Περιεχόμενο
Ερ:
Πώς μπορούν οι νέες δυνατότητες εκμάθησης μηχανών να επιτρέψουν την εξόρυξη αποθεμάτων για οικονομικά δεδομένα;
ΕΝΑ:
Ένα από τα συναρπαστικά νέα σύνορα της μηχανικής μάθησης και της AI είναι ότι οι επιστήμονες και οι μηχανικοί ξεκινούν με διάφορους τρόπους να χρησιμοποιούν εντελώς νέους τύπους πόρων για να προβλέψουν την κίνηση των αποθεμάτων και τα αποτελέσματα των επενδύσεων. Πρόκειται για ένα τεράστιο παιχνίδι αλλαγής στον χρηματοπιστωτικό κόσμο και θα φέρει επανάσταση στις επενδυτικές στρατηγικές με πολύ βαθύ τρόπο.
Μια από τις βασικές ιδέες για την επέκταση αυτού του τύπου έρευνας αποθεμάτων είναι η υπολογιστική γλωσσολογία, η οποία περιλαμβάνει τη μοντελοποίηση της φυσικής γλώσσας. Οι εμπειρογνώμονες διερευνούν τον τρόπο χρήσης των εγγράφων, από τις αιτήσεις SEC έως τις επιστολές μετόχων σε άλλους περιφερειακούς πόρους, προκειμένου να αυξήσουν ή να τελειοποιήσουν την ανάλυση αποθεμάτων ή να αναπτύξουν εξ ολοκλήρου νέες αναλύσεις.
Η σημαντική αποκήρυξη είναι ότι όλα αυτά γίνονται εφικτά μόνο μέσω ολοκαίνουργιας προόδου στα νευρωνικά δίκτυα, της μηχανικής μάθησης και της ανάλυσης φυσικών γλωσσών. Πριν από την έλευση του ML / AI, οι τεχνολογίες πληροφορικής χρησιμοποίησαν ως επί το πλείστον γραμμικό προγραμματισμό για να "διαβάσουν" εισόδους. τα έγγραφα ήταν υπερβολικά αδόμητα για να είναι χρήσιμα. Όμως, με την πρόοδο που έγινε στην ανάλυση φυσικών γλωσσών τα τελευταία χρόνια, οι επιστήμονες διαπιστώνουν ότι είναι δυνατόν να "εξορύξουμε" τη φυσική γλώσσα για ποσοτικά αποτελέσματα ή, με άλλα λόγια, αποτελέσματα που μπορούν να υπολογιστούν με κάποιο τρόπο.
Μερικά από τα καλύτερα στοιχεία και τα πιο χρήσιμα παραδείγματα προέρχονται από διάφορες διατριβές και διδακτορικές διατριβές διαθέσιμες στο διαδίκτυο. Σε μια εργασία με τίτλο «Εφαρμογές Μηχανικής Μάθησης και Υπολογιστικής Γλωσσολογίας στη Χρηματοοικονομική Οικονομία», που δημοσιεύθηκε τον Απρίλιο του 2016, ο Λίλι Γκάο εξηγεί τις σχετικές διαδικασίες που σχετίζονται με την εξόρυξη εταιρικών αιτήσεων SEC, κλήσεων μετόχων και κοινωνικών μέσων.
"Η εξαγωγή σημαντικών σημάτων από αδόμητα και μεγάλης διαστάσεως δεδομένα δεν είναι εύκολο έργο", γράφει ο Γκάο."Ωστόσο, με την ανάπτυξη της μηχανικής μάθησης και των υπολογιστικών γλωσσικών τεχνικών, η επεξεργασία και στατιστική ανάλυση των καθηκόντων εγγράφων ual μπορεί να επιτευχθεί και πολλές εφαρμογές της στατιστικής ανάλυσης στις κοινωνικές επιστήμες έχουν αποδειχθεί επιτυχείς». Από τη συζήτηση του Gaos σχετικά με τη μοντελοποίηση και τη βαθμονόμηση σε αφηρημένη βάση, ολόκληρο το αναπτυγμένο έγγραφο δείχνει πώς ορισμένες από αυτές τις αναλύσεις λειτουργούν λεπτομερώς.
Άλλες πηγές ενεργών έργων περιλαμβάνουν σελίδες όπως αυτή η σύντομη περιγραφή του έργου GitHub και αυτός ο πόρος IEEE μιλάει ειδικά για την απόκτηση πολύτιμων οικονομικών πληροφοριών από την "ανάλυση των αισθήσεων".
Η κατώτατη γραμμή είναι ότι η χρήση αυτών των νέων μοντέλων NLP οδηγεί σε γρήγορη καινοτομία στη χρήση όλων των ειδών των εγγράφων, όχι μόνο για οικονομική ανάλυση, αλλά και για άλλα είδη ανακαλύψεων αιχμής, θολώντας εκείνη την παραδοσιακά καθιερωμένη γραμμή μεταξύ "γλώσσας" δεδομένα."