Contenu
Q:
Comment les nouvelles capacités d’apprentissage automatique peuvent-elles permettre l’extraction de documents de stock pour les données financières?
UNE:
L’une des nouvelles frontières passionnantes de l’apprentissage automatique et de l’intelligence artificielle réside dans le fait que scientifiques et ingénieurs se lancent dans différentes méthodes pour utiliser des types de ressources totalement nouveaux afin de prévoir les mouvements de stocks et les résultats des investissements. C’est un formidable levier de changement dans le monde financier qui révolutionnera les stratégies d’investissement de manière très profonde.
Une des idées de base pour développer ce type de recherche sur les actions est la linguistique informatique, qui implique la modélisation du langage naturel. Des experts étudient comment utiliser des documents, des dossiers de la SEC aux courriers des actionnaires, en passant par des ressources basées sur des périphériques, afin d’améliorer ou d’ajuster l’analyse des stocks ou de développer des analyses entièrement nouvelles.
Le déni de responsabilité important est que tout cela n’est réalisable que grâce aux toutes nouvelles avancées dans les réseaux de neurones, l’apprentissage automatique et l’analyse en langage naturel. Avant l'avènement de ML / AI, les technologies informatiques utilisaient principalement la programmation linéaire pour "lire" les entrées. les documents étaient trop peu structurés pour être utiles. Mais avec les progrès réalisés dans l'analyse du langage naturel au cours des dernières années, les scientifiques découvrent qu'il est possible "d'exploiter" le langage naturel pour obtenir des résultats quantifiables ou, en d'autres termes, des résultats pouvant être calculés d'une manière ou d'une autre.
Certaines des meilleures preuves et des exemples les plus utiles proviennent de divers thèses et travaux de doctorat disponibles sur le Web. Dans un article intitulé "Applications de la machine d'apprentissage et de la linguistique informatique en économie financière", publié en avril 2016, Lili Gao explique de manière éclairée les processus pertinents propres à l'exploitation des dossiers de la SEC, des appels d'actionnaires et des médias sociaux.
"Extraire des signaux significatifs à partir de données non structurées et de grande dimension n'est pas une tâche facile", écrit Gao."Cependant, avec le développement des techniques linguistiques d'apprentissage informatique et de calcul, il est possible d'accomplir des tâches de traitement et d'analyse statistique de documents simples, et de nombreuses applications de l'analyse statistique en sciences sociales ont fait leurs preuves." De la discussion de Gaos sur la modélisation et l’étalonnage dans l’abrégé, l’ensemble du document développé montre comment fonctionne en détail ce type d’analyse.
Parmi les autres sources de projets actifs figurent des pages telles que ce résumé du projet GitHub et cette ressource IEEE expliquant en particulier comment obtenir des informations financières précieuses à partir de "l'analyse des sentiments".
L’essentiel, c’est que l’utilisation de ces nouveaux modèles de PNL incite à l’innovation rapide dans l’utilisation de toutes sortes de documents, pas seulement pour l’analyse financière, mais pour d’autres types de découvertes de pointe, brouillant ainsi la frontière établie entre «langage» et «langage». Les données."