approfondimento

Analisi finanziaria: se i LLM superano le capacità umane



Indirizzo copiato

Un paper pubblicato di recente dimostra come i modelli di linguaggio di grandi dimensioni, come GPT-4, superino gli analisti finanziari nella accuratezza della previsione, segnando un potenziale cambio di paradigma nell’analisi dei bilanci

Pubblicato il 10 lug 2024

Maurizio Carmignani

Management Consultant, Trainer, Startup Advisor



GPT-4 analisi finanziaria

L’avvento dei modelli di linguaggio di grandi dimensioni (LLM) ha trasformato vari settori, dalla medicina all’intrattenimento, promettendo di rivoluzionare anche il settore finanziario. Un paper recente realizzato da Alex G. Kim, Maximilian Muhn e Valeri V. Nikolaev presso l’Università di Chicago intitolato “Financial Statement Analysis with Large Language Models” esplora l’applicazione di questi modelli nell’analisi dei bilanci aziendali, una pratica fondamentale per valutare la salute finanziaria di un’impresa e prevedere le sue performance future.

Tradizionalmente, questa analisi è stata il dominio di analisti finanziari esperti, che utilizzano la loro esperienza e intuizione per interpretare i dati finanziari. Il grado crescente di capacità dei LLM di analizzare, interpretare e generare testi complessi ha sollevato la questione se questi modelli possano eguagliare o addirittura superare gli esseri umani in questo campo.

Lo studio: nell’analisi finanziaria, gli LLM eguagliano l’uomo?

Lo studio esamina se un LLM, come GPT-4, possa effettuare l’analisi finanziaria con la stessa efficacia di un analista umano. L’obiettivo del paper era di quello di verificare se il modello potesse superare gli analisti umani, specialmente in situazioni complesse, dove la profondità e l’esperienza giocano un ruolo cruciale. I risultati hanno un potenziale dirompente: se GPT-4 e modelli simili possono fornire previsioni accurate delle performance future, ciò potrebbe segnare un punto di svolta significativo nel settore finanziario, riducendo la dipendenza dagli analisti umani e migliorando l’efficienza delle operazioni aziendali. Il paper si inserisce in un contesto effervescente e di rapida evoluzione, dove l’intelligenza artificiale (AI) sta assumendo ruoli sempre più centrali nei processi aziendali. Le applicazioni spaziano dalla previsione della domanda alla gestione delle catene di approvvigionamento, fino all’ottimizzazione dei portafogli di investimento. L’analisi dei bilanci con LLM potrebbe rappresentare il prossimo passo in questa evoluzione, offrendo un mezzo per gestire e interpretare grandi volumi di dati finanziari con velocità e precisione senza precedenti.

I ricercatori hanno impostato una dimensione empirica rigorosa, fornendo a GPT-4 bilanci aziendali standardizzati e anonimi, chiedendo al modello di prevedere la direzione delle performance future. Questo approccio aveva l’obiettivo di eliminare qualsiasi pregiudizio derivante dalla conoscenza contestuale o dall’identificazione delle aziende, focalizzandosi puramente sull’analisi numerica. I risultati sorprendenti di questa ricerca mostrano come GPT-4, utilizzando particolari tecniche di prompting come il “chain-of-thought” (CoT), non solo compete con gli analisti umani, ma spesso li supera, aprendo nuove prospettive per l’uso dell’AI nel settore finanziario.

Lo studio: la metodologia utilizzata

Come indicato in premessa, i ricercatori hanno impostato un esperimento rigoroso e sistematico. Gli autori hanno utilizzato bilanci aziendali standardizzati e anonimi, per eliminare eventuali pregiudizi derivanti dal contesto, limitandosi esclusivamente all’analisi numerica dei dati finanziari. Una delle chiavi di volta dello studio è stata l’implementazione dei prompt di tipo “chain-of-thought” (CoT), che guidano il modello attraverso un processo di “ragionamento” passo-passo, emulando il lavoro degli analisti finanziari. Il modello è stato istruito a identificare cambiamenti significativi nei dati di bilancio, calcolare i principali rapporti finanziari (ad esempio, efficienza operativa, liquidità, leva finanziaria) e sintetizzare queste informazioni per creare previsioni relative alle performance future.

