Περιεχόμενα
Τον Μάιο, τρεις ερευνητές από το Πανεπιστήμιο του Σικάγο δημοσίευσαν μια πρωτοποριακή μελέτη, εξετάζοντας την ικανότητα του ChatGPT να αναλύει οικονομικές καταστάσεις με την ίδια – αν όχι μεγαλύτερη – ακρίβεια από τους επαγγελματίες αναλυτές της Wall Street. Με τη χρήση ορισμένων βασικών προτροπών, η τεχνητή νοημοσύνη κατάφερε να επεξεργαστεί σύνθετες εκθέσεις και να δημιουργήσει προβλέψεις κερδών που ξεπέρασαν σε ακρίβεια τις εκτιμήσεις των ανθρώπινων ειδικών. Οι προβλέψεις αυτές χρησιμοποιήθηκαν στη συνέχεια για τη δημιουργία επενδυτικών χαρτοφυλακίων, τα οποία, όταν δοκιμάστηκαν με ιστορικά δεδομένα (backtesting), εμφάνισαν σημαντικά υψηλότερες αποδόσεις από την αγορά. Το πιο εντυπωσιακό; Το μοντέλο διατίθεται στο κοινό. Ας δούμε πώς λειτουργεί και πώς μπορείτε να το αξιοποιήσετε στη δική σας στρατηγική.
Πώς έγινε η μελέτη
Προετοιμασία δεδομένων: Οι ερευνητές εκπαίδευσαν το ChatGPT χρησιμοποιώντας χιλιάδες οικονομικές καταστάσεις από μια βάση δεδομένων που περιλαμβάνει περισσότερες από 15.000 εταιρείες, καλύπτοντας την περίοδο από το 1968 έως το 2021. Τα δεδομένα ήταν ανώνυμα, χωρίς ημερομηνίες ή ονόματα εταιρειών, ενώ κάθε οικονομική κατάσταση εισαγόταν ως μεμονωμένο αρχείο, χωρίς πρόσθετο ιστορικό πλαίσιο.
Η προσέγγιση της "αλυσίδας σκέψης": Χρησιμοποίησαν μια τεχνική που ονομάζεται "chain of thought prompting", ρωτώντας το ChatGPT να προβλέψει αν τα κέρδη κάθε εταιρείας θα αυξηθούν ή θα μειωθούν την επόμενη χρονιά, καθώς και το πιθανό μέγεθος της μεταβολής (μικρή, μεσαία ή μεγάλη). Επιπλέον, ζήτησαν από το μοντέλο να αξιολογήσει την εμπιστοσύνη του σε κάθε πρόβλεψη.
Αποτελέσματα: Οι προβλέψεις του ChatGPT ήταν ακριβείς στο 60,4% των περιπτώσεων, ξεπερνώντας το ποσοστό 52,7% που πέτυχαν οι επαγγελματίες αναλυτές σε εκτιμήσεις που έγιναν ένα μήνα μετά τη δημοσίευση των οικονομικών καταστάσεων. Ακόμη πιο εντυπωσιακό ήταν το γεγονός ότι το ChatGPT υπερείχε ακόμα και σε σύγκριση με αναλύσεις που έγιναν έξι μήνες μετά τη δημοσίευση, παρά την πρόσβαση των ανθρώπινων αναλυτών σε πιο πρόσφατα δεδομένα.
Δημιουργία επενδυτικών χαρτοφυλακίων: Οι ερευνητές χρησιμοποίησαν τις προβλέψεις για να καταρτίσουν υποδειγματικά χαρτοφυλάκια long-short, επιλέγοντας εταιρείες για τις οποίες το ChatGPT ήταν πολύ σίγουρο ότι θα παρουσίαζαν μεγάλες αλλαγές στα κέρδη τους. Όταν τα χαρτοφυλάκια αυτά δοκιμάστηκαν με ιστορικά δεδομένα, κατέγραψαν σημαντικά υψηλότερες αποδόσεις από την ευρύτερη αγορά, με καλύτερη προσαρμογή στον κίνδυνο.
Αυτή η μελέτη ανοίγει νέους δρόμους για τη χρήση της τεχνητής νοημοσύνης στις επενδύσεις, ενώ τα ευρήματα μπορούν να αξιοποιηθούν από οποιονδήποτε έχει πρόσβαση στο εργαλείο.
Κίνδυνοι
Ανακρίβειες: Το ChatGPT μπορεί να παράγει λάθος προβλέψεις, γι’ αυτό δεν πρέπει να βασίζεστε αποκλειστικά σε αυτό για επενδυτικές αποφάσεις. Αποτελεί εργαλείο που μπορεί να συμπληρώσει, αλλά όχι να αντικαταστήσει, τη δική σας έρευνα. Να θυμάστε ότι οι προβλέψεις του ήταν λανθασμένες στο 40% των περιπτώσεων.
Μειωμένη ακρίβεια: Κατά μέσο όρο, η ακρίβεια του ChatGPT μειώθηκε κατά 0,1 ποσοστιαίες μονάδες ανά έτος, υποδεικνύοντας τη δυσκολία πρόβλεψης κερδών με βάση αποκλειστικά αριθμητικά δεδομένα.
Μειωμένη σημασία προβλέψεων: Καθώς δημοσιεύονται τα τριμηνιαία αποτελέσματα των εταιρειών και παρέχονται βραχυπρόθεσμες προβλέψεις από τη διοίκηση, η αξία των προβλέψεων κερδών μειώνεται μέσα στο έτος.
