Badacze zbadali możliwości wykorzystania dużych modeli języka do wspomagania analizy fundamentalnej spółek. Projekt łączył dane z raportów korporacyjnych, wskaźników makroekonomicznych oraz dokumentów przesyłanych do Komisji Papierów Wartościowych USA (SEC), dostępnych w bazie EDGAR.
System działał na zasadzie retrieval-augmented generation - najpierw przygotowywane były dokumenty zawierające informacje o analizie (m.in. wiedzę o cyklach Kitchina), które następnie wysyłane były do modelu GPT-4o. Takie podejście pozwala LLM na dostęp do bieżących danych finansowych bez potrzeby ponownego trenowania. Przez cztery tygodnie system automatycznie generował briery dla dziewięciu wybranych spółek.
Wygenerowane raporty oceniało dziewięciu inwestorów indywidualnych, którzy sprawdzili użyteczność takiego podejścia do analizy danych. Badanie sugeruje, że LLM mogą znacząco zmienić sposób, w jaki profesjonaliści finansowi pracują z ogromną ilością informacji - od raportów rocznych przez dane ekonomiczne po regulacyjne dokumenty SEC. To szczególnie istotne biorąc pod uwagę wolumen tekstów, które tradycyjnie wymagają ręcznego czytania i syntezy.