- 대형 언어 모델(LLM)이 전문 인간 분석가와 유사하게 재무제표 분석을 성공적으로 수행할 수 있는지 조사
- 표준화되고 익명화된 재무제표를 GPT-4에 제공하고, 모델이 미래 수익의 방향을 예측하도록 지시
- 주요 발견
- 예측 성능: LLM은 내러티브나 산업별 정보 없이도 수익 변화 예측에서 금융 분석가를 능가함
- 상대적 우위: 분석가들이 어려움을 겪는 상황에서 LLM이 상대적 우위를 보임
- 예측 정확도: LLM의 예측 정확도는 좁게 훈련된 최신 ML 모델의 성능과 동등함
- 내러티브 통찰: LLM의 예측은 훈련된 메모리에서 비롯된 것이 아니라, 회사의 미래 성과에 대한 유용한 내러티브 통찰을 생성함
- 거래 전략: GPT의 예측을 기반으로 한 거래 전략은 다른 모델 기반 전략보다 높은 샤프 비율과 알파를 제공함
GN⁺의 의견
- LLM의 잠재력: 대형 언어 모델이 재무 분석에서 인간 분석가를 능가할 수 있다는 점은 금융 업계에 큰 변화를 가져올 수 있음. 이는 자동화된 분석 도구의 발전 가능성을 시사함.
- 모델의 투명성: LLM이 내러티브 통찰을 제공한다는 점은 모델의 예측 과정이 더 투명하고 이해하기 쉬울 수 있음을 의미함. 이는 금융 분석가들이 모델을 신뢰하고 활용하는 데 도움이 될 수 있음.
- 거래 전략의 유용성: GPT 기반 거래 전략이 높은 성과를 보인다는 점은 투자자들에게 큰 매력을 줄 수 있음. 그러나 이는 모델의 예측이 항상 정확하다는 보장은 아니므로 신중한 접근이 필요함.
- 기술 도입 고려 사항: 데이터의 품질과 모델의 훈련 과정이 중요함. 또한, 모델의 예측이 실제 시장 상황과 어떻게 일치하는지 지속적으로 검토해야 함.
- 관련 기술 및 프로젝트: 금융 분석에서 유사한 기능을 제공하는 다른 프로젝트로는 AlphaSense, Kensho, 그리고 Bloomberg의 GPT-3 기반 분석 도구 등이 있음. 이들 도구와의 비교를 통해 LLM의 장단점을 더 명확히 이해할 수 있음.