LLMを活用した財務諸表分析

• 大規模言語モデル（LLM）が、専門の人間アナリストと同様に財務諸表分析を成功裏に実行できるかを調査
• 標準化され匿名化された財務諸表をGPT-4に提供し、モデルに将来収益の方向性を予測するよう指示
• 主な発見
  • 予測性能: LLMはナラティブや業界別情報がなくても、収益変化の予測で金融アナリストを上回る
  • 相対的優位性: アナリストが苦戦する状況で、LLMは相対的な優位性を示す
  • 予測精度: LLMの予測精度は、特化して訓練された最新のMLモデルの性能と同等
  • ナラティブの洞察: LLMの予測は訓練済みメモリに由来するのではなく、企業の将来業績に関する有用なナラティブの洞察を生み出す
  • 取引戦略: GPTの予測に基づく取引戦略は、他のモデルベース戦略より高いシャープレシオとアルファを提供する

GN⁺の意見

• LLMの可能性: 大規模言語モデルが財務分析で人間アナリストを上回りうる点は、金融業界に大きな変化をもたらす可能性がある。これは自動化された分析ツールの発展可能性を示唆している。
• モデルの透明性: LLMがナラティブの洞察を提供する点は、モデルの予測プロセスがより透明で理解しやすい可能性を意味する。これは金融アナリストがモデルを信頼し活用するうえで役立つ可能性がある。
• 取引戦略の有用性: GPTベースの取引戦略が高い成果を示す点は、投資家にとって大きな魅力となりうる。ただし、これはモデルの予測が常に正確であることを保証するものではないため、慎重なアプローチが必要である。
• 技術導入時の考慮事項: データの品質とモデルの訓練プロセスが重要である。また、モデルの予測が実際の市場状況とどのように一致するかを継続的に検証する必要がある。
• 関連技術およびプロジェクト: 財務分析で類似の機能を提供する他のプロジェクトとしては、AlphaSense、Kensho、そしてBloombergのGPT-3ベースの分析ツールなどがある。これらのツールとの比較を通じて、LLMの長所と短所をより明確に理解できる。

[GN⁺]

Hacker Newsの意見

• 40ページの Figure 3 を見ると、Ou and Penman（1989）の59個の財務予測変数を使った3層ニューラルネットワークモデルと GPT（CoT）を比較した結果、GPT は統計的に有意に優れた性能を示していない。
• 市場は重要だが、投機は市場の目的ではない。金を稼ぎたいなら、訓練を受けて高い給与を得るほうがよい。投機は貪欲さの観点から見ると破滅のリスクが大きい。金融システムはゼロサムゲームであり、国際金融にはリスクが多い。友人を大切にし、幸福を最大化し、正直かつ倫理的に行動する必要がある。
• 一般市民が地方政府の財政について意味のある質問をできるようにすることが、最も大きな変化をもたらしうる。たとえば、イリノイ州クック郡の数多くの地方自治体や選出当局は毎月財務報告書を作成しているが、市民による監視が不足している。
• 研究の歴史としては、経営陣の発言を比較し、ポジティブ／ネガティブな単語を数えて感情分析を行い、Twitter とニュース記事を使ってリアルタイム感情モデルを構築してきた。LLM（GPT-2）で感情分析モデルも構築したが、経営陣はポジティブな単語だけを使うよう訓練されているため、信頼性が低い。
• 標準化された LLM モデルが使われるようになると、財務報告書が LLM の結果をより有利にするために操作される可能性がある。
• 研究設計ではテキスト情報を与えていない。主な関心は、LLM が純粋な財務数値を分析し統合する能力を理解することにある。これは、LLM が数学的計算をするのではなく、次のトークンを予測する方式で動作するためである。
• LLM ラッパーを売ろうとしている人たちへ。この分野は非常に難しい。データ、分布、需要の低さの問題に直面することになる。実際にこれを使うファンドは、すでに使っている。
• GPT の予測能力の源泉を理解しようとしている。モデルに財務アナリストの役割を与え、主要な財務比率を計算し、経済的解釈を提供するよう指示している。しかし、LLM は計算をするのではなく、次のトークンを予測する方式で動作する。
• Greg Diamos が Lamini で発表した決算説明会分析を思い出した。関連リンクは HuggingFace と GitHub で確認できる。
• より大きなコンテキストウィンドウを持つモデル（Gemini、Claude Opus）との比較があれば興味深かっただろう。そうでないなら、タイトルを「GPT-4を使った財務報告書分析」に変えたほうがよい。