生成式人工智慧讓我們更接近自動化投資專業知識
ChatGPT 和 Google Gemini 等大型語言模型 ( LLMs ) 擅長在大型資料集上進行訓練，以產生針對提示的資訊豐富的回應。喬治梅森大學唐納德·G·科斯特洛商學院會計學助理教授曹毅和科斯特洛商學院會計學副教授兼區域主席陳龍正在積極探索個人投資者如何利用LLMs從有關公司的大量可用數據令人眼花撩亂。
他們的新工作論文發表在SSRN Electronic Journal上，由佛羅裡達大學的 Jennifer Wu Tucker 和馬薩諸塞大學波士頓分校的 Chi Wan 共同撰寫，研究了人工智慧識別「同行公司」或行業中產品市場競爭對手的能力。
曹將這個過程與房地產市場聯繫起來，解釋了選擇同行的重要性。 「資本市場與房地產市場類似，公司的價值部分取決於同業的價值。在房地產市場中，我們根據附近可比較房產的價值對房屋進行定價，或所謂的『補償』。在我們的論文中，我們的目標是利用LLMs的力量來確定用於評估公司價值的比較。
這項任務至少是艱鉅的，也是必要的。收集、匯總和管理資料以供選擇的同行需要大量的時間、技能和精力。然而，研究人員推斷， LLMs可以為個人投資者完成大量數據匯總和分析的繁重工作，並產生一份與人類專家確定的有效性相當的同行名單。
曹說：“優勢在於能夠利用所有潛在的信息，這樣它至少能像其他傳統方法一樣發揮作用，為我們投資者和研究人員提供幫助。”
在這項研究中，Chen 和 Cao 聘請了來自 Google 的 Bard（現在被稱為“Gemini”）作為他們選擇的LLM ，因為“Bard 具有更強的利用其預訓練數據的能力，這些數據可以說比ChatGPT 更大且參數更多， 」曹說。
在定義“產品市場競爭”並為巴德形成提示後，研究人員指示巴德將其知識庫限制在1981年至2023年期間的特定年份，以避免“前瞻偏差”，即未來資訊混亂結果。
他們將焦點公司限制為大型上市公司，因為小型或私人公司的數據較少。總之，該資料集包含超過 30 萬個焦點公司年。
平均而言， LLM可以為一家焦點公司產生大約七家同行公司，這個數字與美國證券交易委員會關於公司應如何披露其部門的建議類似。
研究人員隨後將LLM的表現與三位人類專家為 40 家領先電腦軟體公司產生的清單進行了比較。平均重疊率略高於 40%，高於預期。
他們還將人工智慧識別的同行清單與兩個用於識別同行的替代系統進行了比較：聯邦政府的標準行業分類（SIC）代碼和基於文本的網絡行業分類（TNIC），後者根據10-K中的語言相似性對公司進行比較備案。 LLM的產出與 TNIC 的產出有很大重疊。此外， LLM確定的同業通常比 SIC 和 TNIC 的同行更適合，因為它們的月度股票回報率更接近焦點公司。
但 TNIC 在識別樣本中中型企業的同行方面優於LLM ，這表明這並不是LLM普遍優越的明確案例。
「我們需要明白， LLMs實際上是一種非常強大的新工具，其效率、以低成本處理大量資訊的能力以及對公眾的可及性是無與倫比的，」曹指出。
「這對個人投資者特別有利，因為我們談論的所有成本問題都與他們特別相關，」陳補充道。
關於LLM的未來，陳表示，“使用生成式人工智慧總是有成本和收益。目前還不確定當前的系統是否會很快過時。”當被問及美國證券交易委員會為投資者採用人工智慧工具時，陳強調，用戶需要了解使用人工智慧的利弊才能做出明智的判斷，「因為人工智慧不能對其提供的資訊或其使用方式負責。
陳總結道：“我們需要擁抱這項新技術，但我們必須認識到它還不是完美的狀態。改進技術的競爭非常激烈。我們的發現可能只是代表了該技術有效性的下限。”
如果想详细了解，可以点开视频下方的链接。
谢谢观看本视频。要是喜欢，请订阅、点赞。谢谢
原文：https://techxplore.com/news/2024-08-generative-ai-closer-automating-investment.html
More information: Yi Cao et al, Can generative AI assist investors? An evaluation of machine-generated peer firms, SSRN Electronic Journal (2024). DOI: 10.2139/ssrn.4761624
更多資訊： Yi Cao 等人，生成式人工智慧可以幫助投資者嗎？對機器生成的同行公司的評估， SSRN 電子雜誌(2024)。 DOI：10.2139/ssrn.4761624
