GPT-4成功分析财务报表中的数字！（附股）
【新智元导读】GPT-4在为人类选股时，表现竟然超越了大部分人类分析师，和针对金融训练的专业模型？在没有任何上下文的情况下，它们直接就成功分析了财务报表，这一发现让许多业内大咖震惊了。然而好景不长，有AI大牛指出研究中的bug：之所以会这样，很可能是训练数据被污染了。
最近，各位业内大咖都被芝大的一篇论文震惊了。
研究者发现，由GPT-4帮忙选择的股票，直接击败了人类！同时也pk掉了许多其他针对金融训练的机器学习模型。
最让他们震惊的是，LLM可以在没有任何叙述上下文的情况下，就成功分析财务报表中的数字！
论文地址：
具体来说，在预测收益的变化上，LLM比经验丰富的金融分析师都更出色。尤其是在选股时，人类分析师会面临一些难以应对的场景，导致预测结果存在偏见、效率低下，这时LLM就表现出了巨大的优势。
并且，LLM做出的预测，不仅仅是回忆训练数据，比如GPT-4提供的有洞察力的分析，甚至能揭示一家公司未来潜在的表现。
GPT-4的表现一骑绝尘，直接比其他模型实现了更高的的夏普比率（ ratio）和阿尔法（alpha）。
沃顿商学院教授Ethan 盛赞：这是一篇众人翘首以盼的论文。
也有网友感慨道：以后在股市中操盘的，是人还是AI都不好说了……
然而，就在大家激动之时，有细心的研究人员给这项研究泼了冷水：之所以能取得这个结果，很可能是由于训练数据的污染造成的。
AI大牛田渊栋也表示，GPT-4的优异表现，不排除是训练数据集中包括了未来的股票价格，因此GPT-4直接开了挂，据此对2021年起的股票样本进行了选择。
至于测试GPT-4是否开了挂，理论上并不复杂：只要获取股票的历史纪录，将其重命名为某个新代码，将其输入来测试就可以了。
研究内容
怎样衡量LLM在未来决策中的作用？在这项研究中，研究者衡量的标准，就是让LLM进行财务报表分析（FSA）。
之所以进行FSA，主要是为了了解公司的财务健康状况，并确定其业绩是否可持续。
FSA并不简单，它是一个定量任务，需要大量分析趋势和比率，还涉及批判性思维、推理能力和复杂判断。通常，这个任务是由金融分析师和投资专业人士来完成的。
在研究中，研究者会将两份标准的财务报表——资产负债表和损益表扔给GPT-4 Turbo，它的任务是：分析公司接下来的收益是会增长还是下降。
注意，这项研究中有一个关键的设计，就是绝不向LLM提供任何文本信息，LLM能参考的，只有纯粹的报表。
研究者预测，LLM的表现，大概率会比专业的人类分析师差。
原因在于，分析财务报表这项任务，非常复杂，涉及许多模糊性的东西，需要很大常识、直觉和人类思维的灵活性。
而且，LLM目前的推理和判断能力还很不足，并且也缺乏对于行业和宏观经济的理解。
另外，研究者还预测LLM的表现也会弱于专用的机器学习应用，比如为收益预测的人工神经网络（ANN）。
因为，ANN允许模型学习深层次的交互，这些交互中包含了重要线索，通用模型是很难获取这些线索的。除非，通用模型能基于不完整的信息，或从未见过的情景，进行直觉推理、形成假设。
实验结果却令他们大吃一惊：LLM竟然pk掉了许多人类分析师和专用的神经网络，表现出了更优异的成绩！
实验步骤
评测LLM的具体表现如何，需要从以下两个步骤展开。
首先，研究人员对公司的财务报表进行匿名化和标准化处理，防止LLM记住公司的潜在可能。
特别是，他们从资产负债表和损益表中，省去了公司的名称，并用标签（如t和t-1）替换年份。
此外，研究者还按照的平衡模型，标准化资产负债表和损益表的格式。
这种方法，可以确保财务报表的格式，在所有公司年度统计中都是相同的，因此LLM也不知道其分析对应的是哪家公司或哪个时间段。
在第二阶段中，研究人员设计了一个指令，指导LLM进行财务报表分析，并确定未来收益方向。
除了简单的指令外，他们还开发了一个CoT指令，实际上是「教」LLM以人类金融分析师的思维过程进行分析。
具体来说，金融分析师在分析中会识别财务报表中显著的趋势，计算关键财务比率（如经营效率、流动性和杠杆比率），综合这些信息，并形成对未来收益的预期。
研究人员创建的CoT指令，便是通过一系列步骤，来实现这个思维过程。
在数据集选用上，研究人员使用数据库来测试模型的表现，并在必要时与IBES数据库交叉使用。
样本涵盖了从1968-2021年之间，15401家公司的个公司的年度数据。
分析师的样本涵盖了1983-2021年期间，包含3152家公司的39533个观察数据。
LLM为何如此成功
对于这个结果，研究者提出了两种假设。
第一种假设是，GPT的表现完全是由近乎完美的记忆驱动的。
GPT很可能是从数据中推断出了公司的身份和年份，然后将这些信息与新闻中学到的关于该公司的情感相匹配。
为此，研究者试图排除这种可能。并且，也使用了GPT-4训练期以外的全新数据，复制了结果。
第二种假设是，GPT之所以能推断出未来收益的方向，是因为生成了有用的见解模型。
比如，模型经常会计算金融分析师计算的标注比率，然后根据CoT提示生成分析这些比率的叙述。
