ChatGPT和Google Gemini等大型語言模型（LLM）擅長在大型數據集上進行訓練，以生成對提示的信息豐富的響應。曹毅，喬治梅森大學唐納德·G會計學助理教授。科斯特洛商學院和科斯特洛商學院會計副教授兼區域主席陳龍正在積極探索個人投資者如何使用有限責任公司來眼花繚亂的大量可用數據。
他們的新工作論文發表在《SSRN電子期刊》上，由佛羅里達大學的Jennifer Wu Tucker和麻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。
曹將這一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行的價值。在房地產市場，我們根據附近可比房產的價值（即所謂的「補償」）來設定房屋價格。「在我們的論文中，我們的目標是利用LLM的力量來確定用於評估公司價值的比較。
這項任務至少是困難且必要的。為同事收集、總結和管理數據需要大量時間、技能和精力。然而，研究人員得出的結論是，LLM可以為個人投資者完成匯總和分析大量數據的繁重工作，並生成由人類專家確定的具有可比有效性的同行列表。
曹說：「優勢在於能夠利用所有潛在信息，這樣它至少可以像其他傳統方法一樣工作，幫助我們投資者和研究人員。」
在這項研究中，Chen和Cao聘請了Google的Bard（現在稱為「Gemini」）作為他們的LLM，因為「Bard有更強的能力利用其預訓練數據，可以說該數據比ChatGPT更大，參數更多，」Cao說。
在定義了「產品市場競爭」並為巴德提供線索後，研究人員指示巴德將他的知識庫限制在1981年至2023年之間的特定年份，以避免「前瞻性偏見」，即未來信息混亂的結果。
他們將重點公司限制為大型上市公司，因為小型或私營公司的數據較少。總而言之，該數據集包含超過300，000個重點公司年。
平均而言，LLM可以為一家焦點公司產生大約7家同行公司，這一數字類似於美國證券交易委員會（SEC）關於公司應如何披露其部門的建議。
然後，研究人員將LLM的表現與三位人類專家為40家領先計算機軟體公司生成的列表進行了比較。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列表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際網路行業分類（TNIC），後者根據10-K中的語言相似性對公司進行比較。LLM和TNIC的產出之間存在很大重疊。此外，LLM確定的同行通常比SIC和TNIC的同行更適合，因為他們的月度股權回報率更接近重點公司。
但TNIC在識別樣本中中型公司的同行方面優於LLM，這表明這並不是LLM普遍優勢的明顯案例。
曹指出：「我們需要明白，LLM實際上是一種非常強大的新工具，其效率、低成本處理大量信息的能力以及公眾的可訪問性都是無與倫比的。」
陳補充道：「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。」
關於LLM的未來，陳說：「使用生成式人工智慧總是有成本和收益。目前尚不清楚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做出明智判斷的利弊，」因為人工智慧不能對其提供的信息或使用方式負責。"
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沒有完美的狀態。改進技術的競爭非常激烈。我們的發現可能只是該技術有效性的下限。"
如果您想了解更多信息，可以單擊視頻下方的連結。
感謝您觀看此視頻。如果您喜歡，請訂閱並點讚。謝謝
原文：https://techxplore.com/news/2024-08-generative-ai-closer-automating-investment.html
更多信息：曹毅等人，生成性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 Electronic Journal（2024）。DOI：10.2139/ssrn.4761624
更多信息：曹毅等人，生成式人工智慧能否幫助投資者？對機器生成的同行公司的評估，SSRN Electronic Magazine（2024）。DOI：10.2139/ssrn.4761624
輸油管：