۵ کاربرد پردازش زبان طبیعی (NLP) در حوزه مالی

پردازش زبان طبیعی (NLP) در حال تغییر نحوه تحلیل اطلاعات، اتوماسیون کارهای روزمره و اتخاذ تصمیمات مبتنی بر داده در موسسات مالی است. به عنوان شاخه‌ای از هوش مصنوعی، NLP با استخراج ارزش پنهان در حجم وسیعی از داده‌های متنی بدون ساختار، به سرعت در حال دگرگون کردن بخش مالی است. این فناوری به ماشین‌ها امکان می‌دهد تا زبان انسان را درک، تفسیر و تولید کنند و ابزارهای قدرتمندی را برای خودکارسازی وظایف معمول، بهبود تصمیم‌گیری و کسب بینش‌های عمیق‌تر از بازار در اختیار سازمان‌های مالی قرار می‌دهد. با دسترسی روزافزون به داده‌ها و پیشرفت‌های یادگیری ماشین، کاربردهای NLP در سراسر بخش مالی، از بهبود تجربه مشتری گرفته تا هدایت استراتژی‌های سرمایه‌گذاری، به امری ضروری تبدیل شده‌اند.

در این مقاله، نحوه عملکرد NLP را توضیح داده و برخی از رایج‌ترین کاربردهای آن در امور مالی از جمله ارزیابی ریسک اعتباری، تحلیل احساسات، حسابرسی، بهینه‌سازی سبد سرمایه‌گذاری (پورتفولیو) و پیش‌بینی بازار سهام را بررسی خواهیم کرد.

پردازش زبان طبیعی (NLP) چیست؟

پردازش زبان طبیعی (NLP) شاخه‌ای از هوش مصنوعی (AI) است که رایانه‌ها را قادر می‌سازد زبان انسان را درک و تفسیر کرده و با آن کار کنند. این فناوری دانشی از حوزه‌هایی مانند زبان‌شناسی، علوم اعصاب، ریاضیات و علوم کامپیوتر را ترکیب می‌کند تا به ماشین‌ها در پردازش و تحلیل متن و گفتار کمک کند.

با ظهور الگوریتم‌های یادگیری ماشین (ML) و افزایش توان محاسباتی، NLP بسیار مقیاس‌پذیرتر و قابل‌اعتمادتر شده است. پیشرفت‌های اخیر در یادگیری ماشین، مدل‌های مبتنی بر ترانسفورمر و مدل‌های زبانی بزرگ (LLMs) قابلیت‌های سیستم‌های NLP را به میزان قابل‌توجهی گسترش داده‌اند. برنامه‌های کاربردی و مدرن NLP می‌توانند زمینه و بستر پیام را درک کنند، حجم وسیعی از متن را تحلیل کنند، پاسخ‌های انسان‌گونه تولید کنند و از وظایفی اعم از تحلیل سند و ترجمه گرفته تا هوش مصنوعی مکالمه‌ای پشتیبانی کنند.

علاوه بر این، کارایی مدل‌های NLP در بسیاری از زبان‌های غیر از انگلیسی نیز گسترش یافته و امکان ایجاد الگوریتم‌های ترجمه ماشینی دقیق‌تر در پلتفرم‌های مختلف را فراهم کرده است. ابزارها، تکنیک‌ها و رابط‌های برنامه‌نویسی کاربردی (API) مرتبط با NLP اکنون در صنایع مختلف، از جمله امور مالی، مورد استفاده قرار می‌گیرند.

NLP در امور مالی چگونه کار می‌کند؟

در امور مالی، NLP با تجزیه و تحلیل حجم زیادی از داده‌های متنی بدون ساختار مانند اسناد مالی، گزارش‌ها، وب‌سایت‌ها، انجمن‌ها و اخبار بازار برای شناسایی الگوها و استخراج بینش‌های معنادار کار می‌کند. با خودکارسازی پردازش متن، NLP به متخصصان مالی کمک می‌کند تا کارهای دستی را کاهش دهند، تحلیل‌های مالی را بهبود بخشند و تصمیمات سریع‌تر و آگاهانه‌تری بگیرند.

