金融中的机器学习

第5章　用自然语言处理解析文本数据

文艺复兴科技公司（Renaissance Technologies）是有史以来最成功的量化对冲基金之一，该公司的联合首席执行官Peter Brown曾在IBM工作。在IBM工作期间，他将机器学习技术应用于自然语言处理，这种跨界现象并非偶然。

正如我们在前几章中所讨论的，在当今世界，信息驱动金融行业的发展，而信息的最重要源头就是书面语和口语。询问任何一位金融专业人士，他们到底把时间花在了什么地方。你会发现，他们的大部分时间都花在了阅读上。这个过程涵盖许多事情，从阅读自动收报机的标题，到阅读公司年报（Form 10-K）、金融出版物、各种分析师报告。阅读的内容不胜枚举。自动处理这些信息可以提升交易速度，增加交易所涉猎信息的广度，同时降低交易的整体成本。

自然语言处理（Natural Language Processing，NLP）正被广泛应用于金融领域。例如，保险公司越来越希望自动处理索赔，零售银行则试图提升顾客服务效率并为客户提供更好的产品。文本的理解正日益成为金融领域机器学习的首选应用场景。

过去，NLP依赖于语言学家们创造的手工规则。如今，神经网络正在取代语言学家的地位，神经网络能够学习复杂的、往往很难编码的语言规则。

在本章中，你将学习如何用Keras创建功能强大的自然语言模型，并且学会如何使用spaCy NLP库。

本章的重点如下。

• 针对你自己定制化的应用，微调spaCy模型。
• 找出句子的部分内容，映射句子的语法结构。
• 使用诸如词袋模型和TF-IDF等技术进行分类。
• 理解如何使用Keras函数式API构建更高级的模型。
• 训练具有注意力机制的模型，使用序列到序列模型（sequence to sequence，seq2seq）来翻译语句。 ...