F:
Hur kan nya maskininlärningsmöjligheter möjliggöra gruvdrift av aktiedokument för finansiell information?
A:En av de spännande nya gränserna för maskininlärning och AI är att forskare och ingenjörer inleder olika sätt att använda helt nya typer av resurser för att förutsäga lagerrörelser och investeringsresultat. Detta är en enorm spelväxlare i finansvärlden och kommer att revolutionera investeringsstrategier på ett mycket djupgående sätt.
En av grundidéerna för att utvidga denna typ av lagerforskning är beräkningslingvistik, som involverar modellering av naturligt språk. Experter undersöker hur man använder textdokument, från SEC-ansökningar till aktieägarbrev till andra perifera textbaserade resurser, för att förstärka eller finjustera aktieanalys eller för att utveckla helt nya analyser.
Gratis nedladdning: Machine Learning and Why It Matters |
Den viktiga friskrivningen är att allt detta endast görs möjligt genom helt nya framsteg inom neurala nätverk, maskininlärning och naturligt språkanalys. Före tillkomsten av ML / AI använde datorteknologier mestadels linjär programmering för att "läsa" ingångar. Textdokument var för mycket ostrukturerade för att vara användbara. Men med de framsteg som gjorts inom naturligt språkanalys under de senaste åren finner forskare att det är möjligt att "bryta" naturligt språk för kvantifierbara resultat eller med andra ord resultat som kan beräknas på något sätt.
Några av de bästa bevisen och mest användbara exemplen på detta kommer från olika avhandlingar och doktorsarbete som finns tillgängliga på webben. I ett papper, "Applications of Machine Learning and Computational Linguistics in Financial Economics", publicerat april 2016, förklarar Lili Gao kapabla relevanta processer som är specifika för gruvdrift av företags SEC-ansökningar, aktieägarsamtal och sociala mediemeddelanden.
"Att utvinna meningsfulla signaler från ostrukturerad och högdimensionell textdata är inte en lätt uppgift, " skriver Gao. "Men med utvecklingen av maskininlärning och beräkningsspråkiga tekniker kan bearbetning och statistisk analys av textdokumentuppgifter genomföras, och många tillämpningar av statistisk textanalys i samhällsvetenskap har visat sig vara framgångsrika." Från Gaos diskussion om modellering och kalibrering i abstrakt visar hela det utvecklade dokumentet hur en del av denna typ av analys fungerar i detalj.
Andra källor för aktiva projekt inkluderar sidor som denna GitHub-projektbeskrivning, och denna IEEE-resurs som pratar specifikt om att få värdefull ekonomisk information från "Twitter sentimentanalys."
Sammanfattningen är att användningen av dessa nya NLP-modeller driver snabb innovation när det gäller att använda alla typer av textdokument, inte bara för finansiell analys, utan för andra typer av nyskapande upptäckter, vilket gör att den traditionellt etablerade linjen mellan "språk" och "data."
