در دنیای پیچیده و پویای بازارهای مالی، دسترسی سریع و دقیق به اطلاعات، نقشی حیاتی در تصمیم‌گیری‌های سرمایه‌گذاران، تحلیلگران و شرکت‌ها ایفا می‌کند. گزارش‌های مالی فصلی، به ویژه فرم 10-Q، که توسط شرکت‌های سهامی عام آمریکایی منتشر می‌شود، منبع ارزشمندی از این اطلاعات است. این گزارش‌ها، حاوی داده‌های مالی، اطلاعات تجاری مهم و تحلیل‌های مدیریتی هستند که برای درک عملکرد و چشم‌انداز شرکت ضروری‌اند. با این حال، حجم بالای این گزارش‌ها و تنوع در قالب ارائه آن‌ها، استخراج اطلاعات خاص را به چالش بزرگی تبدیل کرده است. این مقاله، راهکاری نوآورانه برای حل این مشکل ارائه می‌دهد.

مقاله حاضر، حاصل تلاش گروهی از محققان به نام‌های یانچی ژانگ، تیانمینگ دو، یوجی سان، لارنس دونوهیو و روی دای است. این محققان، با تخصص در زمینه‌های بازیابی اطلاعات، اقتصاد و مالی، به بررسی چالش‌های موجود در استخراج اطلاعات از فرم‌های 10-Q پرداخته‌اند. زمینه تحقیق آن‌ها، در تقاطع علوم کامپیوتر، مالی و اقتصاد قرار دارد و هدف آن، ارائه راهکاری عملی برای بهبود دسترسی به اطلاعات مالی است.

چکیده مقاله، به این نکته اشاره دارد که فرم 10-Q، یکی از مدارک مهمی است که شرکت‌های سهامی عام ایالات متحده ملزم به ارائه آن به صورت فصلی هستند. این فرم، شامل اطلاعات مالی و تجاری مهمی است که برای درک وضعیت شرکت ضروری است. با این حال، به دلیل حجم بالای این فرم‌ها و تنوع در قالب‌بندی آن‌ها، استخراج اطلاعات به صورت خودکار، همواره با مشکلاتی مواجه بوده است. مقاله حاضر، یک راهکار جامع برای آیتم‌بندی فرم‌های 10-Q ارائه می‌دهد که ترکیبی از یک الگوریتم مبتنی بر قوانین و یک شبکه عصبی کانولوشن (CNN) برای طبقه‌بندی تصاویر است. این راهکار، نشان می‌دهد که چگونه می‌توان با استفاده از ویژگی‌های تایپوگرافی، اطلاعات را به سرعت و به طور خودکار از حجم زیادی از داده‌های متنی استخراج کرد. اطلاعات استخراج شده، می‌توانند به عنوان داده‌های بدون برچسب برای آموزش مدل‌های ترانسفورمر (مانند BERT) یا برای استفاده در کاربردهای مختلف پردازش زبان طبیعی (NLP) به کار روند.

روش‌شناسی این تحقیق، بر پایه ترکیب دو رویکرد اصلی استوار است:

• الگوریتم مبتنی بر قوانین: این الگوریتم، بر اساس قوانین از پیش تعیین شده‌ای کار می‌کند که به ویژگی‌های تایپوگرافی فرم‌های 10-Q (مانند اندازه فونت، نوع فونت، فاصله بین خطوط و غیره) وابسته هستند. این قوانین، به الگوریتم کمک می‌کنند تا بخش‌های مختلف گزارش را شناسایی و آیتم‌بندی کند. به عنوان مثال، ممکن است قانونی وجود داشته باشد که هر متنی که با فونت بزرگ‌تر و پررنگ‌تر شروع شود، به عنوان عنوان یک بخش در نظر گرفته شود.
• شبکه عصبی کانولوشن (CNN): از شبکه‌های CNN برای طبقه‌بندی تصاویر استفاده می‌شود. در این تحقیق، از CNN برای شناسایی و طبقه‌بندی تصاویر و نمودارهای موجود در فرم‌های 10-Q استفاده می‌شود. این کار، به الگوریتم کمک می‌کند تا اطلاعات تصویری را نیز در فرآیند آیتم‌بندی در نظر بگیرد.

ترکیب این دو رویکرد، امکان استخراج دقیق‌تر و کامل‌تر اطلاعات را فراهم می‌کند. الگوریتم مبتنی بر قوانین، ساختار کلی گزارش را شناسایی می‌کند، در حالی که CNN، اطلاعات تصویری را استخراج و به الگوریتم کمک می‌کند تا در مواردی که الگوریتم مبتنی بر قوانین با ابهام مواجه می‌شود، تصمیم‌گیری بهتری داشته باشد.