Περιορισμοί σε εταιρείες αρχικών σταδίων: Για τις εταιρείες που βρίσκονται σε πρώιμο στάδιο ανάπτυξης, οι προβλέψεις κερδών για το επόμενο έτος είναι λιγότερο σημαντικές από τις μακροπρόθεσμες προοπτικές της εταιρείας και του κλάδου.
Μέρος I: Πώς να μετατρέψετε το ChatGPT σε οικονομικό αναλυτή
Οι ερευνητές χρησιμοποίησαν το ChatGPT για να ενεργήσει ως αναλυτής μετοχών, ζητώντας του να αξιολογήσει οικονομικές καταστάσεις, να εντοπίσει σημαντικές αλλαγές στα βασικά στοιχεία, να υπολογίσει χρηματοοικονομικούς δείκτες και να συντάξει αφηγήσεις που πλαισιώνουν τις εκτιμήσεις. Στη συνέχεια, το μοντέλο προέβλεπε αν τα κέρδη μιας εταιρείας θα αυξηθούν ή θα μειωθούν το επόμενο έτος, το πιθανό μέγεθος της αλλαγής και το επίπεδο εμπιστοσύνης του στις προβλέψεις του.
Η μεθοδολογία της μελέτης
Οι ερευνητές Alex Kim, Maximilian Muhn και Valeri Nikolaev τροφοδότησαν στο ChatGPT δεδομένα από ισολογισμούς και καταστάσεις εισοδήματος που κάλυπταν περισσότερες από 15.000 εταιρείες, σε βάθος 54 ετών. Χρησιμοποίησαν την έκδοση GPT-4-0125-preview και φρόντισαν να διασφαλίσουν ότι το μοντέλο δεν είχε πρόσβαση σε εξωτερικές πληροφορίες, όπως ημερομηνίες ή ονόματα εταιρειών.
Περιορισμός εξωτερικών δεδομένων: Αφαιρέθηκαν ημερομηνίες και εταιρικά ονόματα ώστε το μοντέλο να μην μπορεί να λάβει υπόψη εξωτερικά γεγονότα, όπως οικονομικές κρίσεις ή νέα της αγοράς, για τις προβλέψεις του. Επίσης, εξαιρέθηκαν οι καταστάσεις ταμειακών ροών, αν και οι πληροφορίες αυτές μπορούν να εξαχθούν έμμεσα από τα υπόλοιπα δεδομένα.
Εξάλειψη αφηγηματικών δεδομένων: Οι περιλήψεις που συνοδεύουν συχνά τις οικονομικές καταστάσεις – όπως η ανάλυση της διοίκησης – δεν χρησιμοποιήθηκαν. Σκοπός ήταν να αξιολογηθεί η ικανότητα της τεχνητής νοημοσύνης να αναλύει αποκλειστικά αριθμητικά δεδομένα.
Ενιαίοι περιορισμοί: Σύμφωνα με τις αμερικανικές κανονιστικές απαιτήσεις, η ΤΝ έλαβε δύο έτη ισολογισμού και τρία έτη κατάστασης αποτελεσμάτων, κάθε ένα ως ανεξάρτητη είσοδο. Δεν της δόθηκε ιστορικό πλαίσιο για τις εταιρείες.
Τεχνική "Chain-of-Thought Prompting": Οι ερευνητές χρησιμοποίησαν μια μέθοδο που επιτρέπει στην ΤΝ να εξηγεί τη διαδικασία σκέψης της. Αυτό ενισχύει τη συνοχή και την ακρίβεια των απαντήσεων.
Διαβάστε την πλήρη μελέτη εδώ.
Βήμα προς Βήμα Διαδικασία από τους Ερευνητές
Ανάθεση ρόλου στο ChatGPT: Οι ερευνητές έδωσαν εντολή στο ChatGPT να λειτουργήσει ως οικονομικός αναλυτής, με αποστολή την ανάλυση οικονομικών καταστάσεων.
Εντοπισμός μεταβολών και υπολογισμός δεικτών: Ζήτησαν από το μοντέλο να εντοπίζει αξιοσημείωτες μεταβολές σε βασικά στοιχεία των οικονομικών καταστάσεων και να υπολογίζει κρίσιμους χρηματοοικονομικούς δείκτες. Δεν περιορίστηκαν σε συγκεκριμένο σύνολο δεικτών, αφήνοντας την ΤΝ να επιλέξει. Επιπλέον, το μοντέλο έπρεπε πρώτα να παρουσιάσει τους τύπους πριν προχωρήσει στους υπολογισμούς.
Δημιουργία οικονομικών αφηγήσεων: Ζήτησαν από το ChatGPT να γράψει περιγραφικές οικονομικές αφηγήσεις που να εξηγούν τα αποτελέσματα της ανάλυσης. Αυτή η προσέγγιση αποδείχθηκε καθοριστική για τη συνοχή και την κατανόηση των προβλέψεων.
Προβλέψεις κερδοφορίας: Οι ερευνητές καθοδήγησαν το μοντέλο να χρησιμοποιήσει την ανάλυση για να προβλέψει αν τα κέρδη κάθε εταιρείας θα αυξηθούν ή θα μειωθούν το επόμενο έτος. Επίσης, του ζήτησαν να εκτιμήσει το μέγεθος της μεταβολής (μικρό, μεσαίο ή μεγάλο). Το ChatGPT έπρεπε επίσης να παρέχει βαθμολογία εμπιστοσύνης για κάθε πρόβλεψη, σε μια κλίμακα από 0 (τυχαία εικασία) έως 1 (απόλυτα ενημερωμένο).