Gli autori hanno utilizzato dati provenienti dal database Compustat, che coprono un periodo che va dal 1968 al 2021. Il campione di dati comprendeva 150.678 osservazioni annue relative a diverse aziende, con un totale di 15.401 aziende diverse incluse nello studio. Nello studio i dati dei bilanci aziendali sono stati standardizzati secondo il modello di equilibrio di Capital IQ. Il modello di equilibrio di Capital IQ è un framework standardizzato utilizzato per presentare e analizzare i dati finanziari delle aziende. Capital IQ, un prodotto di S&P Global Market Intelligence, fornisce dati finanziari e strumenti di analisi agli utenti, tra cui investitori, analisti e professionisti finanziari.

Questo ha permesso di assicurare che tutti i dati fossero presentati in modo coerente, facilitando l’analisi automatizzata da parte di GPT-4. L’uso di un modello standardizzato come quello di Capital IQ ha migliorato la qualità e la comparabilità dei dati, contribuendo alla validità delle previsioni fatte dal modello AI. Inoltre, ogni bilancio è stato privato di qualsiasi informazione identificativa, come il nome dell’azienda o le date dei bilanci, per garantire che il modello non potesse riconoscere le aziende basandosi sulla memoria dei dati di addestramento.

Come è stata testata l’efficacia delle previsioni di GPT-4 nell’analisi finanziaria

Per testare l’efficacia delle previsioni di GPT-4, gli autori hanno confrontato le performance del modello con quelle degli analisti finanziari e di altri modelli di machine learning. In particolare, hanno utilizzato le previsioni degli analisti raccolte nei tre mesi successivi al rilascio dei bilanci aziendali e modelli di machine learning come la regressione logistica stepwise e le reti neurali artificiali (ANN). Le previsioni sono state valutate in termini di accuratezza e F1-score, un parametro che combina precisione e recall per fornire una misura complessiva della performance predittiva. Gli esperimenti hanno rivelato che l’accuratezza di GPT-4 nelle previsioni dei guadagni futuri era significativamente superiore a quella degli analisti finanziari, con una precisione del 60% rispetto al 53% degli analisti umani. Anche rispetto ai modelli di machine learning specializzati, GPT-4 ha mostrato performance comparabili, dimostrando la sua capacità di adattarsi a nuovi schemi e dati mai visti prima.

GPT-4 analisi finanziaria

Lo studio: i principali risultati di GPT-4 nell’analisi finanziaria

I risultati dello studio sono stati sorprendenti e hanno messo in luce la straordinaria capacità di GPT-4 di analizzare i bilanci aziendali e prevedere la direzione dei guadagni futuri. Utilizzando i prompt di tipo “chain-of-thought” (CoT), GPT-4 ha raggiunto un’accuratezza del 60% nel prevedere se i guadagni futuri di un’azienda aumenteranno o diminuiranno. Questo risultato supera significativamente la performance media degli analisti finanziari, che si attesta intorno al 53%.

Il modello ha dimostrato una particolare efficacia nelle previsioni per le aziende più piccole e in perdita, situazioni in cui gli analisti umani tendono a fare maggiori errori. Questo suggerisce che GPT-4 è in grado di gestire con successo le complessità e le variabilità che spesso confondono gli analisti umani. Inoltre, il modello ha mostrato una robusta capacità di identificare e analizzare tendenze e rapporti finanziari cruciali, come la liquidità e l’efficienza operativa, contribuendo a previsioni più accurate e affidabili. Il confronto con altri modelli di machine learning, come la regressione logistica stepwise e le reti neurali artificiali (ANN), ha ulteriormente evidenziato le potenzialità di GPT-4. Mentre la regressione logistica stepwise ha raggiunto un’accuratezza del 52,94%, le reti neurali artificiali hanno ottenuto una performance simile a GPT-4, con un’accuratezza del 60,45%. Tuttavia, GPT-4 ha dimostrato un F1-score più elevato, suggerendo una maggiore capacità del modello di bilanciare precisione e recall nelle sue previsioni.

Performance migliori utilizzando il metodo CoT

Un aspetto interessante emerso dallo studio è stato l’incremento delle performance di GPT-4 quando utilizzato con il metodo CoT. Rispetto a un prompt semplice, che ha ottenuto un’accuratezza del 52,33%, il CoT ha migliorato significativamente le previsioni del modello, dimostrando l’importanza di guidare il modello attraverso un processo di ragionamento strutturato e umano. Infine, lo studio ha esaminato l’uso di GPT-4 in strategie di trading basate sulle sue previsioni, riscontrando che queste strategie generavano un alfa e un Sharpe ratio superiori rispetto a quelle basate su altri modelli. Questo risultato suggerisce che l’integrazione di GPT-4 nelle pratiche di analisi finanziaria potrebbe portare a decisioni di investimento più informate e redditizie.