به عنوان مثال، فرض کنید که الگوریتم مبتنی بر قوانین، نمی‌تواند تشخیص دهد که آیا یک جدول، بخشی از یک آیتم خاص است یا خیر. در این صورت، CNN می‌تواند تصویر جدول را تجزیه و تحلیل کند و با توجه به محتوای جدول، تشخیص دهد که جدول به کدام آیتم مرتبط است.

یافته‌های کلیدی این تحقیق، نشان می‌دهد که راهکار پیشنهادی، قادر است با دقت بالایی فرم‌های 10-Q را آیتم‌بندی کند. این راهکار، توانسته است بخش‌های مختلف گزارش را با موفقیت شناسایی و اطلاعات مربوط به هر بخش را استخراج کند. دقت این راهکار، در مقایسه با روش‌های سنتی، به طور قابل توجهی بالاتر است. علاوه بر این، این راهکار، قادر است حجم زیادی از داده‌ها را در مدت زمان کوتاهی پردازش کند که این امر، آن را برای استفاده در مقیاس بزرگ مناسب می‌سازد.

به طور خلاصه، یافته‌های کلیدی این تحقیق عبارتند از:

• دقت بالای آیتم‌بندی فرم‌های 10-Q
• سرعت بالای پردازش داده‌ها
• قابلیت استفاده در مقیاس بزرگ

راهکار ارائه شده در این مقاله، دارای کاربردهای متعددی است:

• بهبود دسترسی به اطلاعات مالی: این راهکار، می‌تواند به سرمایه‌گذاران، تحلیلگران و شرکت‌ها کمک کند تا به سرعت و به آسانی به اطلاعات مالی مورد نیاز خود دسترسی پیدا کنند. این امر، می‌تواند به بهبود تصمیم‌گیری‌های سرمایه‌گذاری و تخصیص منابع کمک کند.
• خودکارسازی فرآیندهای تحلیل مالی: اطلاعات استخراج شده از فرم‌های 10-Q، می‌توانند برای خودکارسازی فرآیندهای تحلیل مالی مورد استفاده قرار گیرند. به عنوان مثال، می‌توان از این اطلاعات برای محاسبه نسبت‌های مالی، ارزیابی ریسک و پیش‌بینی عملکرد شرکت استفاده کرد.
• آموزش مدل‌های پردازش زبان طبیعی (NLP): اطلاعات استخراج شده از فرم‌های 10-Q، می‌توانند به عنوان داده‌های بدون برچسب برای آموزش مدل‌های NLP مورد استفاده قرار گیرند. این مدل‌ها، می‌توانند برای انجام وظایف مختلفی مانند خلاصه‌سازی متون، تشخیص احساسات و پاسخ به سوالات مورد استفاده قرار گیرند.

یکی از مهم‌ترین دستاوردهای این تحقیق، ارائه یک خط لوله (pipeline) قابل تعمیم است که می‌تواند برای استخراج اطلاعات از حجم زیادی از داده‌های متنی با استفاده از ویژگی‌های تایپوگرافی مورد استفاده قرار گیرد. این خط لوله، می‌تواند در زمینه‌های مختلفی مانند حقوق، پزشکی و مهندسی مورد استفاده قرار گیرد.

به عنوان مثال، در حوزه حقوق، می‌توان از این خط لوله برای استخراج اطلاعات از قراردادها و اسناد قانونی استفاده کرد. در حوزه پزشکی، می‌توان از آن برای استخراج اطلاعات از پرونده‌های پزشکی و مقالات علمی استفاده کرد. و در حوزه مهندسی، می‌توان از آن برای استخراج اطلاعات از نقشه‌ها و مشخصات فنی استفاده کرد.

مقاله حاضر، راهکاری نوآورانه و موثر برای آیتم‌بندی فرم‌های 10-Q ارائه می‌دهد که می‌تواند به بهبود دسترسی به اطلاعات مالی، خودکارسازی فرآیندهای تحلیل مالی و آموزش مدل‌های NLP کمک کند. این راهکار، با ترکیب یک الگوریتم مبتنی بر قوانین و یک شبکه عصبی کانولوشن (CNN)، توانسته است دقت و سرعت استخراج اطلاعات از فرم‌های 10-Q را به طور قابل توجهی افزایش دهد. علاوه بر این، این راهکار، یک خط لوله قابل تعمیم ارائه می‌دهد که می‌تواند برای استخراج اطلاعات از حجم زیادی از داده‌های متنی در زمینه‌های مختلف مورد استفاده قرار گیرد. این تحقیق، گامی مهم در جهت بهبود دسترسی به اطلاعات و خودکارسازی فرآیندهای تحلیلی است و می‌تواند تاثیر بسزایی بر بازارهای مالی و سایر حوزه‌ها داشته باشد.