Εξήγηση των προβλέψεων: Ζητήθηκε από το μοντέλο να συντάξει μια σύντομη παράγραφο που να εξηγεί το σκεπτικό πίσω από κάθε πρόβλεψη. Αυτό βοήθησε στην κατανόηση της διαδικασίας που ακολούθησε για να φτάσει στο τελικό συμπέρασμα.
Οι οδηγίες αυτές δημιουργήθηκαν με στόχο να μιμηθούν τη διαδικασία σκέψης και τη μεθοδολογία που χρησιμοποιούν οι ανθρώπινοι αναλυτές για την επεξεργασία οικονομικών δεδομένων και τη δημιουργία προβλέψεων.
Μέρος II: Τα Αποτελέσματα της Ανάλυσης της Τεχνητής Νοημοσύνης – Και Πώς Συγκρίνεται με τους Ανθρώπους
Οι προβλέψεις του ChatGPT σημείωσαν ακρίβεια 60,4%, ξεπερνώντας το 52,7% των επαγγελματιών αναλυτών, οι οποίοι βασίστηκαν σε εκτιμήσεις που έγιναν έναν μήνα μετά τη δημοσίευση των οικονομικών καταστάσεων. Ακόμη πιο εντυπωσιακό ήταν ότι η τεχνητή νοημοσύνη ξεπέρασε τις εκτιμήσεις των αναλυτών ακόμη και έξι μήνες μετά τη δημοσίευση, παρά την πρόσβασή τους σε πιο πρόσφατες πληροφορίες.
Πριν εξετάσουμε τις επιδόσεις του ChatGPT, ας δούμε πρώτα πώς τα πήγε το μέτρο σύγκρισης – οι ανθρώπινοι αναλυτές. Οι ερευνητές συνέλεξαν προβλέψεις από την ίδια βάση δεδομένων που χρησιμοποιήθηκε για την άντληση των οικονομικών καταστάσεων. Το δείγμα τους περιλάμβανε δεδομένα από το 1983 έως το 2021, με σχεδόν 40.000 παρατηρήσεις από περισσότερες από 3.000 εταιρείες.
Για να διασφαλιστεί η ακρίβεια, χρησιμοποίησαν τις προβλέψεις συναίνεσης που έγιναν έναν μήνα μετά τη δημοσίευση των οικονομικών καταστάσεων. Επίσης, έλαβαν υπόψη προβλέψεις τριών και έξι μηνών ως εναλλακτικά σημεία αναφοράς. Τα αποτελέσματα που προέκυψαν είναι τα εξής:
Προβλέψεις ενός μήνα: Οι προβλέψεις των αναλυτών για έναν μήνα μετά την έκδοση των οικονομικών καταστάσεων είχαν ακρίβεια 52,7% στην πρόβλεψη της κατεύθυνσης των μελλοντικών κερδών. Παρόλο που ξεπέρασαν το 49,1% ενός αφελούς μοντέλου που απλά προεκτείνει τη μεταβολή των κερδών του προηγούμενου έτους, η διαφορά είναι μικρή. Το αποτέλεσμα αυτό αναδεικνύει τη δυσκολία στην πρόβλεψη των μεταβολών κερδών, ακόμη και για έμπειρους χρηματοοικονομικούς αναλυτές.
Προβλέψεις τριών και έξι μηνών: Οι εκτιμήσεις για τρεις και έξι μήνες σημείωσαν βελτιωμένη ακρίβεια, φτάνοντας το 56% και 56,7%, αντίστοιχα. Η αύξηση αυτή οφείλεται στη χρήση πιο πρόσφατων πληροφοριών, οι οποίες δίνουν στους αναλυτές σαφέστερη εικόνα για τις προοπτικές της εταιρείας.
Παρότι οι ανθρώπινοι αναλυτές είχαν πρόσβαση σε έγκαιρα δεδομένα και πλεονέκτημα εμπειρίας, τα αποτελέσματα του ChatGPT υποδεικνύουν ότι η τεχνητή νοημοσύνη μπορεί να λειτουργήσει ως ισχυρός σύμμαχος – ή και ανταγωνιστής – στην ανάλυση χρηματοοικονομικών δεδομένων.
Όσον αφορά τις προβλέψεις του ChatGPT, το μοντέλο πέτυχε ακρίβεια 52,3% όταν χρησιμοποιούσε απλές, μη-αλυσιδωτές προτροπές – επίπεδο συγκρίσιμο με τις εκτιμήσεις ενός μηνός από ανθρώπινους αναλυτές. Ωστόσο, μόλις οι ερευνητές εφάρμοσαν τη μέθοδο των αλυσιδωτών προτροπών, η ακρίβεια αυξήθηκε στο εντυπωσιακό 60,4%, ξεπερνώντας κατά πολύ τους ανθρώπινους αναλυτές. Το πιο αξιοσημείωτο είναι ότι το ChatGPT κατέγραψε καλύτερη απόδοση ακόμη και από τις προβλέψεις που έκαναν οι αναλυτές έξι μήνες μετά τη δημοσίευση των οικονομικών καταστάσεων. Δηλαδή, ακόμη και με την ενίσχυση επιπλέον τριμήνων πραγματικών αποτελεσμάτων και οδηγίες της διοίκησης, οι αναλυτές υστερούσαν έναντι του μοντέλου.
