我要评论【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：https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4835311
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夏普比率（sharpe ratio）和阿尔法（alpha）。
沃顿商学院教授 ethan mollick 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记录，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 compustat 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 compustat 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 150678 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「random 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「stepwise logistic」（逐步回归），遵循 ou and penman 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 compustat 的观察数据来训练这些模型。所有预测都是样本外的（out of sample）。
使用整个 compustat 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 gemini pro，其准确率与 gpt-4 不相上下。
预测来源：增长和营业利润率
下图显示了，gpt 响应中，双词（bigram）和单词（monogram）的频率统计。
这里，双词指的是由两个连续的单词组成，在文本中一起使用；单词指的是一个单词。
图左展现的是「双词」的结果，gpt 关于财务比率分析的答案中发现的十个最常见的「双词」。
图右列出的是，gpt 对二元盈利预测（binary earnings predictions）中，出现频率最高的十个单词。
之所以做这项分析，是为了确定 gpt 在不同财务分析环境中，使用最常见的术语和短语。
有趣的是，「营业利润率」（operating margin）和「增长」（growth）这两个词的预测力最高。
看来，gpt 似乎已经内化了「40 法则」。
总之，所有结果表明，ai 加速发展，金融分析师的角色将会改变。
不可否认，人类专业知识和判断力不太可能在短期内被完全取代。
但像 gpt-4 这样强大的 ai 工具可能会极大地增强和简化分析师的工作，甚至可能在未来几年里，重塑财务报表分析这一领域。
参考资料：
https://www.newsletter.datadrivenvc.io/p/financial-statement-analysis-with
https://x.com/tydsh/status/1794137012532081112
https://x.com/emollick/status/1794056462349861273
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4835311
发表评论