امروزه، داده‌ها محرک اصلی امور مالی هستند. داده‌های موجود در اسناد، متون، وب‌سایت‌ها، انجمن‌ها و غیره. متخصصان مالی زمان قابل‌توجهی را صرف خواندن گزارش‌های تحلیلگران، مطبوعات مالی و سایر منابع اطلاعاتی می‌کنند. پردازش خودکار داده‌های متنی می‌تواند حجم کارهای روزمره و دستی را به میزان قابل‌توجهی کاهش داده و به معاملات سرعت بخشد.

تکنیک‌ها و الگوریتم‌های NLP به ترجمه داده‌های متنی خام به بینش‌های معنادار در بخش‌های مختلف مالی کمک می‌کنند. معامله‌گران، مدیران پورتفولیو، تحلیلگران، بانک‌ها و سایر سازمان‌های مالی در تلاش برای بهبود تحلیل‌های مالی خود هستند و در این مسیر، NLP و ML به فناوری‌های منتخب تبدیل شده‌اند. NLP در سراسر صنعت مالی، از بانکداری خرد تا سرمایه‌گذاری در صندوق‌های پوشش ریسک (Hedge funds) استفاده می‌شود. تکنیک‌های NLP مانند تحلیل احساسات، سیستم‌های پرسش و پاسخ (چت‌بات‌ها)، دسته‌بندی اسناد و خوشه‌بندی موضوعی برای کار با داده‌های مالی بدون ساختار استفاده می‌شوند.

تکنیک‌های NLP و ML می‌توانند برای طراحی زیرساخت‌های مالی به کار روند که قادر به تصمیم‌گیری آگاهانه در لحظه (Real-time) هستند. NLP می‌تواند با پیگیری تغییرات در وضعیت یک شرکت و محیط بازار، به ایجاد سیستم‌هایی کمک کند که فرآیندهای مالی را غنی‌تر می‌کنند. برای مثال، NLP می‌تواند با فراهم کردن موارد زیر، عملکرد یک بانک را بهبود بخشد:

• تجربیات شخصی‌سازی‌شده و بهتر برای مشتریان
• قابلیت‌های پیشرفته‌تر برای تشخیص تقلب و فعالیت‌های پول‌شویی
• بهبود کارایی عملیاتی
• انطباق بهتر با هنجارها و سیاست‌های قانونی
• بینش‌های تحلیلی جدید
• ارائه محصولات نوآورانه

کاربردهای NLP در امور مالی

NLP در سراسر صنعت مالی برای تحلیل حجم زیادی از داده‌های بدون ساختار و پشتیبانی از تصمیم‌گیری سریع‌تر و دقیق‌تر استفاده می‌شود. موسسات مالی تکنیک‌های NLP را در زمینه‌هایی مانند ارزیابی ریسک اعتباری، تحلیل احساسات بازار، حسابرسی، مدیریت سبد سرمایه‌گذاری و تحقیقات سرمایه‌گذاری به کار می‌گیرند.

در ادامه برخی از رایج‌ترین کاربردهای NLP در امور مالی و نحوه استفاده سازمان‌ها از آن‌ها برای بهبود فرآیندهای مالی آورده شده است.

ارزیابی ریسک

بانک‌ها می‌توانند شانس بازپرداخت موفقیت‌آمیز وام را بر اساس ارزیابی ریسک اعتباری کمی‌سازی کنند. معمولاً ظرفیت پرداخت بر اساس الگوهای خرج کردن قبلی و داده‌های سابقه پرداخت وام در گذشته محاسبه می‌شود. اما این اطلاعات در چندین مورد، به ویژه در مورد افراد فقیرتر، در دسترس نیست. طبق یک برآورد، تقریبا نیمی از جمعیت جهان به دلیل فقر از خدمات مالی استفاده نمی‌کنند.

اینجاست که NLP برای حل این مشکل وارد عمل می‌شود. تکنیک‌های NLP از نقاط داده متعددی برای ارزیابی ریسک اعتباری استفاده می‌کنند. به عنوان مثال، NLP می‌تواند نگرش و ذهنیت کارآفرینی را در وام‌های تجاری اندازه‌گیری کند. به طور مشابه، می‌تواند داده‌های متناقض را برجسته کرده و آن‌ها را برای بررسی بیشتر ارجاع دهد. حتی جنبه‌های ظریفی مانند احساسات وام‌دهندگان و وام‌گیرندگان در طول فرآیند وام را می‌توان با کمک NLP ترکیب و تحلیل کرد.