Επιπλέον, οι ερευνητές ζήτησαν από το ChatGPT να αξιολογήσει την εμπιστοσύνη στις προβλέψεις του. Όπως αναμενόταν, οι προβλέψεις με υψηλότερη βαθμολογία εμπιστοσύνης αποδείχθηκαν πιο ακριβείς από αυτές με χαμηλότερη. Επίσης, το ChatGPT είχε την εντολή να προβλέψει αν το μέγεθος των μεταβολών των κερδών θα ήταν μικρό, μεσαίο ή μεγάλο. Όταν προέβλεπε μεγάλες αλλαγές, η ακρίβειά του έφτασε το 62%, ενώ για τις μικρότερες μεταβολές η ακρίβεια έπεσε στο 60,2%. Συμπέρασμα: οι προβλέψεις ήταν πιο αξιόπιστες όταν το ChatGPT εξέφραζε μεγαλύτερη εμπιστοσύνη ή όταν προέβλεπε σημαντικές αλλαγές στα κέρδη.
Τέλος, οι ερευνητές συνέκριναν τις επιδόσεις του ChatGPT με ένα μοντέλο μηχανικής μάθησης σχεδιασμένο ειδικά για την πρόβλεψη κερδών. Χωρίς να επεκταθούμε στις τεχνικές λεπτομέρειες, το βασικό συμπέρασμα ήταν ότι η ακρίβεια του ChatGPT ήταν συγκρίσιμη – και σε ορισμένες περιπτώσεις ελαφρώς καλύτερη – από το εξειδικευμένο μοντέλο μηχανικής μάθησης.
ΜΈΡΟΣ III: ΜΕΡΙΚΆ ΓΕΝΙΚΆ ΣΥΜΠΕΡΆΣΜΑΤΑ ΑΠΌ ΑΥΤΉ ΤΗΝ ΈΡΕΥΝΑ
Το ChatGPT και άλλα μοντέλα τεχνητής νοημοσύνης, όπως το Gemini της Alphabet, μπορούν να χρησιμοποιηθούν με πολλούς τρόπους στον οικονομικό κόσμο, από την ανάλυση ετήσιων εκθέσεων έως την πρόβλεψη κερδών και την πρόβλεψη κινήσεων των τιμών των μετοχών βάσει ειδήσεων. Αυτό πηγάζει από τις ευρείες γνώσεις τους και την ικανότητά τους να επεξεργάζονται αποτελεσματικά τεράστιες ποσότητες δεδομένων, γεγονός που μπορεί να βοηθήσει τους λιγότερο έμπειρους επενδυτές να λαμβάνουν πιο τεκμηριωμένες αποφάσεις. Η ακρίβεια του μοντέλου βελτιώνεται με την προτροπή της αλυσίδας σκέψης, αναδεικνύοντας τη σημασία της καθοδήγησης της συλλογιστικής της τεχνητής νοημοσύνης βήμα προς βήμα.
1) Το ChatGPT μπορεί να χρησιμοποιηθεί με πολλούς τρόπους στον οικονομικό κόσμο.
Η επεξεργασία των οικονομικών δεδομένων και η πρόβλεψη των κερδών αποτελεί πρόκληση, ακόμη και για τους πιο εξειδικευμένους αναλυτές. Τα ευρήματα των ερευνητών δείχνουν ότι τα μεγάλα γλωσσικά μοντέλα γενικής χρήσης όπως το ChatGPT μπορούν να αποτελέσουν πλεονέκτημα για την εκτέλεση αυτών των εργασιών. Αυτά τα συστήματα τεχνητής νοημοσύνης ξεχωρίζουν για την ευρεία γνώση τους σε πολλούς τομείς και την ικανότητά τους να επεξεργάζονται γρήγορα και αποτελεσματικά τεράστιες ποσότητες δεδομένων. Έχουν τη δυνατότητα να εκδημοκρατίσουν την ανάλυση των οικονομικών καταστάσεων με τρόπο που μπορεί να δώσει τη δυνατότητα σε λιγότερο έμπειρους επενδυτές να λαμβάνουν καλύτερα ενημερωμένες αποφάσεις.
Οι δυνατότητές τους υπερβαίνουν τις προβλέψεις κερδών - αυτά τα μοντέλα τεχνητής νοημοσύνης έχουν πολλές άλλες οικονομικές εφαρμογές. Για παράδειγμα, μια ερευνητική εργασία έδειξε ότι το ChatGPT μπορεί να προβλέψει με ακρίβεια τις κινήσεις των τιμών των μετοχών χρησιμοποιώντας τίτλους ειδήσεων. Σε μια άλλη μελέτη, δύο ερευνητές της Ομοσπονδιακής Τράπεζας των ΗΠΑ (Fed) διαπίστωσαν ότι το ChatGPT πλησίασε περισσότερο τους ανθρώπους στο να καταλάβει αν οι δηλώσεις της κεντρικής τράπεζας ήταν "dovish" (και έτειναν προς χαμηλότερα επιτόκια) ή "hawkish" (και έτειναν εναντίον). Είναι αξιοσημείωτο ότι η τεχνητή νοημοσύνη ήταν επίσης σε θέση να χρησιμοποιήσει την ανάλυσή της για να προβλέψει μελλοντικά μακροοικονομικά σοκ που συνδέονται με τις αλλαγές στον τόνο της Fed. Και σε ένα δημοφιλές κομμάτι του Finimize που έγραψα πριν από λίγο καιρό, έδειξα πώς οι επενδυτές μπορούν να χρησιμοποιήσουν το ChatGPT για να αναλύσουν μια μετοχή.
