Inhoud
Q:
Hoe kunnen nieuwe mogelijkheden voor machinaal leren het stockeren van voorraaddocumenten voor financiële gegevens mogelijk maken?
EEN:
Een van de opwindende nieuwe grenzen van machine learning en AI is dat wetenschappers en ingenieurs verschillende manieren gebruiken om volledig nieuwe soorten middelen te gebruiken om voorraadbewegingen en investeringsresultaten te voorspellen. Dit is een enorme game-wisselaar in de financiële wereld en zal op een zeer diepgaande manier een revolutie teweegbrengen in beleggingsstrategieën.
Een van de basisideeën voor het uitbreiden van dit soort aandelenonderzoek is computationele taalkunde, waarbij het modelleren van natuurlijke taal wordt gebruikt. Experts onderzoeken hoe documenten te gebruiken, van SEC-archieven tot brieven van aandeelhouders tot andere op de periferie gebaseerde bronnen, om voorraadanalyses te verbeteren of bij te stellen of om geheel nieuwe analyses te ontwikkelen.
De belangrijke disclaimer is dat dit alles alleen mogelijk wordt gemaakt door nieuwe ontwikkelingen in neurale netwerken, machine learning en natuurlijke taalanalyse. Voorafgaand aan de komst van ML / AI, gebruikten computertechnologieën meestal lineair programmeren om ingangen te "lezen". documenten waren te ongestructureerd om nuttig te zijn. Maar met de vooruitgang die is geboekt in de analyse van de natuurlijke taal in de afgelopen jaren, ontdekken wetenschappers dat het mogelijk is om de natuurlijke taal te "minen" voor meetbare resultaten of, met andere woorden, resultaten die op een bepaalde manier kunnen worden berekend.
Enkele van de beste bewijzen en meest bruikbare voorbeelden hiervan komen uit verschillende proefschriften en doctoraatswerk dat op internet beschikbaar is. In een paper, "Toepassingen van machinaal leren en computerlinguïstiek in de financiële economie", gepubliceerd in april 2016, legt Lili Gao bekwaam de relevante processen uit die specifiek zijn voor het ontginnen van bedrijfs-SEC-dossiers, oproepen van aandeelhouders en sociale media.
"Het halen van betekenisvolle signalen uit ongestructureerde en hoog-dimensionale gegevens is geen gemakkelijke taak," schrijft Gao."Met de ontwikkeling van machinaal leren en computationele linguïstische technieken kunnen echter verwerking en statistisch analyseren van uale documenttaken worden uitgevoerd, en vele toepassingen van statistische analyse in de sociale wetenschappen zijn succesvol gebleken." Uit de Gaos-bespreking van modellering en kalibratie in de samenvatting, het hele ontwikkelde document laat zien hoe een deel van dit type analyse in detail werkt.
Andere bronnen voor actieve projecten zijn pagina's zoals dit GitHub-projectoverzicht en deze IEEE-bron die specifiek spreekt over het verkrijgen van waardevolle financiële informatie uit "sentimentanalyse."
Het komt erop neer dat het gebruik van deze nieuwe NLP-modellen leidt tot snelle innovatie bij het gebruik van allerlei soorten documenten, niet alleen voor financiële analyse, maar ook voor andere vormen van geavanceerde ontdekking, waardoor die traditioneel gevestigde lijn tussen 'taal' en 'vervaagt' gegevens."