Годами финансовая пресса служила источником ценной информации для инвесторов различного уровня. Недавние исследования, проведенные учеными Корнельского университета (США), показали, что эта информация может быть использована для обучения алгоритмов новой модели прогнозирования финансовых показателей.
Специалисты использовали подходы из машинного обучения, обработки естественного языка (NLP) и финансов для создания новой, интерпретируемой модели машинного обучения. Созданная модель способна анализировать информацию, специфичную для акций и отраслей, и предсказывать финансовые доходы с большей точностью, чем традиционные модели.
По словам авторов исследования , одним из недостатков машинного обучения является то, что оно не поддается интерпретации. Исследователи часто не могут точно интерпретировать результаты, выдаваемые сложными моделями. Работа специалистов использует текстовые данные из новостей, чтобы создать интерпретируемые модели машинного обучения, где важные особенности являются явно видимыми и легко читаемыми.
Эксперты утверждают, что финансовые новости могут помочь лучше понять, какие акции связаны с определенными торгуемыми активами, такими как биржевые инвестиционные фонды (Exchange Traded Fund, ETF).
Для разработки своих моделей ученые проанализировали огромное количество финансовых новостей, опубликованных в интернете с 2013 по 2019 годы. Исходя из этих данных, алгоритм связывал определенные активы и слова с конкретными акциями и отраслями.
Таким образом, исследователи создали две отдельные модели:
модель NEUSS для прогнозирования доходности отдельных акций;
модель INSER, которая определяет важные слова для каждой конкретной отрасли для более точного прогнозирования доходов.
Новый подход оправдал себя: модель NEUSS превзошла стандартную модель прогнозирования Fama-French 5-factor на 50%, в то время как модель INSER показала результаты на 10% лучше сравнительного бенчмарка без учета отраслевой информации. Исследователи заключили, что это открытие – революция ИИ в финансах, и открытие вносит вклад в развитие этого процесса.
Источник: SecurityLab