Αυτά είναι απλά παραδείγματα ορισμένων ερευνών που αποδεικνύουν πώς η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί αποτελεσματικά στις επενδύσεις. Υπάρχουν και πολλές άλλες - και αναμφίβολα θα ακολουθήσουν πολλές ακόμη.
2) Η προτροπή της αλυσίδας σκέψης είναι πραγματικά ισχυρή.
Από τότε που κυκλοφόρησε το ChatGPT, υπήρξαν πολλές προφητείες σχετικά με την τεχνητή νοημοσύνη και τις δυνατότητές της να αντικαταστήσει τους ανθρώπους στην "εργασία της γνώσης". Και δεν νομίζω ότι κανείς θα διαφωνήσει με την άποψη ότι η ΤΝ πρόκειται να αντικαταστήσει κάποιες θέσεις εργασίας (ήδη συμβαίνει), αλλά σίγουρα υπάρχει συζήτηση σχετικά με το πόσες και πόσο γρήγορα. Προσωπικά πιστεύω ότι είναι πιο σημαντικό από ποτέ να μάθουμε πώς να χρησιμοποιούμε αποτελεσματικά την ΤΝ για να γίνουμε πιο αποτελεσματικοί σε όποια θέση εργασίας και αν κατέχουμε. Είμαι πρόθυμος να στοιχηματίσω ότι οι επαγγελματίες που έχουν βαθιά κατανόηση του τομέα τους, κοινωνικές δεξιότητες και την ικανότητα να αξιοποιούν αποτελεσματικά την ΤΝ θα είναι πιο ασφαλείς στην καριέρα τους.
Και για το σκοπό αυτό, αξίζει να σημειωθεί πόσο χρήσιμο έγινε το ChatGPT κατά τη διάρκεια της μελέτης, με κάποια αλυσιδωτή προτροπή σκέψης. Θυμηθείτε ότι η ακρίβεια της ΤΝ στην πρόβλεψη της κατεύθυνσης των κερδών βελτιώθηκε κατά σχεδόν οκτώ ποσοστιαίες μονάδες όταν χρησιμοποιήθηκε αυτή η μέθοδος, σε σχέση με απλούστερες προτροπές. Έτσι, την επόμενη φορά που θα χρησιμοποιήσετε το ChatGPT για την επίλυση ενός προβλήματος, πειραματιστείτε με αλυσιδωτές προτροπές σκέψης που καθοδηγούν την ΤΝ να αναλύσει τη συλλογιστική της βήμα προς βήμα. Μπορεί να διαπιστώσετε μεγάλη βελτίωση στην ακρίβεια, τη σαφήνεια και την αξιοπιστία των απαντήσεών της.
3) Το ChatGPT δεν είναι το μόνο έξυπνο bot στο μπλοκ.
Σίγουρα, το ChatGPT είναι πιθανώς το πρώτο όνομα που σας έρχεται στο μυαλό όταν σκέφτεστε τα chatbots τεχνητής νοημοσύνης, αλλά υπάρχουν πολλά άλλα εκεί έξω - το Claude της Anthropic και το Gemini της Alphabet (που προηγουμένως ονομαζόταν Bard), για να αναφέρουμε μόνο δύο.
Για να ελέγξουν τις δυνατότητες του bot της Alphabet, οι ερευνητές έκαναν το ίδιο πείραμα πρόβλεψης κερδών με το Gemini Pro 1.5 και το ChatGPT να ανταγωνίζονται δίπλα-δίπλα, χρησιμοποιώντας ένα τυχαίο δείγμα 20% του πλήρους συνόλου δεδομένων. Και ήταν ένας στενός διαγωνισμός: Οι προβλέψεις του Gemini ήταν σωστές στο 59,2% των περιπτώσεων, λίγο πιο κάτω από το 61,1% του ChatGPT. Τα αποτελέσματά τους αλληλεπικαλύπτονταν αρκετά, με μόνο περίπου 6% των προβλέψεων για τα κέρδη τους να δείχνουν προς αντίθετες κατευθύνσεις.
Το συμπέρασμα είναι ότι η Gemini απέδωσε σχεδόν το ίδιο καλά με την ChatGPT και, ίσως το πιο σημαντικό, κατάφερε να ξεπεράσει τις προβλέψεις των ανθρώπινων αναλυτών. Αυτό δείχνει ότι το AI chatbot της Alphabet δεν θα πρέπει να απορρίπτεται μόνο και μόνο λόγω της πανταχού παρουσίας του ChatGPT.
Στην πραγματικότητα, λίγο περισσότερο από ένα χρόνο πριν, έβαλα το ChatGPT εναντίον του Gemini (που τότε ονομαζόταν Bard) για να δω ποιο ήταν πιο χρήσιμο για την ανάλυση μετοχών. Ενώ το ChatGPT βγήκε μπροστά με βάση το απλό μου σύστημα βαθμολόγησης, τόνισα αρκετά βασικά πλεονεκτήματα που προσέφερε το Bard. Τελικά, πιστεύω ότι η εστίαση δεν θα πρέπει να είναι στην προσπάθεια επιλογής του τέλειου chatbot αλλά στην υιοθέτηση της χρήσης της ΤΝ εξ αρχής. Παρόλο που τα τεχνολογικά εργαλεία που γνωρίζουν μεγάλη άνθιση δεν πρέπει ποτέ να χρησιμοποιούνται μεμονωμένα, μπορούν να είναι εξαιρετικά χρήσιμα για να κάνουν την επενδυτική σας ζωή ευκολότερη.
