Tartalom
K:
Hogyan teszik lehetővé az új gépi tanulási képességek a pénzügyi adatokra vonatkozó készletdokumentumok bányászatát?
A:
A gépi tanulás és az AI egyik izgalmas új határa az, hogy a tudósok és a mérnökök különféle módszereket keresnek a teljesen új típusú források felhasználására a készletmozgás és a befektetési eredmények előrejelzésére. Ez egy hatalmas játékváltó a pénzügyi világban, és nagyon mélyreható módon forradalmasítja a befektetési stratégiákat.
Az ilyen típusú állománykutatás kibővítésének egyik alapvető ötlete a számítási nyelvészet, amely magában foglalja a természetes nyelv modellezését. A szakértők azt vizsgálják, hogyan lehet felhasználni a dokumentumokat, a SEC-i beküldésektől a részvényesi levelekig a periférián alapuló egyéb forrásokig, az állomány elemzésének kiegészítése vagy finomítása, vagy teljesen új elemzések kidolgozása érdekében.
A fontos nyilatkozat az, hogy mindezt csak az idegi hálózatok, a gépi tanulás és a természetes nyelvi elemzés vadonatúj fejlesztése révén lehet megvalósítani. Az ML / AI megjelenése előtt a számítástechnikák többnyire lineáris programozást alkalmaztak a bemenetek "olvasására". a dokumentumok túl strukturálatlanok voltak, hogy hasznosak legyenek. Azonban a természetes nyelv elemzésében az elmúlt néhány évben elért haladással a tudósok azt találják, hogy lehetséges a természetes nyelvet "bányászni" számszerűsíthető eredményekre, vagyis olyan eredményekre, amelyek valamilyen módon kiszámíthatók.
A legjobb bizonyítékok és a leghasznosabb példák a weben elérhető különféle disszertációkból és doktori munkákból származnak. Lili Gao a 2016. áprilisban közzétett, „Gépi tanulás és számítástechnológia alkalmazásai a pénzügyi közgazdaságtanban” című cikkben részletekkel ismerteti a vállalati SEC-bejelentések, a részvényesi felhívások és a közösségi média bányászatára vonatkozó releváns folyamatokat.
"Az értelmes jelek kivonása a strukturálatlan és nagy dimenziós adatokból nem könnyű feladat" - írja Gao."Ugyanakkor a gépi tanulás és a számítástechnikai nyelvi technikák fejlesztésével a dokumentumok feldolgozása és statisztikai elemzése elvégezhető. A statisztikai elemzés számos alkalmazása a társadalomtudományokban sikeresnek bizonyult." A modellezés és kalibrálás Gaos elvégzett megbeszélése alapján az egész kidolgozott dokumentum bemutatja, hogy az ilyen típusú elemzések miként működnek részletesen.
Az aktív projektek egyéb forrásai között szerepelnek olyan oldalak, mint a GitHub projekt rövid ismertetője, és ez az IEEE erőforrás kifejezetten arról szól, hogy értékes pénzügyi információkat szerezzen az "érzelmi elemzésből".
A lényeg az, hogy ezen új NLP modellek gyors innovációt hajtanak végre mindenféle dokumentum felhasználásában, nemcsak pénzügyi elemzés céljából, hanem más élvonalbeli felfedezéshez is, elhomályosítva azt a hagyományosan kialakított vonalat a "nyelv" és " adat."