辨认公司真实(shi)盈利能力更有(you)效！AI已超越资(zi)深股票分析师(shi)？,指标,模子,说话
若是使命(ming)是辨认一家公司的真实(shi)盈利能力，AI能否超越经验雄厚的分析师(shi)？
10月28日，投(tou)资(zi)顾问、前丹(dan)佛(fo)大学金融学院院长Tommi Johnsen发布论文(wen)，探讨了大型说话模子（LLMs）从复杂的财务(wu)表露中，尤其是10-K报告(gao)中，精确预计公司核心(xin)收(shou)益的潜力。
研究结果显示，正在展望公司核心(xin)盈利方面，大型说话模子依(yi)照“递次提(ti)醒法”生成的指标，正在大多数标准(zhun)测试中的表现优于传统的基准(zhun)指标，如GAAP净收(shou)入基准(zhun)指标。但是，大型说话模子没有(you)太擅长应对财报非(fei)常常性调整的情况。
正在这篇论文(wen)中，Johnsen首要研究了以下5个问题：
- 大型说话模子能否精确地(di)从10-K报告(gao)中估算出公司的核心(xin)盈利？
- 大型说话模子对核心(xin)盈利的预计是否优于传统基准(zhun)指标？好比GAAP净收(shou)入、运营每股收(shou)益（OPEPS）、折旧和摊销后的运营收(shou)入（OIADP）。
- 大型说话模子应对非(fei)常常性调整的情况如何？
- 大型说话模子生成的核心(xin)盈利指标能否精确展望公司将来的净收(shou)入，而且长时(shi)间有(you)效？
- 大型说话模子生成的核心(xin)盈利正在公司层面表现如何？
- 大型说话模子能否精确地(di)从10-K报告(gao)中估算出公司的核心(xin)盈利？
- 大型说话模子对核心(xin)盈利的预计是否优于传统基准(zhun)指标？好比GAAP净收(shou)入、运营每股收(shou)益（OPEPS）、折旧和摊销后的运营收(shou)入（OIADP）。
- 大型说话模子应对非(fei)常常性调整的情况如何？
- 大型说话模子生成的核心(xin)盈利指标能否精确展望公司将来的净收(shou)入，而且长时(shi)间有(you)效？
- 大型说话模子生成的核心(xin)盈利正在公司层面表现如何？
为了研究以上问题，Johnsen使用了OpenAI的GPT-4o来分析2000年至2023年间美国上市公司发布的10-K报告(gao)，并采用两(liang)种(zhong)提(ti)醒策略：一是“懒惰分析师(shi)法”，赋予GPT-4o单一提(ti)醒，要求它要求估算公司核心(xin)盈利并提(ti)供(gong)来由；二是“递次提(ti)醒法”，赋予GPT-4o一系列提(ti)醒，指示它依(yi)照三(san)个步调进行：辨认异常费用/损失、辨认异常收(shou)入/收(shou)益、汇总并量化核心(xin)盈利。
10-K报告(gao)是美国证(zheng)券交易委员(yuan)会（SEC）要求上市公司每一年提(ti)交的详细财务(wu)报告(gao)，包含公司的经营状况、财务(wu)数据、风险要素、公司治(zhi)理结构(gou)等紧(jin)张信息。
经过研究，Johnsen发现，上述(shu)五个问题中，四个问题的谜底都(dou)是确定的，除(chu)了第三(san)条。
1. 大型说话模子能够精确地(di)从10-K报告(gao)中估算出公司的核心(xin)盈利
Johnsen表示，大型说话模子切(qie)实(shi)其实(shi)能精确地(di)从10-K报告(gao)中估算出公司的核心(xin)盈利，但是，这取(qu)决于具体使用的说话模子要领：结构(gou)化的要领提(ti)供(gong)了更好的指导，帮助大型说话模子生成更精确的核心(xin)盈利预计，与“基线提(ti)醒法”相比，“递次提(ti)醒法”确切(qie)生成了更靠得住的核心(xin)盈利指标。
高质量的核心(xin)盈利指标应该能捕捉到公司稳定、持续的盈利能力，并排(pai)除(chu)颠簸性和非(fei)常常性成分。
“递次提(ti)醒法”正在将展望使命(ming)分解为小步调时(shi)，优于其他要领，有(you)效避免了概念性错误，非(fei)常常性收(shou)益和损失被过滤并以精确的体式格局汇总。“基线提(ti)醒法”偏向于将核心(xin)盈利与其他盈利范例的指标，如EBITDA和现金流殽杂，并对利息、折旧和摊销等常常性费用做出没有(you)正确的调整。
2. 大型说话模子对核心(xin)盈利的预计优于传统基准(zhun)
Johnsen表示，“递次提(ti)醒法”生成的核心(xin)盈利展望反应了盈利能力随时(shi)间变化的稳定构(gou)成部份，模子的自回归系数（反应持续性程度）为0.917，而GAAP净收(shou)入基准(zhun)指标的自回归系数为0.849——较高的系数注解大型说话模子生成的核心(xin)盈利指标捕捉到了盈利能力随时(shi)间变化的稳定构(gou)成部份。
但是，运营每股收(shou)益基准(zhun)指标、折旧和摊销后的运营收(shou)入基准(zhun)指标的自回归系数均略高，分别为1.0174和1.0178。
总结来说，“递次提(ti)醒法”生成的核心(xin)盈利指标仍然具有(you)竞争(zheng)力和有(you)效性，尤其是正在与GAAP净收(shou)入基准(zhun)指标相比时(shi)，能够捕捉更有(you)意义的核心(xin)盈利成分。
3. 大型说话模子的非(fei)常常性调整情况较弱
Johnsen表示，大型说话模子没有(you)太擅长应对财报非(fei)常常性调整的情况。
“递次提(ti)醒法”生成的指标的持久性系数为0.0288（没有(you)显著），而“懒惰分析师(shi)法”生成的指标为0.0759（正在5%程度上显著），Compustat的OIADP为0.3125（正在1%程度上显著）。
4. 大型说话模子生成的核心(xin)盈利指标能够精确展望公司将来的净收(shou)入，而且长时(shi)间有(you)效
Johnsen表示，大型说话模子生成的核心(xin)盈利指标提(ti)供(gong)了比基准(zhun)指标更精确的将来盈利展望。
“递次提(ti)醒法”生成的指标的平均绝对展望误差（mean absolute prediction error）为1.58美元，GAAP净收(shou)入基准(zhun)指标的误差为1.77美元，运营每股收(shou)益基准(zhun)指标的误差为1.56美元。
“递次提(ti)醒法”生成的指标鄙人一周期净收(shou)入回归预计中获得的解释能力（R^2）为70.86%，高于GAAP净收(shou)入基准(zhun)指标的60.87%。当展望范围(wei)扩展到两(liang)年时(shi)，“递次提(ti)醒法”生成的指标的R^2为83.60%，高于运营每股收(shou)益基准(zhun)指标的66.57%。
因此(ci)，大型说话模子正在捕捉公司长时(shi)间、持续的盈利能力方面更加有(you)效。
5. 大型说话模子成的核心(xin)盈利正在公司层面表现很好
Johnsen表示，公司层面的展望回归显示，“递次提(ti)醒法”生成的盈利展望最为靠得住，统计结果令(ling)人信服——递次模子的R^2为28.39%，并生成了最高的平均系数0.4564，和最低的均方误差（mean squared error）。