GPT-4 a confronto con gli analisti finanziari

Uno degli aspetti più rilevanti dello studio è stato il confronto diretto tra le previsioni di GPT-4 e quelle degli analisti finanziari. Gli analisti finanziari, tradizionalmente considerati esperti nell’interpretazione dei bilanci aziendali, utilizzano una combinazione di dati numerici, intuizione e contesto narrativo per formulare le loro previsioni. Tuttavia, i risultati dello studio dimostrano che GPT-4, utilizzando esclusivamente dati numerici, può superare gli analisti umani in termini di accuratezza predittiva. Gli analisti finanziari hanno raggiunto un’accuratezza del 52,71% nelle previsioni a un mese dalla pubblicazione dei bilanci, con un leggero miglioramento al 55,95% e al 56,58% rispettivamente a tre e sei mesi. Questo aumento di accuratezza nel tempo può essere attribuito alla disponibilità di informazioni aggiuntive man mano che l’anno avanza, permettendo agli analisti di affinare le loro previsioni. GPT-4 però ha ottenuto un’accuratezza del 60,35% utilizzando i prompt CoT, superando nettamente le previsioni degli analisti anche a sei mesi.

Questo risultato è particolarmente significativo dato che GPT-4 non aveva accesso a informazioni narrative o contestuali, basandosi esclusivamente sui dati numerici dei bilanci.

La capacità di GPT-4 di prevedere performance future in contesti complessi

Un’altra dimensione esplorata dallo studio è stata la capacità di GPT-4 di prevedere le performance future in contesti complessi. Gli analisti finanziari, nonostante la loro esperienza, possono essere influenzati da bias cognitivi e limitazioni nell’elaborazione di grandi volumi di dati non strutturati. GPT-4, invece, ha dimostrato di poter elaborare rapidamente grandi quantità di dati, identificando pattern e tendenze che potrebbero sfuggire all’analisi umana. Questo è particolarmente evidente nei casi di aziende più piccole o in perdita, dove GPT-4 ha superato le previsioni degli analisti umani. Inoltre, lo studio ha evidenziato come gli analisti finanziari tendano a produrre previsioni con una componente di bias e inefficienza, particolarmente pronunciata in periodi di incertezza economica o in settori altamente volatili.

In questi contesti, le previsioni di GPT-4 si sono dimostrate più affidabili, suggerendo che il modello può integrare o addirittura sostituire alcune delle funzioni tradizionalmente svolte dagli analisti umani.

Il potenziale di complementarità dell’output fra GPT-4 e gli analisti finanziari

Infine, lo studio ha esplorato il potenziale di complementarità e di potenziamento dell’output tra GPT-4 e gli analisti finanziari. In molti casi, le previsioni del modello e degli analisti possono essere utilizzate insieme per migliorare ulteriormente l’accuratezza complessiva. Ad esempio, le previsioni degli analisti possono essere utilizzate per fornire un contesto narrativo che GPT-4 può elaborare, mentre le capacità di calcolo e analisi dei dati del modello possono affinare le previsioni degli analisti. In sintesi, il confronto tra GPT-4 e gli analisti finanziari ha messo in luce le potenzialità dei modelli di linguaggio di grandi dimensioni nell’analisi finanziaria, suggerendo che questi strumenti avanzati potrebbero diventare parte integrante del processo decisionale nelle aziende, migliorando l’efficienza e l’accuratezza delle previsioni finanziarie.

Quali implicazioni per il settore finanziario

Le implicazioni dei risultati ottenuti dallo studio sono profonde e potrebbero segnare un cambiamento radicale nel settore finanziario. Se i modelli di linguaggio di grandi dimensioni come GPT-4 possono fornire analisi accurate e affidabili dei bilanci aziendali, potrebbero diventare strumenti centrali nel processo decisionale finanziario. Questo ridurrebbe significativamente la dipendenza dagli analisti umani, migliorando l’efficienza operativa delle aziende e potenzialmente trasformando le dinamiche di lavoro all’interno delle istituzioni finanziarie.

Una delle implicazioni più immediate è l’automazione di compiti analitici complessi. GPT-4 ha dimostrato di poter analizzare rapidamente grandi volumi di dati finanziari, identificando schemi e tendenze con una precisione che eguaglia o supera quella degli analisti umani. Questo potrebbe liberare risorse significative all’interno delle aziende, permettendo agli analisti di concentrarsi su compiti strategici e di valore aggiunto, come l’interpretazione qualitativa dei dati e la formulazione di strategie di investimento.

