KBS4FIALeveraging advanced knowledge-based systems for financial information analysis

  1. Francisco García Sánchez
  2. Mario Paredes Valverde
  3. Rafael Valencia García
  4. Gema Alcaraz Mármol
  5. Ángela Almela Sánchez Lafuente
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2017

Número: 59

Páginas: 145-148

Tipo: Artículo

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

La toma de decisiones tiene lugar en un ambiente de incertidumbre, por lo tanto es necesario disponer de información lo más exacta y completa posible para minimizar el riesgo inherente al proceso de toma de decisiones. En el dominio de las finanzas la situación se hace, si cabe, aún más crítica debido a la complejidad intrínseca de las tareas analíticas dentro de este campo. La finalidad del proyecto KBS4FIA es la automatización de los procesos ligados al análisis financiero, utilizando para ello tecnologías asociadas con el procesamiento del lenguaje natural, el aprendizaje, la instanciación y la evolución de ontologías, la minería de opiniones, la Web Semántica y el Linked Data. Este proyecto está siendo desarrollado por el grupo TECNOMOD de la Universidad de Murcia y ha sido financiado por el Ministerio de Economía y Competitividad y el Fondo Europeo de Desarrollo Regional (FEDER) a través del Programa Estatal de I+D+i Orientada a los Retos de la Sociedad.

Información de financiación

This project has been funded by the Spanish National Research Agency (AEI) and the European Regional Development Fund (FEDER / ERDF) through project KBS4FIA (TIN2016-76323-R).

Referencias bibliográficas

  • Esuli, A. and F. Sebastiani. 2005. Determining the semantic orientation of terms through gloss classification. In Proceedings of the 14th ACM international conference on Information and knowledge management - CIKM ’05 (pages 617–624). New York, New York, USA: ACM Press.
  • Gil Herrera, R. J. and M. J. Martín-Bautista. 2015. A novel process-based KMS success framework empowered by ontology learning technology. Engineering Applications of Artificial Intelligence, 45: 295–312.
  • Glorot, X., A. Bordes and Y. Bengio. 2011. Domain Adaptation for Large-Scale Sentiment Classification: A Deep Learning Approach. In L. Getoor and T. Scheffer (Eds.), Proceedings of the 28th International Conference on Machine Learning (ICML-11)(pages 513–520). New York, NY, USA:ACM.
  • Kazem, A., E. Sharifi, F. K. Hussain, M. Saberi and O. K. Hussain. 2013. Support vector regression with chaos-based firefly algorithm for stock market price forecasting. Applied Soft Computing, 13(2): 947–958.
  • Li, X., H. Xie, L. Chen, J. Wang and X. Deng. 2014. News impact on stock price return via sentiment analysis. Knowledge-Based Systems, 69: 14–23.
  • Lopez, V., C. Unger, P. Cimiano and E. Motta. 2013. Evaluating question answering over linked data. Web Semantics: Science, Services and Agents on the World Wide Web, 21: 3–13.
  • Martín-Valdivia, M. T., E. Martínez-Cámara, J. M. Perea-Ortega and L. A. Ureña-López. 2013. Sentiment polarity detection in Spanish reviews combining supervised and unsupervised approaches. Expert Systems with Applications, 40(10): 3934–3942.
  • Milne, A. and M. Chisholm. 2013. The Prospects for Common Financial Language in Wholesale Financial Services. SWIFT Institute Working Paper No. 2012-005.
  • Partridge, C. and M. Stefanova. 2001. A Synthesis of State of the Art Enterprise Ontologies. In LESSONS LEARNED. 2001, THE BORO PROGRAM, LADSEB CNR.
  • Rodríguez-González, A., A. García-Crespo, R. Colomo-Palacios, F. Guldrís Iglesias and J. M. Gómez-Berbís. 2011. CAST: Using neural networks to improve trading systems based on technical analysis by means of the RSI financial indicator. Expert Systems with Applications, 38(9): 11489–11500.
  • Salas-Zárate, M. del P., R. Valencia-García, A. Ruiz-Martínez and R. Colomo-Palacios. 2017. Feature-based opinion mining in financial news: An ontology-driven approach. Journal of Information Science, 43(4): 458-479.
  • Shadbolt, N., T. Berners-Lee and W. Hall. 2006. The Semantic Web Revisited. IEEE Intelligent Systems, 21(3): 96–101.