معمولاً، شرکت‌ها اطلاعات زیادی را از اسناد وام شخصی استخراج کرده و برای تحلیل بیشتر به مدل‌های ریسک اعتباری وارد می‌کنند. اگرچه اطلاعات جمع‌آوری‌شده به ارزیابی ریسک اعتباری کمک می‌کند، اما اشتباهات در استخراج داده‌ها می‌تواند منجر به ارزیابی‌های نادرست شود. «تشخیص موجودیت نام‌دار» (NER) که یکی از تکنیک‌های NLP است، در چنین شرایطی مفید واقع می‌شود. NER به استخراج موجودیت‌های مرتبط از قرارداد وام، از جمله تاریخ، مکان و جزئیات طرفین درگیر کمک می‌کند.

احساسات مالی

معامله موفق در بازار سهام به اطلاعات مربوط به سهام‌های منتخب بستگی دارد. بر اساس این دانش، معامله‌گران می‌توانند تصمیم بگیرند که آیا یک سهم را بخرند، نگه دارند یا بفروشند. علاوه بر تجزیه و تحلیل صورت‌های مالی سه‌ماهه، بسیار مهم است که بدانیم تحلیلگران درباره آن شرکت‌ها چه می‌گویند و این اطلاعات را می‌توان در رسانه‌های اجتماعی یافت.

تحلیل شبکه‌های اجتماعی شامل نظارت بر چنین اطلاعاتی در پست‌های رسانه‌های اجتماعی و انتخاب فرصت‌های بالقوه برای معامله است. به عنوان مثال، خبر استعفای یک مدیرعامل معمولاً احساسات منفی را منتقل می‌کند و می‌تواند بر قیمت سهام تأثیر منفی بگذارد. اما اگر آن مدیرعامل عملکرد خوبی نداشته باشد، بازار سهام خبر استعفا را مثبت تلقی کرده و این امر ممکن است به طور بالقوه قیمت سهام را افزایش دهد.

شرکت‌هایی مانند Dataminr و Bloomberg از جمله مجموعه‌هایی هستند که چنین اطلاعاتی را برای پشتیبانی از معاملات ارائه می‌دهند. برای مثال، Dataminr هشدارها و اخبار مربوط به سهام شرکت‌ها را که می‌توانند به طور بالقوه بر بازار تأثیر بگذارند، از طریق پایانه‌های خود ارائه می‌دهد.

تحلیل احساسات مالی با تحلیل احساسات معمولی متفاوت است؛ این تفاوت هم در حوزه کاری و هم در هدف آن است. در تحلیل احساسات معمولی، هدف تعیین این است که آیا اطلاعات ذاتاً مثبت هستند یا منفی. با این حال، در تحلیل احساسات مالی مبتنی بر NLP، هدف درک این موضوع است که بازار چگونه ممکن است به اخبار واکنش نشان دهد و آیا قیمت سهام ممکن است کاهش یا افزایش یابد.

توسعه مدل‌های زبانی مخصوص یک دامنه خاص نشان داده است که چگونه تطبیق مدل‌های NLP با زمینه‌های تخصصی می‌تواند عملکرد آن‌ها را بهبود بخشد. برای مثال، BioBERT که یک مدل بازنمایی زبانی زیست‌پزشکی از پیش آموزش‌دیده برای استخراج متن است، ارزش آموزش مدل‌ها بر روی داده‌های خاص یک صنعت را ثابت کرد. رویکردهای مشابه منجر به ایجاد FinBERT شد؛ یک مدل زبانی که به طور خاص برای بخش خدمات مالی توسعه یافته است.

FinBERT بر روی مجموعه‌داده‌ای حاوی اخبار مالی از رویترز عمل می‌کند. برای تخصیص احساسات، از مجموعه‌داده Financial PhraseBank استفاده شد که شامل حدود ۴۰۰۰ جمله است که توسط افرادی با پیشینه تجارت و مالی برچسب‌گذاری شده‌اند.

