K:
Kuinka uudet koneoppimisominaisuudet mahdollistavat taloudellisten tietojen varastointiasiakirjojen louhinnan?
V:Yksi koneen oppimisen ja AI: n jännittävistä uusista rajoista on, että tutkijat ja insinöörit aloittavat erilaisia tapoja käyttää täysin uudenlaisia resursseja osakekannan liikkeen ja sijoitusten tulosten ennustamiseen. Tämä on valtava pelinvaihtaja finanssimaailmassa, ja se mullistaa sijoitusstrategioita erittäin syvällisesti.
Yksi perusajatuksista tällaisen kantatutkimuksen laajentamiseksi on laskennallinen kielitiede, johon sisältyy luonnollisen kielen mallintaminen. Asiantuntijat tutkivat, miten tekstitiedostoja voidaan käyttää SEC-arkistoinnista osakkeenomistajien kirjeisiin muihin oheislaitteisiin perustuviin resursseihin osakeanalyysin parantamiseksi tai hienosäätöön tai täysin uusien analyysien kehittämiseksi.
| Ilmainen lataus: Koneoppiminen ja miksi sillä on merkitystä |
Tärkeä vastuuvapauslauseke on, että kaikki tämä tehdään toteutettavissa vain aivan uusilla hermostoverkkojen, koneoppimisen ja luonnollisen kielen analysoinnin avulla. Ennen ML / AI: n syntymistä laskennalliset tekniikat käyttivät enimmäkseen lineaarista ohjelmointia "lukea" tuloja. Tekstiasiakirjat olivat liian rakenteettomia ollakseen hyödyllisiä. Mutta luonnollisen kielen analysoinnissa viime vuosina tapahtuneen edistyksen myötä tutkijat ovat havainneet, että on mahdollista "kaivoa" luonnollista kieltä kvantitatiivisesti ilmaistuihin tuloksiin tai toisin sanoen tuloksiin, jotka voidaan laskea jollain tavalla.
Jotkut parhaista todisteista ja hyödyllisimmistä esimerkeistä tästä ovat peräisin useista verkossa olevista väitöskirjoista ja tohtorityöstä. Lili Gao selittää huhtikuussa 2016 julkaistussa artikkelissa "Koneoppimisen ja laskennallisen kielitieteen sovellukset finanssitaloustieteessä", joka kuvaa osaamisprosesseja, jotka liittyvät yritysten SEC-arkistointien, osakkeenomistajien kutsujen ja sosiaalisen median viestien louhintaan.
"Merkityksellisten signaalien poimiminen jäsentämättömästä ja korkean ulottuvuuden tekstitiedoista ei ole helppo tehtävä", Gao kirjoittaa. "Koneoppimisen ja laskennallisten kielellisten tekniikoiden kehittämisen avulla tekstiteknisten asiakirjojen käsittely ja tilastollinen analysointi voidaan kuitenkin suorittaa, ja monet tilastollisen tekstianalyysin sovellukset yhteiskuntatieteissä ovat osoittautuneet onnistuneiksi." Gaon abstraktista mallinnuksesta ja kalibroinnista käydystä keskustelusta koko kehitetty asiakirja osoittaa, kuinka osa tämän tyyppisistä analyyseistä toimii yksityiskohtaisesti.
Muita aktiivisten projektien lähteitä ovat sivut, kuten tämä GitHub-projektiprojekti, ja tämä IEEE-resurssi puhuu erityisesti arvokkaiden taloudellisten tietojen saamisesta "Twitter-sentiment -analyysistä".
Tärkeintä on, että näiden uusien NLP-mallien käyttö kiihdyttää nopeaa innovaatiota kaikenlaisten tekstidokumenttien käytössä, ei pelkästään taloudellisessa analyysissa, vaan muun tyyppisissä huipputeknisissä havainnoissa, hämärtäen perinteisesti vakiintunutta linjaa "kielen" ja "data."
