Financial Statement Analysis with Large Language Models

要約

私たちは、LLM がプロの人間のアナリストと同様の方法で財務諸表分析を首尾よく実行できるかどうかを調査します。
標準化された匿名の財務諸表を GPT4 に提供し、将来の収益の方向性を決定するためにそれらを分析するようにモデルに指示します。
物語や業界固有の情報がなくても、LLM は収益の変化を予測する能力において金融アナリストを上回っています。
アナリストが苦戦する傾向にある状況では、LLM は人間のアナリストよりも相対的な利点を示します。
さらに、LLM の予測精度は、狭くトレーニングされた最先端の ML モデルのパフォーマンスと同等であることがわかりました。
LLM 予測は、トレーニング メモリから得られるものではありません。
その代わりに、LLM が企業の将来の業績に関する有益な物語的洞察を生成することがわかりました。
最後に、GPT の予測に基づく当社のトレーディング戦略は、他のモデルに基づく戦略よりも高いシャープ レシオとアルファをもたらします。
総合すると、私たちの結果は、LLM が意思決定において中心的な役割を果たす可能性があることを示唆しています。

要約(オリジナル)

We investigate whether an LLM can successfully perform financial statement analysis in a way similar to a professional human analyst. We provide standardized and anonymous financial statements to GPT4 and instruct the model to analyze them to determine the direction of future earnings. Even without any narrative or industry-specific information, the LLM outperforms financial analysts in its ability to predict earnings changes. The LLM exhibits a relative advantage over human analysts in situations when the analysts tend to struggle. Furthermore, we find that the prediction accuracy of the LLM is on par with the performance of a narrowly trained state-of-the-art ML model. LLM prediction does not stem from its training memory. Instead, we find that the LLM generates useful narrative insights about a company’s future performance. Lastly, our trading strategies based on GPT’s predictions yield a higher Sharpe ratio and alphas than strategies based on other models. Taken together, our results suggest that LLMs may take a central role in decision-making.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google