«Heute schon geprompt?»

06.06.2024

Das sogenannte «Prompt Engineering» oder auch kurz «Prompting» gilt als neue Kompetenz im Umgang mit KI und maschinellem Lernen, um mit Regieanweisungen (Prompts) an ein grosses Sprachmodell (Large Language Model, LLM) möglichst gute Antworten oder Aktionen zu erhalten. Folglich versteht sich Prompting auch im Finanzbereich als unverzichtbare Methode zur Erschliessung des vollen Potenzials eines LLMs, wie in diesem Beitrag aufgezeigt wird.

Im Bereich KI erhalten grosse Sprachmodelle zurzeit in vielen Unternehmen wachsende Aufmerksamkeit, weil sie im Bereich der Sprachverarbeitung mit Modellen wie Chat GPT, CoPilot und anderen ermöglichen, durch geschickt formulierte Anweisungen und Eingaben ein gewünschtes Ergebnis zu erzielen. Da die grossen Sprachmodelle mit riesigen Mengen von Textdaten trainiert wurden, sind sie nicht nur in der Lage, mit ihren Benutzern zu kommunizieren, sondern vor allem Antworten auf eine Vielzahl von Aufforderungen und Fragen zu erstellen. Ihre Fähigkeiten erstrecken sich auf Aufgaben wie das Schreiben verschiedener kreativer Inhalte, das Übersetzen von Sprachen und die Bereitstellung informativer Antworten. Dabei ist sogar das Verständnis von Mundart kein Problem mehr, wie das folgende Beispiel zeigt:

Was versteht man genau unter einem Prompt und worauf kommt es beim Prompting an?

Unter dem Begriff Prompt versteht man einen Text mit einer oder mehreren Anweisungen an das LLM, um eine bestimmte Reaktion oder Aktion auszulösen. Ein Prompt befähigt eine Person folglich, mit dem LLM zu kommunizieren, wobei das LLM die Eingabeaufforderung zunächst analysiert, bevor es auf seine umfangreiche Wissensbasis und sein Verständnis von Sprachmustern zurückgreift.

Die dann vom LLM generierte Antwort auf den textbasierten Prompt kann z.B. ein Textvorschlag, eine Textvervollständigung, eine Übersetzung, eine Zusammenfassung von Informationen, aber auch ein kreativer Text wie ein Gedicht oder Programmier-Code sein. Gerade bei der Analyse von schriftlichen Dokumenten, wie z. B. Protokollen, haben LLMs bereits ausgezeichnete Leistungen gezeigt, indem sie informative Zusammenfassungen und genaue Vorhersagen über Risiken und Investitionen zu erstellen. Darüber hinaus gibt es auch die Möglichkeit, KI-basierte Bildgeneratoren wie DALL-E oder KI-Tools für die Herstellung von Musik bzw. Audiosignalen einzusetzen, womit die Breite der Anwendungsbereiche von Prompts deutlich wird.

Was heisst das nun für den Anwendungsbereich Finanzen?

Ein aktuelles Forschungsprojekt an der Universität Chicago hat erst vor kurzem bewiesen, dass LLMs auch quantitatives Material verarbeiten und sogar Finanzberichte analysieren können. So sammelten die Autoren anonymisierte Finanzberichte von 15.401 Unternehmen aus den Jahren 1968 bis 2021 und entwarfen dazu zwei Prompts für die Analyse der Jahresabschlüsse:

Im ersten Prompt forderten die Autoren Chat GPT 4.0 Turbo zunächst auf, anhand der Bilanzen zu bestimmen, ob die Gewinne des Unternehmens im folgenden Jahr steigen oder sinken werden. In der zweiten Aufforderung zerlegten die Autoren das Problem in Schritte, die denen von menschlichen Analysten entsprechen, und forderten das Modell auf, die Finanzberichte zu analysieren. Die Autoren verglichen danach die Vorhersagen von ChatGPT mit denen, die von tatsächlichen Analysten im Monat nach der Veröffentlichung der Jahresabschlüsse abgegeben wurden, wobei Sie Folgendes herausfanden:

GPT übertrifft die Finanzanalysten bei der Vorhersage von Gewinnänderungen im Durchschnitt. Während die Antwort des Modells bei einem «einfachen» Prompt der Autoren tendenziell schlechter abschneidet als die der menschlichen Analysten, ist die Eingabeaufforderung im Stil einer Gedankenkette, die das menschliche Denken nachahmt, in 60 % aller Fälle nicht nur richtiger, sondern um sieben Prozentpunkte sogar besser als die durchschnittliche Genauigkeit der menschlichen Analysten.

Das Ergebnis hat darüber hinaus gezeigt, dass LLMs Zahlen in Finanzberichten ohne jeglichen weiteren Kontext besser analysieren können als Finanzanalysten, was auch für Investoren und Regulierungsbehörden von Interesse sein wird. Auch ergibt sich ein enormes Potenzial für die finanzielle Entscheidungsfindung und -unterstützung von Anlegern und Investoren.

Fazit

Frank Sinatra sang vor vielen Jahren den Song «The best is yet to come.» und dieses Zitat steht sinnbildlich für die bisherigen Erfahrungen mit dem Einsatz von LLMs, die auch im Finanzbereich längst angekommen sind und am Beispiel der aktuellen Forschung eindrucksvoll erkennen lassen, was im Bereich der Analyse und Entscheidungsfindung heute bereits möglich ist.

Vor diesem Hintergrund laden wir Sie herzlich ein, unsere Forschung am IFL im Bereich KI zu unterstützen und bei einer Kurzumfrage zum Thema LLMs unter dem folgenden Link mitzumachen:  Kritische Erfolgsfaktoren für den Einsatz von generative AI in Finanzen und Controlling (office.com). Vielen Dank!

Seminarhinweis

Möchten Sie mehr über die Anwendung von Künstlicher Intelligenz im Finanzbereich erfahren? Besuchen Sie unser Seminar Künstliche Intelligenz als Effizienztreiber in Controlling und Finanzen.

Literaturhinweise

Ruffiner, O,. (2023): Chat GPT: Die künstliche Intelligenz versteht ein bisschen Schweizerdeutsch | Handelszeitung

Alex G. Kim, Maximilian Muhn, Valeri V. Nikolaev (2024): Financial Statement Analysis with Large Language Models, BFI Working Paper No. 2024-65, online: Financial Statement Analysis with Large Language Models | BFI (uchicago.edu)