Μέρος ΙV: Μερικά Πραγματικά Χρήσιμα Συμπεράσματα Για Τουσ Επενδυτές
Εδώ τα πράγματα γίνονται πραγματικά ενδιαφέροντα. Οι ερευνητές δημιούργησαν μοντέλα χαρτοφυλακίων long-short με βάση τις προβλέψεις που έκανε το ChatGPT με τη μεγαλύτερη εμπιστοσύνη - ουσιαστικά, στοιχηματίζοντας στα κέρδη ή τις απώλειες για κάθε μία από αυτές τις μετοχές. Και σε backtests, αυτά τα χαρτοφυλάκια σημείωσαν σημαντική υπεραπόδοση έναντι της ευρύτερης χρηματιστηριακής αγοράς.
Έτσι το έκαναν:
Τα χαρτοφυλάκια κατασκευάστηκαν στις 30 Ιουνίου κάθε έτους, επιτρέποντας στην αγορά αρκετό χρόνο για να αφομοιώσει τις ετήσιες εκθέσεις των εταιρειών (οι οποίες συνήθως δημοσιεύονται μέχρι το τέλος Μαρτίου). Κάθε χαρτοφυλάκιο διατηρήθηκε για ένα έτος - μέχρι τις 30 Ιουνίου του επόμενου έτους.
Για κάθε οικονομικό έτος, οι ερευνητές φιλτράρισαν τις μετοχές που το ChatGPT προέβλεπε ότι θα έβλεπαν αύξηση των κερδών, με την αναμενόμενη μεταβολή να κατηγοριοποιείται είτε ως "μεσαία" είτε ως "μεγάλη".
Οι επιλεγμένες μετοχές κατατάχθηκαν στη συνέχεια με βάση την εμπιστοσύνη του ChatGPT στις προβλέψεις του (υπενθυμίζεται ότι οι ερευνητές είχαν ζητήσει από το μοντέλο να αξιολογήσει την εμπιστοσύνη του στις προβλέψεις του χρησιμοποιώντας μια βαθμολογία που κυμαίνεται από μηδέν έως ένα).
Το χαρτοφυλάκιο του υποδείγματος προχώρησε σε αγορά (long) των μετοχών που κατέλαβαν την πρώτη θέση, διασφαλίζοντας ότι ο συνολικός αριθμός των επιχειρήσεων που περιλαμβάνονταν στο χαρτοφυλάκιο αποτελούσε το 10% του δείγματος για το εν λόγω έτος. Για παράδειγμα: εάν, σε ένα δεδομένο έτος, οι ερευνητές έβαζαν τις οικονομικές καταστάσεις 3.000 εταιρειών στο ChatGPT, το τελικό χαρτοφυλάκιο αγοράς θα περιείχε 10% x 3.000 = 300 μετοχές.
Η ίδια ακριβώς διαδικασία επαναλήφθηκε για το βραχυπρόθεσμο τμήμα του χαρτοφυλακίου, αλλά χρησιμοποιώντας μετοχές που η ChatGPT προέβλεψε ότι τα κέρδη τους θα μειώνονταν.
Δύο διαφορετικές μέθοδοι χρησιμοποιήθηκαν για την απόδοση βαρών στις μετοχές των χαρτοφυλακίων: στάθμιση με βάση την κεφαλαιοποίηση της αγοράς και ίση στάθμιση.
Ουσιαστικά, το χαρτοφυλάκιο του μοντέλου αγοράζει μετοχές για τις οποίες η ChatGPT είναι πολύ σίγουρη ότι θα παρουσιάσουν μέτρια ή μεγάλη αύξηση των κερδών, ενώ σορτάρει μετοχές για τις οποίες είναι σίγουρη ότι θα παρουσιάσουν μέτρια ή μεγάλη μείωση των κερδών. Το ερευνητικό έγγραφο δεν διευκρινίζει τον μέσο αριθμό των μετοχών που περιλαμβάνονται σε αυτά τα χαρτοφυλάκια. Ωστόσο, με βάση άλλες λεπτομέρειες που παρέχονται (π.χ. τη χρονική διάρκεια των δεδομένων και τον απόλυτο αριθμό των παρατηρήσεων), εκτιμώ ότι κάθε χαρτοφυλάκιο αγοράς και πώλησης περιείχε 200 έως 300 μετοχές.
Τώρα, στα αποτελέσματα. Όπως αναμενόταν, το μακρύ χαρτοφυλάκιο υπεραπέδωσε κατά πολύ του κοντού, οδηγώντας σε ισχυρές αποδόσεις για το συνδυασμένο χαρτοφυλάκιο long-short. Συγκεκριμένα, σημείωσε ετησιοποιημένη απόδοση 15,4% σε ισοσταθμισμένη βάση και 6,7% σε σταθμισμένη βάση με βάση την κεφαλαιοποίηση της αγοράς. Η ανώτερη απόδοση της πρώτης υποδηλώνει ότι η ChatGPT προσθέτει μεγαλύτερη αξία με τις προβλέψεις της για τα κέρδη των μικρών μετοχών. Επιπλέον, το χαρτοφυλάκιο long-short ήταν αρκετά ανθεκτικό, κρατώντας τη θέση του ακόμη και κατά τη διάρκεια της πτώσης της αγοράς, όπως φαίνεται παρακάτω.
