аналізу настроїв".
Суть полягає в тому, що використання цих нових моделей NLP викликає швидкі інновації у використанні всіляких документів, не тільки для фінансового аналізу, але й для інших видів передового відкриття, розмиваючи традиційно встановлену лінію між "мовою" та " дані ".