Institutional Money, Ausgabe 1 | 2024

ket Predictability and Links to Macroeconomy“den Schöp- fungsakt, der am Beginn ihres Experiments mit dem inzwi- schen weltweit bekannten Large Language Model von OpenAI stand. Nach Ermessen der KI Ziel der Autoren, die respektive an den Universitäten Xia- men,Hunan,Washington und Tsinghua wirken, war es, ein KI-Modell zu generieren, das mittels Textauswertung Märkte analysiert und Prognosen für die weitere Entwicklung er- stellt.Wobei sich – falls ein solches Modell funktioniert – die Frage stellt, ob es bisherige von Menschen entworfene Text- analysemethoden übertrifft. Zu diesem Zweck haben die Autoren mit ChatGPT 3.5, der Google-KI BERT und dem bereits etablierten konventionellen Modell von Loughran und McDonald aus dem Jahr 2011 gearbeitet. Mit ihrem Ansatz liefern die Autoren einen neuen Weg in Sachen KI-Textanalyse. Denn in der Vergangenheit basier- te die KI-Forschung grosso modo auf mehr oder weniger exklusiven Machine-Learning-Algorithmen, die von Men- schen entworfene Lexika verwendet haben: Wörter, die zu- vor von Menschen gesammelt wurden, wurden von Maschi- nen ausgewertet. Im Rahmen der vorliegenden Arbeit wur- de der Faktor Mensch de facto komplett ausgeschaltet. Die Maschine sammelt alle vorkommenden Wörter und wertet sie selbsttätig aus. Das ist in gewisser Weise revolutionär. ImDetail ziehen die Autoren die Schlagzeilen und News Alerts des „Wall Street Journals“ von 1996 bis 2022 heran. Mit dem eingangs erwähnten Prompt bewertet ChatGPT nun, ob die jeweilige Schlagzeile für den S&P 500 einen Kursanstieg oder -verfall impliziert oder ob die Auswirkun- gen „unbekannt“ sind. Dieselbe Methode wenden sie für BERT an. Als dritte Vergleichsgruppe wird die bereits erwähnte Wortsammlung von Loughran und McDonald herangezogen. Schließlich werden die drei Lexika mitein- ander verglichen (siehe Abbildung „Unterschiedliche Modelle – Einem Schöpfungsakt gleich kreieren Forscher ein Prognosemodell, das auf der Textanalyse von Schlagzeilen des „Wall Street Journals“ beruht. Der Erfolg von ChatGPT ist erstaunlich und erschließt nebenbei behavioristische Erkenntnisse zu menschlichem Investorenverhalten. Good & Bad News gemäß ChatGPT Wann „Good News“ (NRG) und „Bad News“ (NRB) dominiert haben Die beiden Chartverläufe bilden die Entwicklung der Verhältnisse von Good (NRG) und Bad News (NRB) im Verhältnis zu den Gesamtnews ab. Als Datenquellen dienen die Schlagzeilen des „Wall Street Journals“. Quelle: „ChatGPT, Stockmarket Predictability (…)“, Chen et al. 2011 2006 2001 1996 2022 2016 0,0 0,1 0,2 0,3 0,4 NRG NRB Rezession Prozent Verstanden, lass uns anfangen! Vergiss alle bisherigen Instruktionen. Du bist jetzt ein Finanzexperte, der Ratschläge für Investments erteilt. Ich werde dir die Headline eines Zeitungsartikels geben, und du musst beantworten, ob diese Headline dafür spricht, dass US-Aktien steigen oder fallen. Bitte wähle nur eine dieser drei Optionen – steigen, fallen oder unbekannt – und gib keine weiterführenden Antworten. N o . 1/2024 | institutional-money.com 237 ChatGPT-Update | PRODUKTE & STRATEGIEN FOTO: © XYZ | STOCK.ADOBE.COM