AI versus aandelenanalisten

Dit onderzoek beoordeelt het vermogen van ChatGPT-4o om complexe financiële data-analyse uit te voeren, waaronder zero-shot prompts, tijdreeksvisualisaties, risico/rendement-metrics (zoals Sharpe-ratio’s, CAPM-beta) en ARMA-GARCH-modellen. Met dagelijkse rendementsgegevens van de 30 Dow Jones-bedrijven (2019–2023) vergeleken de auteurs de antwoorden van GPT-4o met resultaten uit Stata. Het model toonde een goed begrip van financiële concepten, genereerde bruikbare Python-code en gaf verhelderende tekstuele analyses. Wel moesten gebruikers regelmatig fouten in de code, naamgevingsproblemen en visualisaties corrigeren. De studie concludeert dat GPT-4o veel potentie heeft voor financieel onderzoek en praktijk, mits de uitvoer zorgvuldig wordt gevalideerd.

Bekijk paper

Deze studie onderzoekt of ChatGPT kan worden ingezet om aandelenkoersbewegingen te voorspellen door financiële nieuwskoppen te analyseren. De auteurs laten ChatGPT-4 nieuwsberichten over S&P 500-aandelen classificeren als positief, negatief of neutraal, en gebruiken deze sentimenten als basis voor een gesimuleerde handelsstrategie. Backtests met nieuws na 2021 leveren indrukwekkende resultaten op: een cumulatief rendement tussen 545% en 655% over twee jaar en een dagelijkse alfa van ongeveer 0,38%. De bevindingen suggereren dat grote taalmodellen betekenisvolle voorspellende signalen uit ongestructureerde tekst kunnen halen, hoewel de resultaten gebaseerd zijn op simulaties zonder rekening te houden met transactiekosten of markteffecten.

Bekijk paper

Assistent-professor Alejandro Lopez-Lira (Universiteit van Florida) voerde zowel academische simulaties als live-experimenten uit met ChatGPT, DeepSeek en Grok om hun vermogen tot aandelenselectie te testen. In een backtest uit 2023 met meer dan 134.000 nieuwsberichten na 2021 behaalde ChatGPT een cumulatief rendement van 650% met een dagelijkse alfa van 0,38%, beter dan de benchmarks. In samenwerking met de beleggingsapp Autopilot beheert Lopez-Lira nu echte portefeuilles op basis van AI-modeluitvoer. De modellen analyseren macro-economische gegevens, bedrijfsfundamentals en recente nieuwsberichten om beleggingsscores toe te kennen en portefeuilles van aandelen en ETF’s samen te stellen. Hoewel veelbelovend, wijst het artikel op praktische beperkingen zoals verouderde trainingsdata, hallucinaties van het model en fricties bij echte handel.

Bekijk artikel