در تحلیل احساسات معمول، یک جمله مثبت دلالت بر یک احساس مثبت دارد. با این حال، در Financial PhraseBank، احساسات منفی نشان می‌دهد که قیمت سهام یک شرکت ممکن است به دلیل اخبار منتشر شده کاهش یابد. FinBERT در دسته‌بندی احساسات مالی موفق بوده و نتایج را در مقایسه با سایر ابزارهای موجود به میزان قابل‌توجهی بهبود بخشیده است. کتابخانه FinBERT به همراه داده‌های مربوطه در پلتفرم GitHub به صورت متن‌باز در دسترس است. این مدل زبانی برای طبقه‌بندی احساسات اقتصادی می‌تواند برای اهداف مختلفی استفاده شود.

حسابداری و حسابرسی

شرکت‌هایی مانند Deloitte، Ernst & Young و PwC بر ارائه ممیزی‌های عملی و معنادار از عملکرد سالانه یک شرکت متمرکز هستند. به عنوان مثال، Deloitte زبان فرمان حسابرسی خود را به یک برنامه کاربردی و کارآمدتر NLP ارتقا داده است. این شرکت تکنیک‌های NLP را در بررسی اسناد قراردادها و توافقنامه‌های تدارکات بلندمدت، به ویژه در مورد داده‌های دولتی، اعمال کرده است.

اکنون شرکت‌ها به اهمیت NLP در کسب مزیت قابل‌توجه در فرآیند حسابرسی پی برده‌اند؛ به خصوص پس از دهه‌ها سروکار داشتن با تراکنش‌های روزانه بی‌پایان و کاغذهای مشابه فاکتور. NLP به متخصصان مالی امکان می‌دهد تا ناهنجاری‌های موجود در تراکنش‌های روزمره را مستقیماً شناسایی، روی آن‌ها تمرکز و آن‌ها را تصویرسازی کنند. با استفاده از فناوری مناسب، زمان و تلاش کمتری برای یافتن بی‌نظمی‌ها در تراکنش‌ها و علل آن‌ها صرف می‌شود. NLP می‌تواند در شناسایی خطرات بالقوه مهم و تقلب‌های احتمالی، مانند پول‌شویی، کمک کند. این امر به افزایش فعالیت‌های ارزش‌آفرین به منظور گسترش آن‌ها در سراسر سازمان کمک می‌کند.

انتخاب و بهینه‌سازی سبد سرمایه‌گذاری (پورتفولیو)

هدف اصلی هر سرمایه‌گذار، به حداکثر رساندن سرمایه خود در بلندمدت بدون اطلاع از توزیع اساسی ناشی از قیمت سهام است. استراتژی‌های سرمایه‌گذاری در بازارهای سهام مالی را می‌توان با علم داده، یادگیری ماشین و آمار ناپارامتریک پیش‌بینی کرد. داده‌های جمع‌آوری‌شده از گذشته را می‌توان برای پیش‌بینی آغاز دوره معامله و یک پورتفولیو استفاده کرد. به لطف این داده‌ها، سرمایه‌گذاران می‌توانند سرمایه فعلی خود را بین دارایی‌های موجود توزیع کنند.

NLP می‌تواند برای بهینه‌سازی پورتفولیوی «نیمه‌لگاریتمی بهینه» (semi-log-optimal) استفاده شود. انتخاب پورتفولیوی نیمه‌لگاریتمی بهینه یک جایگزین محاسباتی برای انتخاب پورتفولیوی لگاریتمی بهینه است. به کمک آن، زمانی که عوامل محیطی نامشخص هستند، حداکثر نرخ رشد ممکن به دست می‌آید. تحلیل پوششی داده‌ها (Data envelopment analysis) را می‌توان برای انتخاب پورتفولیو با فیلتر کردن سهام مطلوب و نامطلوب مورد استفاده قرار داد.

