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 текстовые документы, от заявок SEC до писем акционерам другим периферийным текстовым ресурсам, чтобы расширить или усовершенствовать анализ запасов или разработать совершенно новый анализ.
| Скачать бесплатно: машинное обучение и почему это важно |
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. Текстовые 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 поддающихся количественной оценке 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, специфичные для анализа корпоративных заявок SEC, обращений акционеров и сообщений в социальных сетях.
«Извлечение значимых сигналов из неструктурированных и объемных текстовых данных - непростая задача», - пишет Гао. «Однако с развитием машинного обучения и вычислительной лингвистики можно выполнять задачи обработки и статистического анализа текстовых документов, и многие приложения статистического анализа текста в социальных науках оказались успешными». Из обсуждения Гао моделирования и калибровки в резюме, весь разработанный документ показывает, как некоторые из этого типа анализа работают в деталях.
Другие источники для активных проектов включают в себя такие страницы, как это краткое описание проекта GitHub, и этот ресурс IEEE специально посвящен получению ценной финансовой информации из «анализа настроений в Twitter».
Суть в том, что использование этих новых моделей НЛП способствует быстрым инновациям в использовании всевозможных текстовых документов, не только для финансового анализа, но и для других видов передовых открытий, стирая ту традиционно установленную грань между «языком» и "данные."
