將人工智慧NLP應用於金融服務的四種方法 - kdnuggets

非結構化資料過多
解決資訊難題是金融服務行業中一個常見的問題。
交易員和投資經理有許多資料可供梳理，例如研究報告，公司備案和季度收益電話的筆錄。
這種非結構化內容的數量正以前所未有的速度加速增長，這使得分析非常耗時。
結果，非結構化的內容沒有被用作洞察力的來源。它可能包含一些可以量化交易策略的提示，但是海量的資料使我們無法發現可能導致決策制定過程的細微差別。

自然語言處理（NLP） 提供了從未充分利用的內容中發現有意義的見解的機會。
NLP是人工智慧的一個增長領域，部分原因是基礎架構的快速增長，例如計算能力和資料處理能力。
此外，在演算法方面還進行了許多重大改進，並且開放庫的數量激增，例如Google在2018年釋出的 BERT NLP [url=https://www.refinitiv.com/perspectives/ai-digitalization/next-level-nlp-and-potential-esg-controversies/]框架[/url]。
NLP在金融服務中的實際示例包括客戶服務中語音助手和聊天機器人使用的語音識別和意圖解析，以及公司文件和新聞提要的資訊檢索和情感分析。
 

公司收益電話
公司電話會議通常從公司介紹上一季度的業績和下一個季度的前景開始，然後是問答環節，分析人員向公司提出直接和具體的問題。
“他們問問題的方式和方式，以及公司回答的方式和方式（包括語氣），都可能反映出公司的股價。剖析語音語調，並將其轉換為文字以量化諸如收入等不同關鍵主題的內容非常有用。”
 

支援合規流程
NLP也可以用於從非結構化文字中檢索資訊。這種方法稱為命名實體識別（NER），用於檢測和標記實體，即諸如人或公司之類的真實概念。
NLP還可以用於 支援銀行的合規流程。標記非結構化資料有助於在數千個數字文件中進行搜尋，從而使合規人員可以迅速確定是否已遵守法規。
NLP還可以用於在供應鏈關係之間建立顯式連結。如果某些產品的需求在不久的將來可能會增加，那麼從投資者的角度出發，確定關鍵的原材料供應商將非常有用。”
 

跟蹤實體之間的關係
在投資領域中，應用標籤以突出顯示文字所涵蓋的主要主題或 主題建模，在分析確定主要主題的收益電話或與以前類似的電話進行比較以識別趨勢時非常有用。
NER提供附加的價值，因為它可用於連結實體和建立關係圖。例如，一個實體建模系統可以在一系列非結構化文字中挑選出對特定主題的提及，並建立新的聯絡。
它可以幫助跟蹤實體之間的關係，並有可能檢測洗錢或欺詐行為。
 

情緒分析
NLP的另一個領域是情感分析，它可以從文字中充分提取主觀含義，從而能夠確定其態度或情感。它是檢視特定公司的非結構化內容以查詢不一致和異常情況的理想工具。
Refinitiv Labs目前正在 訓練一種新模型 ，透過識別隨著時間的推移而變化的潛在趨勢，從而從數千份研究報告和公司筆錄中識別出潛在的股票表現訊號。