/nΓια να αξιολογήσουμε τις προσαρμοσμένες στον κίνδυνο αποδόσεις του χαρτοφυλακίου, μπορούμε να εξετάσουμε τον δείκτη Sharpe. Αυτός υπολογίζεται διαιρώντας τις ετησιοποιημένες υπερβάλλουσες αποδόσεις του χαρτοφυλακίου (δηλαδή τις αποδόσεις πάνω από εκείνες ενός λεγόμενου περιουσιακού στοιχείου χωρίς κίνδυνο, όπως τα έντοκα γραμμάτια του αμερικανικού δημοσίου) με την ετησιοποιημένη μεταβλητότητά του. Ουσιαστικά σας λέει πώς απέδωσε το χαρτοφυλάκιο ανά μονάδα κινδύνου. Και να τι είναι εντυπωσιακό: το μοντέλο χαρτοφυλακίου long-short των ερευνητών πέτυχε δείκτη Sharpe 3,4 σε ισοσταθμισμένη βάση και 1,5 σε κεφαλαιοποιητική βάση. Για το πλαίσιο, οι επενδυτές γενικά θεωρούν έναν δείκτη Sharpe μεταξύ 1 και 2 ως καλό, μεταξύ 2 και 3 ως πολύ καλό και πάνω από 3 ως εξαιρετικό.
Τέλος, για να αξιολογήσουμε πώς τα πήγε το χαρτοφυλάκιο long-short σε σχέση με την αγορά, μπορούμε να εξετάσουμε το "άλφα" του. Χωρίς να εμβαθύνουμε στις τεχνικές λεπτομέρειες, το άλφα αντιπροσωπεύει την υπερβάλλουσα απόδοση του χαρτοφυλακίου πάνω από την αγορά και το επιτόκιο χωρίς κίνδυνο - πέρα από αυτό που μπορεί να εξηγηθεί από την έκθεσή του στον κίνδυνο της αγοράς (όπως μετράται από το "βήτα"). Το μοντέλο χαρτοφυλακίου long-short των ερευνητών πέτυχε ετήσιο άλφα 15,8% σε ισοσταθμισμένη βάση και 8,9% σε κεφαλαιοποιητική βάση. Και αυτό είναι πολύ εντυπωσιακό.
Μέροσ V: Τέλοσ, Πώσ Να Εφαρμόσετε Αυτά Τα Ευρήματα Στισ Δικέσ Σασ Επενδύσειw
Οι ερευνητές ανέπτυξαν ένα διαδραστικό GPT (ουσιαστικά μια προσαρμοσμένη έκδοση του ChatGPT) που μπορεί να εκτελέσει ανάλυση οικονομικών καταστάσεων και να προβλέψει την κατεύθυνση των κερδών μιας εταιρείας χρησιμοποιώντας μεθόδους παρόμοιες με αυτές που περιγράφονται στη μελέτη τους. Οι πληροφορίες που παρέχει μπορούν να σας βοηθήσουν να κάνετε την επενδυτική σας ζωή πολύ πιο εύκολη, ειδικά αν θέλετε να αποκτήσετε μια γρήγορη, αξιοπρεπή επισκόπηση μιας εταιρείας που σκέφτεστε να προσθέσετε στο χαρτοφυλάκιό σας.
Μπορείτε να αποκτήσετε πρόσβαση στο μοντέλο των ερευνητών εδώ, αλλά θα χρειαστείτε συνδρομή επί πληρωμή στο ChatGPT Plus για να το κάνετε. Όταν ανεβάζετε μια ετήσια οικονομική έκθεση στο GPT, αυτό διεξάγει μια σειρά από διορατικές αναλύσεις για να σας βοηθήσει να κατανοήσετε καλύτερα την εταιρεία. Αυτό περιλαμβάνει:
Συνοπτική παρουσίαση του επιχειρηματικού μοντέλου της επιχείρησης, των πηγών εσόδων και των παραγόντων κινδύνου
Επεξήγηση του τι συνέβη σε σημαντικά στοιχεία των οικονομικών καταστάσεων (σε σχέση με το προηγούμενο έτος) και γιατί
Υπολογισμός βασικών χρηματοοικονομικών δεικτών (κερδοφορία, ρευστότητα, αποδοτικότητα κ.λπ.)
Πρόβλεψη εάν τα κέρδη της εταιρείας θα αυξηθούν ή θα μειωθούν το επόμενο έτος και εάν το μέγεθος της μεταβολής θα είναι μικρό, μεσαίο ή μεγάλο
Αξιολόγηση της εμπιστοσύνης της στην πρόβλεψή της
Επεξήγηση του σκεπτικού της πρόβλεψης
Πρόκειται για χρήσιμες πληροφορίες που μπορούν να σας βοηθήσουν να κάνετε την επενδυτική σας ζωή πολύ πιο εύκολη, ειδικά αν θέλετε να αποκτήσετε μια γρήγορη, αξιοπρεπή επισκόπηση μιας εταιρείας στην οποία σκέφτεστε να επενδύσετε τα χρήματά σας. Η GPT θα σας προσκαλέσει ακόμη και να κάνετε ερωτήσεις παρακολούθησης.
