# Financial Statement Analysis with Large Language Models

**Authors:** Alex Kim, Maximilian Muhn, Valeri Nikolaev  
**arXiv:** [2407.17866](https://arxiv.org/abs/2407.17866)  
**Date:** 2024-07-25  
**Summary page:** https://www.summarizepaper.com/fr/paper/2407.17866v2/

## Key points

- Les auteurs Alex Kim, Maximilian Muhn et Valeri Nikolaev ont mené une étude sur l'analyse des états financiers à l'aide de grands modèles de langage (LLMs).
- Leur recherche visait à déterminer si ces modèles pouvaient effectuer avec succès une analyse similaire à celle d'un analyste financier professionnel.
- Les résultats ont montré que le LLM surpassait les analystes humains en termes de capacité prédictive dans certaines tâches clés.
- Sa précision était comparable à celle d'un modèle ML spécifiquement entraîné.
- La capacité du LLM ne provient pas uniquement de sa mémoire d'entraînement, mais également de sa capacité à générer des insights narratifs utiles sur la performance future d'une entreprise.
- Les stratégies commerciales basées sur les prédictions du GPT ont montré un ratio de Sharpe et des alphas plus élevés que celles basées sur d'autres modèles.

## Summary

Les auteurs Alex Kim, Maximilian Muhn et Valeri Nikolaev ont mené une étude sur l'analyse des états financiers à l'aide de grands modèles de langage (LLMs). Leur recherche visait à déterminer si ces modèles pouvaient effectuer avec succès une analyse similaire à celle d'un analyste financier professionnel. En fournissant des états financiers standardisés et anonymes à GPT4, ils ont demandé au modèle d'analyser ces données pour prédire la direction des bénéfices futurs des entreprises. Les résultats ont montré que le LLM surpassait les analystes humains en termes de capacité prédictive dans certaines tâches clés. De plus, sa précision était comparable à celle d'un modèle ML spécifiquement entraîné. Il est intéressant de noter que cette capacité ne provient pas uniquement de sa mémoire d'entraînement, mais également de sa capacité à générer des insights narratifs utiles sur la performance future d'une entreprise. Enfin, les stratégies commerciales basées sur les prédictions du GPT ont montré un ratio de Sharpe et des alphas plus élevés que celles basées sur d'autres modèles. Ces résultats suggèrent que les grands modèles de langage pourraient jouer un rôle central dans l'analyse et la prise de décision financière. Cette étude souligne le potentiel des LLMs dans le domaine de l'analyse financière et met en lumière leur capacité à surpasser les analystes humains dans certaines tâches prédictives clés.