为此，研究者将模型为给定公司年度生成的所有叙述汇总，并使用BERT将它们编码成768维向量（嵌入），然后将这些向量输入到ANN中，并训练它预测未来收益的方向。
结果，基于GPT叙述见解训练的ANN达到了59%的准确率，这几乎与GPT的预测准确率（60%）一样高。
这一结果直接证明，模型生成的叙述见解对未来表现具有信息性。
另外可以观察到，GPT的预测与基于GPT叙述的ANN预测之间，有94%的相关性，这就表明，这些叙述编码的信息是GPT预测的基础。而在解释未来收益方向上，与比率分析相关的叙述最为重要。
总之，模型之所以表现优越，原因就是来自于基于CoT推理生成的叙述。
实验结果
最新研究中的实验评估结果，可以总结为以下三大亮点。
GPT胜过人类金融分析师
为了评估分析师的预测准确性，研究者计算了「共识预测」（即财务报表发布后一个月内各个分析师预测的中位数），并将其作为下一年收益的预期。
这确保了分析师预测和模型预测结果的可比性。
此外，作者还使用了使用未来三个月和六个月的「共识预测」作为可替代的预期基准。
这些基准对LLM不利，因为它们整合了一年中所获得的信息。不过，考虑到分析师可能在将新信息纳入预测时较为迟缓，研究者选择报告这些基准以供比较。
研究人员首先对GPT在预测未来「收益方向」方面的表现进行了分析，并将其与证券分析师的表现进行了比较。
他们注意到预测每股收益（EPS）变化是一项高度复杂的任务，因为EPS时间序列近似于「 Walk」（随机游走）并且包含大量不可预测的成分。
随机游走反映了，仅根据当前收益与之前收益相比的变化的预测。
下图展示的是GPT和人类金融分析师的预测性能对比结果。
结果显示，第一个月分析师的预测，在预测未来收益方向方面的准确率为53%，这超过了简单模型（将前一年的变化外推）的49%准确率。
而分析师三个月和六个月后的预测准确率，分别为56%和57%，这是合理的，因其包含了更及时的信息。
基于「简单」非CoT提示的GPT预测表现为52%，低于人类分析师基准，这与研究者预期一致。
然而，当使用CoT模拟人类推理时，他们发现GPT的准确率达到了60%，显著高于分析师的表现。
如果再去核查F1-score（F1评分），这是一种评估模型预测能力的替代指标（基于其精确度和召回率的组合），也会得出类似的结论。
这表明，在分析财务报表以确定公司发展 方向方面， GPT明显击败了中位数金融分析师的表现。
坦白讲，人类分析师可能依赖于模型无法获得的软信息或更广泛的背景，从而增加了价值。
确实，研究人员还发现分析师的预测包含了GPT未捕捉到的，关于未来表现的有用见解。
此外，研究显示，当人类难以做出未来预测时，GPT的见解更有价值。
同样，在人类预测容易出现偏见或效率低（即未合理纳入信息）的情况下，GPT的预测在预测未来收益方向方面更有用。
GPT与专用神经网络不相上下
研究人员还比较了GPT和各种ML模型的预测精度。
他们选用了三种预测模型。
第一个模型「 」（逐步回归），遵循Ou and 框架，使用了59个财务指标预测变量。
第二个模型是，使用相同59个预测变量的ANN但也利用了它们之间的非线性和交互。
第三，为了确保GPT和ANN之间的一致性，研究人员还使用了，基于提供给GPT的相同信息集（损益表和资产负债表）训练的ANN模型。
重要的是，研究者基于每五年的历史数据使用 的观察数据来训练这些模型。所有预测都是样本外的（out of ）。
使用整个样本，研究发现「逐步回归」的准确率（F1评分）为52.94%（57.23%），这与人类分析师的表现相当，并且与之前的研究一致。
相比之下，使用相同数据训练的ANN达到了更高的准确率60.45%（F1评分61.62%），这处于最先进的收益预测模型的范围。
当使用GPT（with CoT）预测时，发现模型在整个样本上的准确率为60.31%，这与ANN的准确率非常接近。
事实上，GPT的F1评分显著高于ANN（63.45% vs. 61.6%）。
此外，当研究人员仅使用两份财务报表的数据（输入到GPT中）训练ANN时，发现ANN的预测能力略低，准确率（F1评分）为 59.02%（60.66%）。
总体而言，这些结果表明GPT的准确率与最先进的专用机器学习模型的准确率相当（甚至略高）。
ANN和GPT预测互补
研究人员进一步观察到，ANN和GPT的预测具有互补性，因为它们都包含有用的增量信息。
并且有迹象表明，当ANN表现不佳时，GPT往往表现良好。
特别是，ANN基于其在过去数据中看到的训练示例来预测收益。并且，鉴于许多示例非常复杂且高度多维，其学习能力可能受到限制。
相比之下，GPT在预测小型或亏损公司的盈利时，犯的错误相对较少，可能得益于其类似人类的推理和广泛的知识。
除此以外，研究者还进行了几项额外的实验，基于GPT对其答案的置信度对样本进行分区，并使用了不同的LLM家族。
当GPT以更高的置信度回答时，预测往往比置信度较低的预测更准确。
与此同时，研究证明了这一结果可以推广到其他大模型上。特别是，谷歌最近发布的 Pro，其准确率与GPT-4 不相上下。