La capacità di GPT-4 di fornire previsioni accurate nell’analisi finanziaria potrebbe offrire un vantaggio competitivo

Inoltre, l’uso di GPT-4 potrebbe migliorare significativamente la rapidità e la reattività delle analisi finanziarie. In un contesto in cui le decisioni tempestive sono cruciali, la capacità di GPT-4 di fornire previsioni rapide e accurate potrebbe offrire un vantaggio competitivo alle aziende che adottano questa tecnologia. Le previsioni accurate e tempestive potrebbero tradursi in migliori decisioni di investimento, ottimizzazione delle risorse e gestione del rischio. Le implicazioni non si fermano alla singola azienda, ma si estendono anche al settore finanziario nel suo complesso. L’adozione diffusa di LLM come GPT-4 potrebbe elevare gli standard di analisi finanziaria a livello globale, portando a mercati finanziari più efficienti e trasparenti. Con strumenti avanzati a disposizione, anche le piccole e medie imprese potrebbero accedere a livelli di analisi che prima erano riservati alle grandi istituzioni finanziarie, democratizzando l’accesso alle informazioni finanziarie di alta qualità.

La formazione e il ruolo degli analisti finanziari

Un altro aspetto rilevante riguarda la formazione e il ruolo futuro degli analisti finanziari. Con l’automazione di molte delle loro funzioni tradizionali, gli analisti potrebbero dover sviluppare nuove competenze, concentrandosi maggiormente su capacità di interpretazione qualitativa, consulenza strategica e comprensione dei dati non strutturati. Questo potrebbe portare a una trasformazione delle competenze richieste nel settore finanziario, con una maggiore enfasi su abilità soft e interpersonali, oltre che su una comprensione approfondita delle tecnologie di AI.

Infine, l’integrazione di GPT-4 nelle pratiche di analisi finanziaria potrebbe anche comportare sfide etiche e regolamentari. La trasparenza degli algoritmi, la gestione dei bias e la responsabilità nelle decisioni automatizzate saranno aspetti cruciali da considerare. Le autorità di regolamentazione e le istituzioni finanziarie dovranno collaborare per garantire che l’adozione di queste tecnologie avvenga in modo etico e responsabile, proteggendo gli interessi degli investitori e la stabilità dei mercati finanziari.

Le limitazioni dello studio e le prospettive future

Nonostante i risultati promettenti, lo studio presenta alcune limitazioni che devono essere considerate per una valutazione completa delle capacità di GPT-4 nell’analisi finanziaria. Una delle principali riguarda l’assenza di informazioni narrative e contestuali nei dati forniti al modello. Gli analisti finanziari umani non si limitano ai soli numeri, ma interpretano anche il contesto economico, settoriale e aziendale per formulare le loro previsioni. Sebbene GPT-4 abbia dimostrato una notevole abilità nell’analizzare i dati numerici, l’integrazione di informazioni narrative potrebbe ulteriormente migliorare le sue previsioni. Inoltre, l’analisi si è basata su bilanci aziendali standardizzati e anonimi, il che ha reso difficile per il modello utilizzare eventuali conoscenze pregresse specifiche dell’azienda.

Anche se questo approccio ha evitato pregiudizi derivanti dalla memoria del modello, in un contesto reale, le aziende non operano in isolamento e le informazioni storiche e contestuali possono giocare un ruolo significativo nelle analisi finanziarie.

Estendere il campione in contesti diversi

Un’altra limitazione riguarda la possibilità di estendere all’universo il campione attraverso il quale si è arrivati a questi risultati. Lo studio si è concentrato su un ampio campione di aziende nel database Compustat, ma la performance di GPT-4 potrebbe variare in base a diversi settori, dimensioni aziendali e condizioni economiche. Saranno necessari ulteriori studi per testare l’efficacia del modello in contesti diversi e per identificare eventuali aree di miglioramento. Le prospettive future per l’uso dei LLM nell’analisi finanziaria sono comunque entusiasmanti.

La ricerca futura potrebbe esplorare l’integrazione di GPT-4 con altre forme di intelligenza artificiale e machine learning, combinando la potenza analitica dei modelli di linguaggio con la capacità predittiva di reti neurali più specializzate. Ad esempio, l’uso di reti neurali ricorrenti (RNN) o modelli di apprendimento rinforzato potrebbe fornire ulteriori miglioramenti nelle previsioni finanziarie.

