Q:
Wie können neue maschinelle Lernfunktionen das Mining von Bestandsdokumenten für Finanzdaten ermöglichen?
EIN:Eine der aufregenden neuen Grenzen des maschinellen Lernens und der KI besteht darin, dass Wissenschaftler und Ingenieure verschiedene Wege beschreiten, um völlig neue Arten von Ressourcen zu nutzen, um Lagerbewegungen und Investitionsergebnisse vorherzusagen. Dies ist eine enorme Veränderung in der Finanzwelt und wird die Anlagestrategien auf tiefgreifende Weise revolutionieren.
Eine der Grundideen für die Erweiterung dieser Art der Bestandsforschung ist die Computerlinguistik, bei der die natürliche Sprache modelliert wird. Experten untersuchen, wie Textdokumente verwendet werden können, von SEC-Unterlagen über Aktionärsbriefe bis hin zu anderen textbasierten Randressourcen, um die Aktienanalyse zu verbessern oder zu verfeinern oder ganz neue Analysen zu entwickeln.
| Kostenloser Download: Maschinelles Lernen und warum es wichtig ist |
Der wichtige Haftungsausschluss ist, dass all dies nur durch brandneue Fortschritte in den Bereichen neuronale Netze, maschinelles Lernen und Analyse natürlicher Sprachen möglich wird. Vor dem Aufkommen von ML / AI verwendeten Computertechnologien meistens lineare Programmierung, um Eingaben zu "lesen". Textdokumente waren zu unstrukturiert, um nützlich zu sein. Mit den Fortschritten in der Analyse natürlicher Sprache in den letzten Jahren haben Wissenschaftler jedoch festgestellt, dass es möglich ist, natürliche Sprache nach quantifizierbaren Ergebnissen oder mit anderen Worten nach Ergebnissen, die auf irgendeine Weise berechnet werden können, abzubauen.
Einige der besten Beweise und nützlichsten Beispiele dafür stammen aus verschiedenen Dissertationen und Doktorarbeiten, die im Internet verfügbar sind. In dem im April 2016 veröffentlichten Artikel "Anwendungen des maschinellen Lernens und der Computerlinguistik in der Finanzökonomie" erklärt Lili Gao kompetent die relevanten Prozesse, die für das Mining von SEC-Unternehmensablagen, Aktionärsaufrufen und Social-Media-Nachrichten spezifisch sind.
"Das Extrahieren aussagekräftiger Signale aus unstrukturierten und hochdimensionalen Textdaten ist keine leichte Aufgabe", schreibt Gao. "Mit der Entwicklung des maschinellen Lernens und der rechnergestützten Sprachtechniken können jedoch Aufgaben der Verarbeitung und statistischen Analyse von Textdokumenten erfüllt werden, und viele Anwendungen der statistischen Textanalyse in den Sozialwissenschaften haben sich als erfolgreich erwiesen." Aus Gaos Diskussion über Modellierung und Kalibrierung in der Zusammenfassung geht hervor, wie einige dieser Analysetypen im Detail funktionieren.
Andere Quellen für aktive Projekte sind Seiten wie diese GitHub-Projektbeschreibung und diese IEEE-Ressource, die sich speziell mit dem Abrufen wertvoller Finanzinformationen aus der "Twitter-Stimmungsanalyse" befassen.
Das Fazit ist, dass die Verwendung dieser neuen NLP-Modelle eine schnelle Innovation bei der Verwendung aller Arten von Textdokumenten bewirkt, nicht nur für Finanzanalysen, sondern auch für andere Arten von bahnbrechenden Entdeckungen, die die traditionell festgelegte Grenze zwischen "Sprache" und verwischen "Daten."
