本报告研究了大型语言模型(GPT-4)在财务报表分析中的应用,发现其在仅基于标准化匿名财务数据的情况下,能够通过链式思维(CoT)推理超越专业财务分析师和传统机器学习模型(如人工神经网络ANN),预测未来盈利方向的准确率达到约60%以上,且GPT生成的财务叙述文本带有显著的信息量,有助于预测未来业绩。此外,基于GPT预测的投资策略在实证资产定价中表现优异,获得高夏普比率和阿尔法收益,显示LLMs在定量财务分析及决策中具备重要潜力
本报告围绕实证分析及方法创新,展现在财务数字解读领域,LLM不仅能辅助,更有望在未来成为核心参与者。
关键内容与论点
逻辑与假设
研究样本
该部分明确了研究的创新点与挑战:直接考察LLM在无文本上下文下的数字推理能力,并通过多层对比分析其相对优势与不足。
关键数据点分析
模型和预测趋势
GPT模型通过模仿人类思考流程(CoT提示),在仅凭数字财务数据的情况下,表现出超过人类分析师和相当于顶尖机器学习模型的能力,展现了其广泛通识知识和推理能力的重要作用。
该节清晰界定了数据管控和模型调用策略,确保实验的公平性与科学性,防止模型通过记忆而非推理获得结果。
该节表明GPT不是简单替代者,而是增强辅助者。其在传统分析师难以做到的场景显示出显著价值,预示AI与人类协作的新模式。
本节充分体现GPT及LLM通过结合广泛学习和结构化推理,在非语言纯数字预测领域具备与最优定制机器学习模型媲美甚至超越的能力。
本节严谨排除了模型靠记忆作弊的疑虑,确认GPT真实利用其推理与知识库,生成高含金量的叙述信息来支撑财务数字的预测,凸显LLM的推理能力。
该部分验证了GPT预测的经济价值,不仅仅是统计准确,更具备可转化成盈利的实用效能,显示其潜在实际投资应用价值。
本报告并非针对某单一公司具体估值,而是聚焦预测盈利变化方向作为估值分析的基础。通过预测未来盈利变化,模型间接为股价形成提供了关键的基本面信息。
预测目标是盈利的增减趋势,核心是在估值理论中作为未来现金流和收益的关键输入变量。
基于盈利方向预测,我们实施了股票组合排序策略,并评估基于GPT与机器学习模型的盈利预测构建的交易策略表现,密切关联估值的现实应用价值。
报告并未单独设风险章节,但在文本及实证分析中多处涉及实际风险:
报告虽未直接提出缓解策略,但通过说明模型互补性质和置信度分级提供了实用途径帮助用户规避风险。
本报告通过严格设计与大规模实证验证,揭示了大型语言模型(特别是GPT-4 Turbo)在无任何文本上下文辅助下,仅凭匿名且统一格式的财务报表数据,能够执行类似专业金融分析师的财务分析任务,准确预测企业未来盈利方向。关键发现包括:
同时,报告理性提示该领域仍面临诸多挑战和不确定性,技术演进、数据适应性、复杂场景适用性和实际投资风险均需进一步研究和验证。
整体来看,该报告为LLM在金融领域的研究树立了扎实的基准,验证了通用智能AI模型结合专业推理提示技术实现“跨域能力”的巨大潜能,具有极高的学术及应用价值。
图1:研究设计和GPT处理流程示意
图2:GPT与分析师预测准确率及F1比较
图3:GPT与机器学习模型预测性能对比
图4:预测准确率时间趋势及与ANN差异
图5:基于置信度、预测幅度及模型版本的GPT表现分层
图6:GPT记忆力测试——公司名和年份猜测分析
图7:GPT生成文本财务词频分析
图8:基于GPT预测的等权多空投资组合累计收益走势
本报告全面、系统地检验了LLM在财务数字分析领域的应用潜力,系统设计严谨、数据充实、验证多元。研究突破了LLM只能处理语言文本的认知偏见,实证显示GPT-4凭借结构化推理和广泛知识库,在复杂的金融报表分析中表现出卓越能力,拓展了AI在金融分析和决策支持领域的革命性应用边界,堪称财务智能化重要里程碑。
SSRN-id4835311.pdf