GPT-4 y otros modelos de lenguaje grande (LLM) han demostrado ser muy competentes en el análisis, la interpretación y la generación de texto. Su eficacia excepcional se extiende a una amplia gama de tareas del sector financiero, incluido el sofisticado resumen de divulgación, el análisis de sentimientos, la extracción de información, la producción de informes y la verificación del cumplimiento.
Sin embargo, todavía se siguen realizando estudios sobre su función a la hora de tomar decisiones financieras bien informadas, especialmente cuando se trata de análisis numérico y tareas basadas en juicios. Debido a que los LLM son buenos para procesar y producir material basado en el lenguaje, se desempeñan bien en dominios textuales. Su conjunto de habilidades les permite ayudar con tareas como compilar informes de cumplimiento, extraer información importante de conjuntos de datos masivos, realizar análisis de sentimiento sobre noticias del mercado y resumir trámites financieros complejos.
Sin embargo, la pregunta fundamental es si los LLM se pueden aplicar al análisis de estados financieros (FSA), un campo que históricamente ha puesto un fuerte énfasis en los datos numéricos y el juicio humano. El análisis de estados financieros (FSA) consiste en evaluar la situación financiera de una empresa y pronosticar sus resultados futuros utilizando sus estados financieros, incluidos los ingresos y los balances. Además de ser puramente matemático, esto requiere una comprensión profunda de los ratios financieros, las tendencias y la información relacionada de la empresa.
En una investigación reciente, un equipo de investigadores de la Universidad de Chicago estudió la posibilidad de que un modelo de lenguaje grande como GPT-4 pudiera llevar a cabo análisis de estados financieros de una manera similar a la de analistas humanos capacitados. El equipo proporcionó a GPT-4 estados financieros estandarizados y anónimos para analizarlos y pronosticar la dirección futura de las ganancias. Fundamentalmente, el modelo solo recibió los datos numéricos que se ven en los registros financieros; no se le proporcionó ninguna narrativa o información específica de la industria.
GPT-4 demostró ser mejor para anticipar cambios en las ganancias que los profesionales de las finanzas humanas. Este dominio fue especialmente notable en situaciones en las que los analistas humanos suelen tener dificultades. Esto implica que incluso en ausencia de narrativas contextuales, el LLM tiene una clara ventaja en el manejo de hechos financieros complejos.
Además, se demostró que el poder predictivo de GPT-4 está a la par de los modelos populares de aprendizaje automático que están especialmente entrenados para este tipo de tareas. Con un rendimiento comparable al de los modelos predictivos especializados, GPT-4 puede analizar e interpretar datos financieros con alta precisión.
Los resultados incluyeron el hallazgo crítico de que la precisión prevista de GPT-4 es independiente de su memoria de entrenamiento. Más bien, el modelo utiliza los datos que analiza para producir narrativas esclarecedoras sobre cómo se desempeñará una empresa en el futuro. Además de superar a los analistas humanos y los correspondientes modelos especializados, el equipo también examinó la utilidad de los pronósticos de GPT-4 en las tácticas comerciales. En comparación con las estrategias basadas en otros modelos, estas estrategias basadas en los pronósticos del modelo produjeron mayores alfas y ratios de Sharpe. Esto indica que las estrategias comerciales basadas en las predicciones hechas por GPT-4 no solo tuvieron más éxito sino que también proporcionaron rendimientos superiores cuando se ajustaron al riesgo.
En conclusión, estos hallazgos implican que los LLM como GPT-4 pueden ser cruciales en la toma de decisiones financieras. Junto con su sólido desempeño en aplicaciones comerciales del mundo real, la capacidad de los LLM para analizar con precisión estados financieros y producir predicciones reveladoras sugiere que en el futuro, pueden incluso reemplazar por completo ciertas tareas que actualmente realizan los analistas humanos.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Únete a nuestro Canal de telegramas, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro SubReddit de 42k+ ML
Tanya Malhotra es estudiante de último año de la Universidad de Estudios de Petróleo y Energía, Dehradun, y cursa BTech en Ingeniería en Ciencias de la Computación con especialización en Inteligencia Artificial y Aprendizaje Automático.
Es una entusiasta de la Ciencia de Datos con buen pensamiento analítico y crítico, junto con un ardiente interés en adquirir nuevas habilidades, liderar grupos y gestionar el trabajo de manera organizada.