GPT-4 in sistemi di analisi finanziaria interattivi

Un’altra area promettente riguarda l’implementazione di GPT-4 in sistemi di analisi finanziaria interattivi, dove il modello può collaborare con gli analisti umani, fornendo suggerimenti e analisi in tempo reale. Questo approccio ibrido potrebbe combinare il meglio dei due mondi: l’efficienza e la velocità di elaborazione del modello AI con l’intuizione e l’esperienza degli analisti umani. La creazione di applicazioni pratiche basate su GPT-4 potrebbe includere strumenti di assistenza per la redazione di report finanziari, la valutazione del rischio e la gestione del portafoglio, contribuendo a rendere l’analisi finanziaria più accessibile e meno dispendiosa in termini di tempo.

La gestione dei bias algoritmici sarà una sfida cruciale da affrontare. La trasparenza e l’interpretabilità degli algoritmi sono fondamentali per garantire che le decisioni automatizzate siano eque e responsabili. Gli sviluppatori e i ricercatori dovranno lavorare per minimizzare i bias nei dati di addestramento e sviluppare metodi per monitorare e correggere eventuali pregiudizi nelle previsioni del modello.

Considerazioni conclusive

Le implicazioni dello studio sull’uso di GPT-4 per l’analisi dei bilanci aziendali sono significative e potrebbero portare a cambiamenti concreti nel modo in cui gli analisti finanziari operano e interagiscono con i loro clienti. In questo contesto, possiamo ipotizzare diversi scenari futuri basati sui risultati della ricerca.

Gli analisti utilizzeranno gli strumenti AI così come oggi si usano strumenti per fare i calcoli

Un possibile scenario è che gli analisti finanziari adotteranno modelli di linguaggio di grandi dimensioni come GPT-4 come strumenti di supporto per le loro analisi, simili a come attualmente utilizzano software di calcolo e strumenti di visualizzazione dei dati. GPT-4 potrebbe essere integrato nei sistemi di analisi esistenti per automatizzare la raccolta e l’elaborazione dei dati, fornendo agli analisti previsioni preliminari e identificando trend significativi. Questo permetterebbe agli analisti di dedicare più tempo all’interpretazione dei dati e alla formulazione di strategie basate sulle informazioni fornite dall’AI. In questo modo, gli strumenti avanzati non sostituirebbero gli analisti, ma li renderebbero più efficienti e capaci di gestire un volume maggiore di dati in modo più rapido e preciso.

Gli analisti diventeranno dei coach per i loro clienti

Un altro scenario possibile è che, liberati dall’onere dei compiti ripetitivi e dispendiosi in termini di tempo legati all’analisi dei dati, gli analisti finanziari possano trasformarsi in veri e propri coach per i loro clienti. Con GPT-4 che gestisce le previsioni e l’analisi dei dati, gli analisti avrebbero più tempo da dedicare alla consulenza strategica e alla costruzione di relazioni di fiducia con i loro clienti. Potrebbero concentrarsi maggiormente sulla spiegazione delle implicazioni delle previsioni, sull’educazione finanziaria dei clienti e sull’aiutarli a prendere decisioni informate. Questo ruolo più consulenziale potrebbe migliorare significativamente il valore percepito degli analisti finanziari, rafforzando la loro posizione come partner essenziali nel processo decisionale dei clienti.

Combinazione dei due scenari e altri sviluppi

È anche plausibile che il futuro includa una combinazione dei due scenari precedenti. Gli analisti potrebbero adottare GPT-4 come strumento di supporto, sfruttandone le capacità per migliorare l’efficienza delle loro analisi, e al contempo evolvere verso un ruolo più consulenziale e strategico. Inoltre, l’adozione di GPT-4 potrebbe portare a nuovi sviluppi e innovazioni nel settore finanziario, come la creazione di piattaforme interattive dove gli analisti e i clienti possono collaborare direttamente con l’AI per esplorare scenari finanziari complessi e prendere decisioni basate su dati in tempo reale.

L’integrazione di modelli di linguaggio di grandi dimensioni come GPT-4 nell’analisi finanziaria offre prospettive entusiasmanti per il futuro del settore. Che gli analisti adottino questi strumenti per migliorare l’efficienza dei loro processi, diventino coach più focalizzati sui clienti, o trovino un equilibrio tra i due ruoli, è chiaro che l’AI ha il potenziale per trasformare radicalmente il modo in cui le decisioni finanziarie vengono prese e implementate. Gli sviluppi futuri dipenderanno dalla capacità del settore di abbracciare queste tecnologie avanzate e di adattarsi ai cambiamenti che ne derivano, garantendo al contempo un uso responsabile ed etico dell’intelligenza artificiale.

Articoli correlati

Articolo 1 di 4