پیش‌بینی رفتار سهام

پیش‌بینی سری‌های زمانی برای تحلیل مالی به دلیل وجود داده‌های نوسانی و نامنظم و همچنین تغییرات بلندمدت و فصلی که می‌توانند باعث خطاهای بزرگ در تحلیل شوند، کاری پیچیده است. با این حال، یادگیری عمیق در ترکیب با NLP عملکرد بسیار بهتری نسبت به روش‌های قبلی در کار با سری‌های زمانی مالی دارد. این دو فناوری در ترکیب با هم به طور مؤثری با حجم وسیعی از اطلاعات سروکار دارند.

یادگیری عمیق به خودی خود مفهوم کاملاً جدیدی نیست. در ۵ سال گذشته، تعداد زیادی از الگوریتم‌های یادگیری عمیق شروع به عملکرد بهتر از انسان‌ها در تعدادی از وظایف مانند تشخیص گفتار و تحلیل تصاویر پزشکی کرده‌اند. در حوزه مالی، شبکه‌های عصبی بازگشتی (RNN) روشی بسیار مؤثر برای پیش‌بینی سری‌های زمانی مانند قیمت سهام هستند. RNNها قابلیت‌های ذاتی برای تعیین روابط غیرخطی پیچیده موجود در داده‌های سری زمانی مالی را دارند و می‌توانند هر تابع غیرخطی را با درجه بالایی از دقت تقریب بزنند. این روش‌ها به دلیل سطح بالای دقتی که ارائه می‌دهند، جایگزین‌های مناسبی برای تکنیک‌های مرسوم و فعلی پیش‌بینی شاخص‌های سهام هستند. تکنیک‌های NLP و یادگیری عمیق برای پیش‌بینی نوسانات قیمت سهام و روندها مفید هستند و همچنین ابزاری ارزشمند برای تصمیم‌گیری در مورد معاملات سهام به شمار می‌روند.

NLP در عملکردهای مالی

تکنیک‌های NLP برای تبدیل اطلاعات متنی بدون ساختار به تحلیل‌های معنادار استفاده می‌شوند. با مقیاس‌پذیرتر و قابل‌اعتمادتر شدن الگوریتم‌های NLP، سازمان‌های مالی می‌توانند اطلاعات منابعی مانند گزارش‌های مالی، اخبار بازار، ارتباطات مشتریان و اسناد نظارتی را سریع‌تر و دقیق‌تر پردازش کنند.

صنعت مالی از NLP برای کاهش کارهای روزمره دستی، سرعت بخشیدن به تحلیل‌ها، ارزیابی ریسک‌ها، درک احساسات مالی و پشتیبانی از مدیریت پورتفولیو و در عین حال خودکارسازی فرآیندهای حسابرسی و حسابداری استفاده می‌کند. این پیشرفت‌ها از طریق قابلیت‌های NLP مانند تحلیل احساسات، سیستم‌های پرسش و پاسخ (چت‌بات‌ها)، خوشه‌بندی موضوعی و طبقه‌بندی اسناد به دست می‌آیند.

NLP و ML به فناوری‌های مهمی برای تحلیلگران مالی، معامله‌گران و مدیران پورتفولیو تبدیل شده‌اند. سازمان‌های بیمه از NLP برای پردازش مطالبات و تحلیل اطلاعات مشتریان استفاده می‌کنند، در حالی که بانک‌های خرد آن را برای ساده‌سازی پشتیبانی مشتری، بهبود محصولات مالی و تقویت تشخیص تقلب و پول‌شویی به کار می‌گیرند.

با نگاهی به آینده، بزرگترین تغییر در پذیرش و به‌کارگیری NLP از ترکیب تکنیک‌های سنتی NLP با هوش مصنوعی مولد (Generative AI) و مدل‌های زبانی بزرگ نشأت خواهد گرفت. این ترکیب به موسسات مالی اجازه می‌دهد تا فراتر از استخراج ساده اطلاعات از اسناد حرکت کرده و به سمت سیستم‌های هوش مصنوعی بروند که می‌توانند تحقیقات را خلاصه کنند، به سوالات پیچیده پاسخ دهند، به تحلیلگران کمک کرده و از تصمیم‌گیری سریع‌تر در سراسر عملیات مالی پشتیبانی کنند.