Alustan aihetta lyhyellä tarinalla. Tekoäly aiheena on askarruttanut minua siitä lähtien, kun löysin 1990-luvulla isäni kirjahyllystä opuksen, joka käsitteli neuroverkkoja ja sumeaa logiikkaa. Nämä aihealueet olivat nimittäin laajan kiinnostuksen ja tutkimuksen kohteena 1980-luvulla.
Neuroverkko on ihmisaivojen toimintaa jäljittelevä laskentamalli. Sen algoritmi “oppii” löytämään suoraan aineistosta muuttujien väliset epälineaariset riippuvuussuhteet. Innostus maailmalla neuroverkkoihin kuitenkin lopahti 1990-luvulle tultaessa, kun käytännössä kunnollisia sovelluskohteita ei löytynyt. Ongelmana oli neuroverkkojen huono ennustetarkkuus, joka johtui mm. vaatimattomista havaintoaineistoista ja neuroverkon vaatimasta valtavasta laskentatehosta.
Kiinnostukseni jäi taka-alalle ja aikaa ehti kulua reilu vuosikymmen, kunnes 2003 päädyin opiskelemaan Tampereen Teknilliselle Yliopistolle automaatiotekniikkaa ja sumeaan logiikkaan ja neuroverkkoihin liittyviä kursseja. Eräältä luennolta sain kimmokkeen soveltaa kiinnostustani talouteen, sillä professorimme kertoi pankkien hyödyntävän neuroverkkoja ennustemalleissa ja petosten paljastamisessa.
Aihe oli silloin noussut uudestaan pinnalle, sillä internetin välittämän valtavan informaatiomäärän ja laskentatehon kehityksen myötä neuroverkoista on tullut käyttökelpoisia laskentamalleja. Niitä käytetään yleisesti mm. äänen, kuvan ja tekstin tunnistukseen sekä kohdennettuun mainontaan.
Taloustieteen gradua aloittaessa minulle oli selvää, että haluan tutkia sitä, miten talouspsykologiaa, tekoälyä ja big dataa voisi soveltaa käytännössä. Tutkimukseni perusteella olen tullut siihen tulokseen, että nämä aihealueet todellakin tukevat toisiaan ja tässä tapauksessa uskon niiden mahdollistavan parempien mallien rakentamisen käytettynä yhdessä perinteisten menetelmien kanssa. Esimerkiksi Joonas Tuhkuri hyödynsi 2014 Google-hakuja työttömyyden ennustemallissa. Minä taas pyrin hyödyntää tekoälyn jalostamaa big dataa osakemarkkinoiden ennustamisessa.
"Pyrin hyödyntää tekoälyn jalostamaa big dataa osakemarkkinoiden ennustamisessa.”
Graduni taustaoletukseni ovat tiivistetysti seuraavat:
Saamme jatkuvasti valtavasti erilaista informaatiota, jotka kilpailevat huomiostamme ja siten ajastamme. Informaation käsittelyyn käytössä oleva aika ja prosessointikykymme ovat rajallisia, joten käytämme “peukalosääntöjä” päätöksenteon apuna. Tämä selittää mm. laumakäyttäytymistä ja trendien syntymistä.
Informaatio, joka herättää poikkeuksellista huomiota näkyy kysynnän muutoksena
Lisäinformaation hakemisella pyritään vähentämään päätöksentekoon liittyvää epävarmuutta (Esimerkiksi iPhonen julkaisu ajankohtina näkyy google hauissa piikkejä)
Tätä voidaan mitata esim. Google Trends -palvelun avulla
Epävarmuudessa lisäksi tunnetila vaikuttaa päätö Tunnetilat leviävät esim. ihmisten keskinäisessä vuorovaikutuksessa tai median kautta.
Negatiivinen tunnetila saa ihmiset suhtautumaan pessimistisesti tulevaisuuteen
Positiivinen tunnetila saa ihmiset suhtautumaan optimistisesti tulevaisuuteen.
Nämä mainitut oletukset perustuvat gradussani kirjallisuustutkimukseen. Testatakseni oletuksia olen rakentanut uutiskeräimen, joka kerää eri suomenkielisistä medioista jatkuvasti talousuutisia. Uutiset ensin kategorisoidaan niitä koskevan yrityksen perusteella ja sen jälkeen luokitellaan niiden välittämän tunnetilan mukaisesti negatiiviisiin, neutraaleihin ja positiivisiin neuroverkolla. Uutiset, jotka kiinnostavat saavat klikkauksia. Lisäksi uutiskeräin hakee osakekurssit valituille osakkeille päivittäin.
Tähän järjestelmään rakennetaan myöhemmin ekonometriset mallit hypoteesien testaamiseen. Tarkoituksena on siis verrata uutisten välittämää tunnetilaa, kiinnostusta ja google-hakujen määrän muutoksia osakekurssien ja voluumien muutoksiin erilaisilla viiveillä. Big-dataa tässä tapauksessa ovat tuhannet uutiset markkinoista, niiden herättämä kiinnostus ja tunnetila. Tekoälyllä jalostetaan tätä dataa perinteisten laskentamallien käyttöön.
"Mikäli tämä saadaan toimimaan luotettavasti olisi tietääkseni kyseessä ensimmäinen suomen kielelle tehty osakemarkkinoiden tunnetilaa luokitteleva sovellus.”
Nyt on kehityksen alla tunnetilan tunnistaminen, johon tarvitaan opettamista varten ihmisten luokittelemia uutisia. Tähän vaiheeseen haen apuvoimia, sillä uutisia tulee luokitella todella paljon, jotta neuroverkosta saadaan luotettava. Mikäli tämä saadaan toimimaan luotettavasti olisi tietääkseni kyseessä ensimmäinen suomen kielelle tehty osakemarkkinoiden tunnetilaa luokitteleva sovellus.
Käytännössä luokittelu tapahtuu uutiskeräimen käyttöliittymässä, jossa klikataan uutinen joko positiiviseksi, negatiiviseksi tai neutraaliksi. Käyttöliittymä on suunniteltu älypuhelin ystävälliseksi. Ota yhteyttä mikäli haluat mukana pioneerityössä.
Linkki uutiskeräimeen: http://ec2-52-59-224-65.eu-central-1.compute.amazonaws.com/index.php
Jarkko Heikura
DI ja gradua vaille taloustieteen-KTM