Содержание

  1. Почему ответы на вопросы важны в финансовом анализе
  2. Как LLM + RAG может помочь в обеспечении качества документов
  3. Демонстрация с использованием нашего API AnswerMe LLM

Отказ от ответственности: я не финансовый эксперт, и эта статья о том, как использовать LLM как ИНСТРУМЕНТ для разработки программного обеспечения для финансовых рекомендаций. По поводу любых финансовых консультантов проконсультируйтесь со своим финансовым консультантом.

Почему обеспечение качества документов важно для финансового анализа?

Как и в любой проблеме, задавая правильный вопрос, можно решить более половины проблемы. В этом контексте я бы сказал, что поиск «надежного» источника ответа может составлять еще четверть решения, а последняя четверть будет самим решением!

Когда дело доходит до финансового фундаментального анализа, все дело в том, чтобы задать правильный вопрос нужным «экспертам» или найти «надежный» источник ответа.

Прежде чем инвестировать в любую компанию, инвестор должен задать ряд вопросов, таких как:

  • Компания постоянно растет?
  • Является ли компания прибыльной?
  • Кто конкуренты компании?
  • Какова стратегия компании для поддержания роста в будущем?

И по многим другим вопросам вы можете проверить эти ссылки.

  1. Статья по фундаментальному анализу, Школа бизнеса Калифорнийского университета в Риверсайде
  2. 15 вопросов, которые вам нужно задать об основах любой акции

Как LLM + RAG может помочь в обеспечении качества документов?

Теперь у нас есть представление о том, как определить правильный вопрос. Следующий вопрос: Как мы можем на них ответить

Сначала нам нужно найти надежный источник информации. Если вы инвестируете в компанию Y, вы можете прочитать десятки блогов и новостных статей о ее деятельности. Но при этом вы упускаете важный источник информации: квартальный/полугодовой и годовой отчет компании.

Хотя эти отчеты могут показаться сложными для многих людей, их необходимо понять любому новичку или опытному инвестору. Более того, любой разработчик, создающий инвестиционные приложения, которые помогают инвесторам в принятии решений, должен поддерживать понимание этого документа.

Итак, чем может помочь LLM+RAG, просто они работают вместе в такой последовательности:

  1. Пользователь вводит произвольный текст сложного вопроса
  2. Модель LLM понимает вопрос, создавая внутреннее представление вопроса, назовем это внедрением вопроса
  3. Документ разрезается на перекрывающиеся фрагменты.
  4. Каждый фрагмент встроен в модель chunk-embedding-vector.
  5. question-embedding и chunk-embedding-vector сопоставляются с помощью некоторой меры сходства векторов.
  6. Окончательный ответ генерируется на основе совпадающих фрагментов.

Более подробно о том, как работает LLM+RAG, читайте в нашей статье здесь

Демо: LLM для простого фундаментального анализа в отчетах Tesla

В нашей демонстрации мы используем отчет Tesla за второй квартал 2023 года. Вы можете скачать это здесь" :

Вопрос, на который мы хотим ответить:

Каким был рост Tesla во втором квартале 2023 года

Мы задали тот же вопрос ChatGPT (3.5, бесплатная версия). Вот ответ

Одним из ограничений бесплатной версии ChatGPT (версия 3.5) является то, что последние данные обучения относятся к сентябрю 2021 года (источник). Мы можем обойти эту проблему, запустив LLM + RAG для последних, заслуживающих доверия документов по нашему выбору.

Мы задали AnswerMe ,нашему LLM+RAG API тот же вопрос и получили другой, полезный ответ!

И вот дамп текста для ответа:

Во втором квартале 2023 года Tesla продемонстрировала значительный рост в определенных областях. Объемы внедрения систем хранения энергии увеличились на 222% по сравнению с предыдущим годом, достигнув 3,7 ГВтч. Этот рост был связан с продолжающимся расширением первого специализированного завода Tesla Megapack в Латропе, Калифорния. Завод мощностью 40 ГВтч добился успеха и, как ожидается, в будущем выйдет на полную мощность.

С другой стороны, внедрение солнечной энергии последовательно оставалось относительно неизменным на уровне 66 МВт и снизилось по сравнению с предыдущим годом. Это снижение произошло в первую очередь из-за высоких процентных ставок, что привело к отсрочке закупок солнечной энергии во всей отрасли.

Что касается услуг и другого бизнеса, второй квартал 2023 года ознаменовался принятием NACS, стандарта зарядки, разработанного Tesla более десяти лет назад, несколькими крупными компаниями, включая Ford, GM, Mercedes, Nissan, Polestar, Rivian, Volvo и Electrify. Америка. Внедрение NACS другими компаниями еще больше откроет зарядную сеть Tesla в 2024 году, способствуя более быстрому переходу рынка с автомобилей с двигателем внутреннего сгорания на электромобили и ускоряя рост зарядной сети Tesla.

В целом, несмотря на рост внедрения систем хранения энергии, сектор солнечной энергетики столкнулся с проблемами из-за ситуации с процентными ставками. Однако принятие стандарта зарядки Tesla другими компаниями указывает на позитивные изменения в сфере услуг и другом бизнес-сегменте.

Как вы можете воспроизвести результаты этого примера:

Вы можете сами проверить ответы из документа.

Можно отметить одну вещь: вопрос «точный»: мы задаем конкретный вопрос «Как был рост» для конкретной компании «Tesla» за определенный недавний период времени «Второй квартал 2023 года». Это тот тип вопросов, который имеет решающее значение для бизнеса, и в этом LLM+RAG превосходит ChatGPT 3.5.

В следующих статьях я проиллюстрирую систематический метод оценки ответов LLM+RAG.

Если у вас есть какие-либо комментарии или проблемы с использованием API, сообщите нам об этом или напишите нам по адресу «информация на betaflow dot ai»

По вопросам разработки, обучения и поддержки AI и LLM отправьте нам электронное письмо по адресу «info at betaflow dot ai»

Также подписывайтесь на нас в twitter и LinkedIn