Analitycy finansowi stają się zbędni. SI potrafi lepiej inwestować
Uczeni z uniwersytetu w Chicago postanowili sprawdzić jak konsumenckie Duże Modele Językowe, bez uprzedniego trenowania na konkretnym zbiorze danych, radzą sobie z analizą wyników finansowych przedsiębiorstw. Wyniki eksperymentu to bardzo złe wieści dla wielu analityków.
Ideą opublikowanego na SSRN badania było sprawdzenie tych Dużych Modeli Językowych, które obsługują złożone zapytania i które nie zostały poddane specjalistycznemu treningowi na konkretny temat czy zagadnienie. Owe modele miały za zadanie przeprowadzić analizę finansową przedsiębiorstwa i oszacować kierunek i trendy przyszłych przychodów. Drogą eliminacji wybrano dwa modele: GPT-4 od OpenAI oraz Claude 3 od Anthropic.
Brak uprzedniego szkolenia jest tu szczególnie ważny. Wiemy, że większość Dużych Modeli radzi sobie znacznie lepiej, gdy paradoksalnie obniży się im zestaw wiedzy i źródeł. Model trenowany wyłącznie na danych finansowych będzie się po nich poruszał znacznie sprawniej i nie będzie miał skłonności do halucynowania nieprawdziwych informacji (a raczej zostanie to znacząco ograniczone). Tyle że nie każdy użytkownik ma możliwość wytrenowania takiego modelu. Okazuje się, że w przypadku danych finansowych… nie musi.
GPT-4 okazał się znakomitym doradcą finansowym
Wskaźnik Sharpe’a to miara, która pozwala ocenić stosunek premii uzyskiwanej z danego portfela inwestycyjnego przez inwestora do poniesionego ryzyka. Im wyższy jest ten wskaźnik, tym korzystniejsze dla inwestora jest otwarcie pozycji przy tym samym ryzyku. Umożliwia porównanie portfeli inwestycyjnych o różnych stopach zwrotu oraz o różnych poziomach ryzyka. Normalizuje uzyskane wyniki, a portfele o wyższej wartości współczynnika Sharpe’a uzyskują większe stopy zwrotu przy takim samym poziomie ryzyka. Ujemna wartość wskaźnika oznacza, że portfel osiągnął stopę zwrotu niższą niż stopa wolna od ryzyka.
Wskaźnik Sharpe’a jest użyteczny w analizie fundamentalnej do określenia ryzyka podejmowanego przy inwestycjach. Lepsza inwestycja ma wyższy współczynnik Sharpe’a, co oznacza mniejsze dodatkowe ryzyko przy zachowaniu korzystnego zwrotu. Zarówno GPT-4 jak Claude 3 osiągały bardzo wysokie wskaźniki, często wyższe od drobiazgowej analizy specjalistów.
Nie przegap:
GPT-4 pokonał ludzkich inwestorów bazując tylko na sprawozdaniach finansowych. Bez kontekstu informacji, który znała ludzka konkurencja
Narzędzia SI, w tym GPT, mogą znacznie usprawnić i przyspieszyć analizę danych poprzez automatyzację rutynowych zadań, takich jak przetwarzanie dokumentów, generowanie raportów finansowych i identyfikacja trendów na rynku. GPT może pomóc w przewidywaniu przyszłych wydarzeń finansowych na podstawie dostępnych danych.
Jednak ważne jest, aby zrozumieć, że komplementarność między narzędziami SI a analitykami finansowymi jest kluczowa. Analitycy posiadają wspomnianą wiedzę branżową, zrozumienie kontekstu rynkowego i zdolność do kreatywnego myślenia, które są trudne do zastąpienia przez maszyny - tym niemniej GPT-4 i Claude 3 poradziły sobie z tym problemem. Wzięły nawet pod uwagę czynniki społeczne, polityczne i psychologiczne, które nie są łatwo uchwytne przez algorytmy.
Na szczęście dla analityków, zasadza działania GPT i konkurencji nie wyklucza możliwości wystąpienia halucynacji
To z kolei oznacza, że w przewidywalnej przyszłości narzędzia te nadal będą wymagały nadzoru ludzi, przynajmniej jeszcze przez pewien czas. Osobną sprawą są niskokompetencyjni pracownicy umysłowi, których GPT de facto automatyzuje i zastępuje. Te kilka lat do faktycznie masowego wdrożenia Dużych Modeli Językowych w firmach może okazać się zbyt krótkim czasem, by zdążyć się przekwalifikować czy zdobyć nowe kompetencje do pracy.
Wystarczy sobie przypomnieć jak ułomny był GPT-3.5 i jak imponujące są GPT-4 Turbo oraz GPT-4o - i zdać sobie sprawę, że między nimi jest raptem kilkanaście miesięcy rozwoju. Co będzie za kilka lat? Wyobraźni nieco nie starcza, ale jedno jest pewne: wiele osób będzie musiało w szybkim czasie nauczyć się nowego zawodu.
