Robert Klatt
ChatGPT-4 kann kommende Gewinne anhand der Finanzdaten von Unternehmen mit höherer Genauigkeit prognostizieren als menschliche Finanzanalysten.
Chicago (U.S.A.). Die Entwicklung von Large-Language-Modellen (LLMs), wie GPT-4 und GPT-4, auf denen die Künstliche Intelligenz (KI) ChatGPT basiert, hat in den letzten Jahren schnelle Fortschritte erzielt. Laut unterschiedlichen Studien können die LLMs bereits Menschen bei Prüfungen und beim analogen Denken übertreffen. Forscher der University of Chicago (UChi) haben nun eine Studie publiziert, laut der GPT-4 anonymisierte Finanzberichte von Unternehmen ohne weitere Brancheninformationen analysieren und kommende Gewinnänderungen besser prognostizieren als professionelle Finanzanalysten.
Laut der Publikation im Social Science Research Network (SSRN) ist die zentrale Neuerung der Studie, die Nutzung von sogenannten Chain-of-thought-Prompts, mit denen die KI den Analyseprozess der menschlichen Ökonomen emulieren konnte. ChatGPT-4 konnte dadurch in den Finanzdaten Trends und Kennzahlen erkennen und aus diesen Prognosen ableiten. Die Genauigkeit der KI bei der Prognose künftiger Gewinne (60 %) lag höher als bei den Finanzanalysten (53 – 57 %)
Um den ökonomischen Nutzen von ChatGPT-4 zu ermitteln, haben die Forscher untersucht, ob die Prognosen der KI sich zur Vorhersage von Aktienkursbewegungen eignen. Die Sharpe-Quotienten und Alphas von Handelsstrategien, die auf den Ergebnissen der KI basieren, schlagen Handelsstrategien anderer Modelle deutlich. Die Kennzahl Alpha bezeichnet die Überschussrendite einer Investition im Verhältnis zur Rendite eines Benchmark-Index. Eine Handelsstrategie, die den Markt schlägt, zeichnet sich somit durch positive Alphas aus.
Laut den Wissenschaftlern zeigen die Ergebnisse, dass KIs bei Investitionsentscheidungen nicht nur als Hilfsmittel dienen können, sondern eine zentrale Rolle einnehmen können. Es ist demnach denkbar, dass LLMs die bisherige Analyse von Finanz- und Börsendaten revolutionieren und die Arbeit von Anlegern massiv verändern.
Social Science Research Network (SSRN), doi: 10.2139/ssrn.4835311
