Съдържание
Q:
Как новите възможности за машинно обучение могат да позволят извличането на документи за запаси за финансови данни?
A:
Една от вълнуващите нови граници на машинното обучение и ИИ е, че учените и инженерите предприемат различни начини да използват напълно нови видове ресурси за прогнозиране на движението на акциите и инвестиционните резултати. Това е огромен смяна на игри във финансовия свят и ще промени революционните стратегии по много задълбочен начин.
Една от основните идеи за разширяване на този тип стокови изследвания е компютърната лингвистика, която включва моделиране на естествения език. Експертите проучват как да се използват документи, от документи на SEC до писма на акционери до други базирани на периферията ресурси, за да се разшири или прецизира анализът на запасите или да се разработят изцяло нови анализи.
Важното отказване от отговорност е, че всичко това е възможно само чрез чисто нов напредък в невронните мрежи, машинно обучение и анализ на естествен език. Преди появата на ML / AI изчислителните технологии използваха предимно линейно програмиране, за да „четат“ входовете. документите бяха твърде силно неструктурирани, за да бъдат полезни. Но с напредъка, постигнат в анализа на естествения език през последните няколко години, учените откриват, че е възможно да се „изкопае“ естественият език за измерими резултати или с други думи, резултати, които могат да бъдат изчислени по някакъв начин.
Някои от най-добрите доказателства и най-полезните примери за това идват от различни дисертации и докторска работа, достъпни в интернет. В статия „Приложения на машинното обучение и компютърната лингвистика във финансовата икономика“, публикувана през април 2016 г., Лили Гао способно обяснява релевантни процеси, специфични за извличането на корпоративни документи на SEC, обаждания на акционери и социални медии.
„Извличането на значими сигнали от неструктурирани и данни с големи размери не е лесна задача“, пише Гао."Въпреки това, с развитието на машинното обучение и изчислителните езикови техники, обработката и статистическият анализ на задачи на документи може да бъде постигната и много приложения на статистическия анализ в социалните науки се оказаха успешни." От дискусията на Gaos за моделиране и калибриране в резюмето, целият разработен документ показва как някои от този тип анализи работят в детайли.
Други източници за активни проекти включват страници като този кратък проект на GitHub и този ресурс на IEEE говори специално за получаване на ценна финансова информация от „анализ на настроенията“.
Изводът е, че използването на тези нови NLP модели води до бързи иновации в използването на всякакви документи, не само за финансов анализ, но и за други видове авангардни открития, размивайки тази традиционно установена линия между "език" и " данни."