Содержание
Q:
Каким образом новые возможности машинного обучения позволяют анализировать фондовые документы для финансовых данных?
A:
Одним из захватывающих новых рубежей машинного обучения и искусственного интеллекта является то, что ученые и инженеры начинают различные способы использования совершенно новых типов ресурсов для прогнозирования движения запасов и инвестиционных результатов. Это огромный переломный момент в финансовом мире, и он произведет революцию в инвестиционных стратегиях очень глубоко.
Одной из основных идей для расширения этого типа фондовых исследований является компьютерная лингвистика, которая включает в себя моделирование естественного языка. Эксперты изучают, как использовать документы, от заявок SEC до писем акционерам другим периферийным ресурсам, с целью расширения или уточнения анализа запасов или разработки совершенно новых анализов.
Важный отказ от ответственности заключается в том, что все это возможно только благодаря новым достижениям в области нейронных сетей, машинного обучения и анализа естественного языка. До появления ML / AI вычислительные технологии в основном использовали линейное программирование для «чтения» входных данных. документы были слишком сильно неструктурированы, чтобы быть полезными. Но с прогрессом, достигнутым в анализе естественного языка за последние несколько лет, ученые обнаруживают, что можно «добывать» естественный язык для количественных результатов или, другими словами, результатов, которые могут быть вычислены каким-либо образом.
Одними из лучших доказательств и наиболее полезных примеров этого являются различные диссертации и докторские работы, доступные в Интернете. В статье «Приложения машинного обучения и компьютерной лингвистики в финансовой экономике», опубликованной в апреле 2016 года, Лили Гао умело объясняет соответствующие процессы, связанные с майнингом корпоративных заявок в SEC, обращений акционеров и социальных сетей.
«Извлечение значимых сигналов из неструктурированных и многомерных данных - непростая задача», - пишет Гао.«Однако с развитием технологий машинного обучения и вычислительной лингвистики можно выполнять задачи обработки и статистического анализа документов, и многие приложения статистического анализа в социальных науках оказались успешными». Из обсуждения Гаоса моделирования и калибровки в аннотации, весь разработанный документ показывает, как некоторые из этого типа анализа работают в деталях.
Другие источники для активных проектов включают такие страницы, как это краткое описание проекта GitHub, и этот ресурс IEEE, в котором конкретно говорится о получении ценной финансовой информации из «анализа настроений».
Суть в том, что использование этих новых моделей НЛП способствует быстрым инновациям в использовании всех видов документов, не только для финансового анализа, но и для других видов передовых открытий, стирая ту традиционно установленную грань между «языком» и « данные."