Sisu
K:
Kuidas saavad uued masinõppe võimalused võimaldada finantsandmete laokirjade kaevandamist?
A:
Masinõppe ja AI üks põnevaid uusi piire on see, et teadlased ja insenerid tegelevad mitmesuguste võimalustega kasutada täiesti uut tüüpi ressursse varude liikumise ja investeerimistulemuste prognoosimiseks. See on tohutu mängude vahetaja finantsmaailmas ja muudab revolutsiooni investeerimisstrateegiateks väga põhjalikult.
Üks alusideid seda tüüpi varude uurimise laiendamiseks on arvutuslik lingvistika, mis hõlmab loomuliku keele modelleerimist. Eksperdid uurivad, kuidas kasutada dokumente alates SEC-i esitamisest kuni aktsionäride kirjadeni muude äärealadel asuvate ressurssideni, et täiendada või täpsustada laoanalüüse või töötada välja täiesti uusi analüüse.
Oluline lahtiütlemine on see, et kõik see on teostatav ainult närvivõrkude, masinõppe ja loomuliku keeleanalüüsi täiesti uute edusammude kaudu. Enne ML / AI tulekut kasutasid arvutustehnoloogiad sisendite lugemiseks enamasti lineaarset programmeerimist. dokumendid olid liiga struktureerimata, et neist kasu oleks. Kuid tänu looduskeele analüüsi viimastel aastatel tehtud edusammudele leiavad teadlased, et kvantifitseeritavate tulemuste või teisisõnu tulemuste jaoks, mida saab mingil moel arvutada, on loomulikku keelt võimalik "kaevandada".
Mõned parimatest tõenditest ja kõige kasulikumatest näidetest pärinevad mitmesugustest veebis kättesaadavatest väitekirjadest ja doktoritöödest. 2016. aasta aprillis avaldatud artiklis "Masinõppe ja arvutusliku lingvistika rakendused finantsmajanduses" selgitab Lili Gao võimetekohaselt ettevõtte SEC-dokumentide, aktsionäride üleskutsete ja sotsiaalmeedia kaevandamise konkreetseid protsesse.
"Oluliste signaalide eraldamine struktureerimata ja suure mõõtmega andmetest pole lihtne ülesanne," kirjutab Gao."Masinõppe ja arvutuslike keeletehnikate arendamisega on aga võimalik dokumentide töötlemine ja statistiline analüüsimine täita ning paljud statistilise analüüsi rakendused sotsiaalteadustes on osutunud edukaks." Gaosist modelleerimise ja kalibreerimise abstraktsest arutelust nähtub kogu väljatöötatud dokumendis, kuidas mõni seda tüüpi analüüs töötab detailselt.
Muud aktiivsete projektide allikad hõlmavad selliseid lehti nagu see GitHubi projekti lühikokkuvõte ja see IEEE ressurss räägib just väärtusliku finantsteabe hankimisest "sentimentaalianalüüsi" kaudu.
Lõppkokkuvõttes võib öelda, et nende uute NLP-mudelite kasutamine kiirendab kõikvõimalike dokumentide kasutamisel kiireid uuendusi, mitte ainult finantsanalüüside tegemiseks, vaid ka muud tüüpi eesrindlike avastuste jaoks, hägustades traditsiooniliselt väljakujunenud piiri "keele" ja " andmed ".