विषय
प्रश्न:
नई मशीन सीखने की क्षमता वित्तीय डेटा के लिए स्टॉक दस्तावेजों के खनन को कैसे सक्षम कर सकती है?
ए:
मशीन लर्निंग और एआई के रोमांचक नए मोर्चे में से एक यह है कि वैज्ञानिक और इंजीनियर स्टॉक आंदोलन और निवेश परिणामों की भविष्यवाणी करने के लिए पूरी तरह से नए प्रकार के संसाधनों का उपयोग करने के लिए विभिन्न तरीकों से तैयार कर रहे हैं। यह वित्तीय दुनिया में एक जबरदस्त गेम-चेंजर है, और बहुत ही गहन तरीके से निवेश रणनीतियों में क्रांतिकारी बदलाव लाएगा।
इस प्रकार के स्टॉक अनुसंधान के विस्तार के लिए आधार विचारों में से एक कम्प्यूटेशनल भाषा विज्ञान है, जिसमें प्राकृतिक भाषा का मॉडलिंग शामिल है। विशेषज्ञ जांच कर रहे हैं कि दस्तावेजों का उपयोग कैसे करें, एसईसी फाइलिंग से लेकर शेयरधारक पत्रों को अन्य परिधीय-आधारित संसाधनों तक, बढ़ाने या फाइन-ट्यून स्टॉक विश्लेषण के लिए या पूरी तरह से नए विश्लेषण विकसित करने के लिए।
महत्वपूर्ण अस्वीकरण यह है कि यह सब केवल तंत्रिका नेटवर्क, मशीन सीखने और प्राकृतिक भाषा विश्लेषण में ब्रांड के नए अग्रिमों के माध्यम से संभव बनाया गया है। ML / AI के आगमन से पहले, कंप्यूटिंग प्रौद्योगिकियों ने ज्यादातर इनपुट को "पढ़ने" के लिए रैखिक प्रोग्रामिंग का उपयोग किया था। उपयोगी होने के लिए दस्तावेज़ बहुत अधिक असंरचित थे। लेकिन पिछले कुछ वर्षों के भीतर प्राकृतिक भाषा विश्लेषण में हुई प्रगति के साथ, वैज्ञानिकों को पता चल रहा है कि क्वांटिफ़िबल परिणामों के लिए प्राकृतिक भाषा को "मेरा" करना संभव है या, दूसरे शब्दों में, परिणामों की गणना किसी तरह से की जा सकती है।
इसके कुछ बेहतरीन सबूत और सबसे उपयोगी उदाहरण वेब पर उपलब्ध विभिन्न शोध प्रबंधों और डॉक्टरेट के काम से आते हैं। एक पेपर में, "वित्तीय अर्थशास्त्र में मशीन लर्निंग और कम्प्यूटेशनल भाषा विज्ञान के अनुप्रयोग", अप्रैल 2016 को प्रकाशित, लिली गाओ ने कॉर्पोरेट एसईसी फाइलिंग, शेयरधारक कॉल और सोशल मीडिया के खनन के लिए विशिष्ट प्रासंगिक प्रक्रियाओं की व्याख्या की।
गाओ लिखते हैं, "असंरचित और उच्च आयामी डेटा से सार्थक संकेतों को निकालना एक आसान काम नहीं है।""हालांकि, मशीन लर्निंग और कम्प्यूटेशनल भाषाई तकनीकों के विकास के साथ, ual दस्तावेजों के कार्यों का प्रसंस्करण और सांख्यिकीय विश्लेषण किया जा सकता है, और सामाजिक विज्ञान में सांख्यिकीय विश्लेषण के कई अनुप्रयोग सफल साबित हुए हैं।" अमूर्त में मॉडलिंग और अंशांकन के Gaos चर्चा से, पूरे विकसित दस्तावेज़ से पता चलता है कि इस प्रकार के कुछ विश्लेषण कैसे विस्तार से काम करते हैं।
सक्रिय परियोजनाओं के लिए अन्य स्रोतों में इस GitHub परियोजना संक्षिप्त जैसे पृष्ठ शामिल हैं, और यह IEEE संसाधन विशेष रूप से "भावना विश्लेषण" से मूल्यवान वित्तीय जानकारी प्राप्त करने के बारे में बात कर रहा है।
लब्बोलुआब यह है कि इन नए एनएलपी मॉडल का उपयोग न केवल वित्तीय विश्लेषण के लिए, बल्कि अन्य प्रकार के अत्याधुनिक खोज के लिए, "भाषा" और " डेटा।"