KI ist so gut bei der Vorhersage von Unternehmensergebnissen, dass sie so manchen Analysten übertreffen kann, behaupten Forscher

Eine bevorstehende Forschungsarbeit der University of Chicago Booth School of Business legt nahe, dass Large Language Models (LLMs), eine Art KI, die darauf trainiert ist, Inhalte zu verstehen und zu generieren, in der Lage sind , einige Finanzanalysten bei der „Vorhersage der Richtung künftiger Erträge“ zu übertreffen. Die Forscher veröffentlichten ihre Ergebnisse bereits als ungeprüften Entwurf.

Mithilfe von Gedankenketten-Anregungen, die Sprachmodellen dabei helfen, komplexe Denkaufgaben auszuführen, indem sie diese in kleinere Schritte zerlegen, können diese Modelle – davon generative vortrainierte Transformatoren (GPTs) sind eine Art und haben offenbar eine Genauigkeit von 60,4 %. Das ist 7 Prozentpunkte mehr als die durchschnittliche Analystenprognose laut der Studie.

Dies ist bemerkenswert, da die Forscher das Sprachmodell über die Bilanz und die Gewinn- und Verlustrechnung hinaus nicht mit Erzählungen oder Kontexten versehen haben.

Die Fähigkeit des Modells, Finanzberichte zu analysieren und die Richtung künftiger Ertragsrenditen vorherzusagen, war mit einfachen, prompten Anweisungen vergleichbar mit den Konsensprognosen der Analysten im ersten Monat, so die Studie.

„Zusammengefasst lassen unsere Ergebnisse darauf schließen, dass GPT menschliche Analysten übertreffen kann, indem es Bilanzanalysen auch ohne spezifische narrative Kontexte durchführt“, schreiben die Forscher.

Sie fügten hinzu, dass die Ergebnisse die Bedeutung einer „menschenähnlichen Schritt-für-Schritt-Analyse“ unterstreichen, die dem Modell dabei hilft, die Schritte zu befolgen, die Analysten normalerweise durchführen.

Dem Bericht zufolge waren die Prognosen des Sprachmodells wertvoller, wenn menschliche Vorurteile oder Ineffizienzen, wie etwa Meinungsverschiedenheiten, vorhanden waren.

Wie bei Menschen waren auch die Vorhersagen von GPT nicht perfekt. Sie sind wahrscheinlicher ungenauer, wenn ein Unternehmen kleiner ist, eine höhere Verschuldungsquote hat, Verluste verzeichnet oder schwankende Erträge erzielt, weil der Kontext bei Vorhersagen für kleinere oder variablere Unternehmen tendenziell eine größere Rolle spielt.

Während sowohl GPT als auch Analysten mehr Schwierigkeiten haben mit Prognosen zu haben, wenn die Unternehmen kleiner sind oder einen Verlust melden, können Analysten mit komplexen finanziellen Umständen in der Lage besser umgehen, wahrscheinlich weil sie weiche Informationen und Kontexte berücksichtigen, die außerhalb der Finanzberichte zu finden sind.

„Unsere Ergebnisse weisen auf das Potenzial von LLMs hin, die Verarbeitung von Finanzinformationen zu demokratisieren, und sollten für Anleger und Regulierungsbehörden von Interesse sein“, schlussfolgerten die Autoren des Berichts und merkten an, dass Sprachmodelle für Anleger mehr als nur ein Werkzeug sein und eine aktivere Rolle bei der Entscheidungsfindung spielen können.

Der Bericht warnte jedoch, dass die Leistung von KI in der Praxis anders aussehen könnte. „Ob KI die menschliche Entscheidungsfindung auf Finanzmärkten in der Praxis wesentlich verbessern kann, bleibt abzuwarten“, schrieben die Autoren und fügten hinzu, dass „GPT und menschliche Analysten sich ergänzen und nicht ersetzen“.