Επιπλέον, το μοντέλο των ερευνητών μπορεί να ενισχύσει άλλους τρόπους χρήσης του ChatGPT για την ανάλυση μιας μετοχής (κάτι για το οποίο έγραψα εδώ). Έχετε όμως κατά νου ότι ένα εργαλείο τεχνητής νοημοσύνης δεν πρέπει ποτέ να υπαγορεύει πού θα βάλετε τα χρήματά σας - τουλάχιστον όχι μεμονωμένα. Με άλλα λόγια, η ανάλυση ενός chatbot μπορεί να είναι χρήσιμη, αλλά θα πρέπει πάντα να διεξάγετε τη δική σας έρευνα. Θυμηθείτε, οι προβλέψεις του GPT ήταν σωστές περίπου στο 60% των περιπτώσεων - αλλά αυτό σημαίνει ότι ήταν λάθος στο 40% των περιπτώσεων.
Τώρα, ίσως αναρωτιέστε για την πιθανή αναπαραγωγή των πρότυπων χαρτοφυλακίων των ερευνητών - τα οποία, αν θυμάστε, απέδωσαν εξαιρετικά εντυπωσιακές επενδυτικές αποδόσεις. Και, ναι, θεωρητικά, αυτό είναι εφικτό εφόσον έχετε πρόσβαση στο GPT. Αλλά στην πράξη, το να τροφοδοτείτε το bot με χιλιάδες ετήσιες εκθέσεις, να οργανώνετε τις προβλέψεις του και να εφαρμόζετε ένα χαρτοφυλάκιο long-short με εκατοντάδες μετοχές είναι ένα απίστευτα χρονοβόρο και μη πρακτικό έργο. Ίσως αυτό θα μπορούσε να αυτοματοποιηθεί με κωδικοποίηση, αλλά, ειλικρινά, αυτό είναι πάνω από τη δική μου μισθολογική κλίμακα.
Τούτου λεχθέντος, οι προβλέψεις του GPT θα μπορούσαν να χρησιμοποιηθούν για τη διαμόρφωση συγκεκριμένων χαρτοφυλακίων με άλλους τρόπους. Φανταστείτε, για παράδειγμα, ότι ενδιαφέρεστε να επενδύσετε σε ένα συγκεκριμένο θέμα. Θα μπορούσατε, ας πούμε, να βρείτε ένα κατάλληλο ETF που επικεντρώνεται σε αυτό το θέμα και να χρησιμοποιήσετε το GPT για να σχηματίσετε ένα χαρτοφυλάκιο long-short με βάση τις συμμετοχές του αμοιβαίου κεφαλαίου. Ακούστε πώς:
Εισάγετε τις τελευταίες ετήσιες εκθέσεις για κάθε μία από τις συμμετοχές του ETF στο μοντέλο, επεξεργαζόμενοι μία εταιρεία κάθε φορά και καταγράφοντας τις προβλέψεις του GPT.
Φιλτράρετε για μετοχές στις οποίες το μοντέλο προβλέπει "μεγάλη" αύξηση των κερδών (αυτή είναι μια πιο στενή προσέγγιση από αυτή που ακολούθησαν οι ερευνητές: συμπεριέλαβαν μεσαίες και μεγάλες αυξήσεις).
Κατάταξη των φιλτραρισμένων μετοχών με βάση την εμπιστοσύνη της GPT στις προβλέψεις της.
Αγοράστε τις κορυφαίες, ας πούμε, δέκα μετοχές με τις υψηλότερες βαθμολογίες εμπιστοσύνης.
Πωλήστε τις δέκα μετοχές με τις υψηλότερες βαθμολογίες εμπιστοσύνης όπου η GPT προβλέπει "μεγάλη" μείωση των κερδών.
Επαναλαμβάνεται κάθε χρόνο στις 30 Ιουνίου.
Ουσιαστικά, δημιουργείτε ένα χαρτοφυλάκιο long-short που επικεντρώνεται σε ένα συγκεκριμένο θέμα, χρησιμοποιώντας τα προβλεπόμενα κέρδη των υποκείμενων εταιρειών για την επιλογή των μετοχών. Δεδομένου ότι ένα χαρτοφυλάκιο long-short έχει συνήθως χαμηλή καθαρή έκθεση στην αγορά, θα πρέπει, θεωρητικά, να παρουσιάζει χαμηλότερη μεταβλητότητα. Αυτή η προσέγγιση θα μπορούσε να προσφέρει ισχυρές αποδόσεις προσαρμοσμένες στον κίνδυνο, υπό την προϋπόθεση ότι οι μακροχρόνιες θέσεις υπεραποδίδουν έναντι των βραχυχρόνιων. Αν θέλετε να δημιουργήσετε ένα χαρτοφυλάκιο μόνο με μεγάλη διάρκεια, απλώς ακολουθήστε τα βήματα που περιγράφονται παραπάνω, αλλά παραλείψτε το πέμπτο βήμα.
Πλήρης αποκάλυψη: Δεν έχω δοκιμάσει ή δοκιμάσει αυτή την προσέγγιση, οπότε δεν μπορώ να πω αν θα λειτουργήσει στην πράξη. Αυτό που πραγματικά ήθελα να τονίσω είναι πώς το GPT μπορεί να σας βοηθήσει να περιορίσετε έναν μακρύ κατάλογο μετοχών σε ένα χαρτοφυλάκιο long-short χρησιμοποιώντας μια μέθοδο που υποστηρίζεται από την ακαδημαϊκή έρευνα. Αν αυτό ακούγεται πολύ περίπλοκο ή αφηρημένο, δεν πειράζει - μπορείτε απλώς να χρησιμοποιήσετε το GPT για να σας βοηθήσει να αναλύσετε μεμονωμένες μετοχές, όπως περιγράφηκε προηγουμένως.
