Gada finanšu atskaišu analīze izmantojot GPT un Llama2

Abstract

Uzņēmumi, kuru akcijas tiek tirgotas, kādā no biržām ir pienākums ik gadu publiskot gada atskaiti par uzņēmuma finansiālo stāvokli par pēdējo gadu. Šai atskaitei uzņēmumi velta pietiekami daudz uzmanības un līdzekļu, jo balstoties uz atskaites saturu un noskaņojumu var tikt ietekmēta uzņēmuma akciju cena, reputācija, uzticība un nākotnes attīstības perspektīvas. Gada atskaites ir svarīgs informācijas avots priekš jebkura investora vai finanšu analītiķa, kas vēlas veikt savus vai klienta vārdā ieguldījumus iegādājoties, kāda publiski tirgota uzņēmuma akcijas ar mērķi gūt peļņu nākotnē, ja akciju cena izmainīsies prognozētā virzienā. Attīstoties mašīnmācīšanās nozarei parādījās arvien vairāk risinājumu, kas spēj efektīvi un ātri analizēt gada atskaites ne tikai to strukturēto saturu, bet arī nestrukturētos tekstus, kas sevī arī satur daudz svarīgas informācijas par uzņēmuma kopēju finansiālo stāvokli. Lielie valodu modeļi ir tehnoloģiski mašīnmācīšanās risinājumi, kas ļauj lietotājiem tērzēšanas veidā analizēt un izvilkt svarīgus datus no dokumentiem, tai skaitā no gada atskaitēm. Šie modeļi ļauj investoriem uzdot jautājumus par dokumentu saturu un dabūt pilnvērtīgas atbildes par strukturētiem un nestrukturētiem datiem, ko tik efektīvā veidā nebija iespējams izdarīt pirms. Uz doto brīdi ir guvuši popularitāti vairāki lielo valodu modeļi, starp viņiem ir uzņēmuma OpenAi GPT modeļi un uzņēmuma Meta Llama2 modeļi. It īpaši lielu popularitāti guva ChatGPT modelis, ko OpenAi piedāvā publiski bez maksas, kas ļauj lietotājiem tērzēt ar modeli par gandrīz jebkurām tēmām un saņemt cilvēka līdzīgas atbildes. Šī darba mērķis ir noskaidrot, cik piemēroti šī brīža populārākie GPT un Llama2 saimes modeļi ir darbam ar gada atskaitēm dokumentu formātos. Saprast, cik precīzi ir rezultāti un vai uz tiem var paļauties investīciju nozares pārstāvji, kur investīciju kļūdas var radīt ievērojamus zaudējumus. Salīdzināt GPT un Llama2 saimju modeļus savā starpā, to efektivitāti, lietošanas specifikas, izpildes laikus un ekspluatācijas izmaksas.

Companies whose shares are traded on a stock exchange are required to publish an annual report on the company's financial position for the last year. This report is given sufficient attention and resources by companies because the content and sentiment of the report can affect the company's share price, reputation and future development prospects. Annual reports are an important source of information for any investor or financial analyst wishing to invest on his own or on behalf of a client by buying shares in a publicly traded company with a view to earning income in the future if the share price moves in the expected direction. With the development of machine learning, more and more solutions have emerged that are able to efficiently and quickly analyse not only the structured content of annual reports, but also the unstructured texts that contain a lot of important information about a company's financial situation. Big Language Models are technological machine learning solutions that allow users to analyse and extract relevant data from documents, including annual reports, in a frictionless way. These models allow investors to ask questions about the content of documents and get full answers about structured and unstructured data, which was not possible before in such an efficient way. A number of big language models have gained popularity to date, including OpenAi's GPT models and Meta's Llama2 models. In particular, the ChatGPT model, which OpenAi offers to the public free of charge, has been very popular, allowing users to query the model on almost any topic and get human-like answers. The aim of this paper is to investigate the suitability of the currently most popular GPT and Llama2 family models for handling annual reports in document formats. To understand how accurate the results are and whether they can be relied upon by the investment industry, where investment errors can lead to significant losses. Compare the GPT and Llama2 family models with each other, their efficiency, specifics of use, run times and costs.