Amazon Web Services ブログ

Amazon Bedrock を利用したプロンプトエンジニアリングにより、アナリストの財務諸表分析、仮設検定、因果関係分析を強化する

このブログは “Empowering analysts to perform financial statement analysis, hypothesis testing, and cause-effect analysis with Amazon Bedrock and prompt engineering” を翻訳したものです。

このブログは、「資本市場と金融サービスにおける生成 AI 及び AI/ML」シリーズの一部です。

はじめに

プロンプトエンジニアリングと高度なプロンプティングは、大規模言語モデル（LLM）の動作を導き、形作るための強力な技術です。よく設計されたプロンプトを作成することで、金融サービス業界のビジネスユーザーやアナリストは、企業固有の情報を含む LLM の知識と能力を活用し、幅広いタスクを驚くべき効果と効率で実行できます。プロンプトエンジニアリングの強みは、複雑なクエリや指示を、簡潔でありながら表現力豊かなプロンプトに凝縮し、関連性のある一貫した応答を引き出す能力にあります。この技術により、ビジネスユーザーはモデルの自然言語理解、推論、生成能力を活用して、文書要約、データ分析と解釈、財務計算など、幅広い課題に取り組むことができます。Few-shot Learning や Chain-of-Thought などの高度なプロンプティング技術は、モデルに対して例示や段階的な推論プロセスを提供することで、モデルのパフォーマンスをさらに向上させ、人間のような推論と問題解決能力を発揮させます。

プロンプトエンジニアリングと高度なプロンプティングは、アナリストが LLM の潜在能力と隠れた推論能力を最大限に活用することを可能にします。Amazon Bedrock で Anthropic の Claude 3 Sonnet モデルを金融データと使用することで、金融アナリストは、高度なプロンプトと組み合わせ、様々なデータモダリティ（画像、テキスト）から文脈に応じた洞察を提供することができます。これにより、自然言語プロンプトを使用して財務分析や計算を実行する能力を通じて、アナリストの生産性を向上させ、時間を短縮することができます。

シカゴ大学のブース・スクール・オブ・ビジネスが発表した「大規模言語モデルによる財務諸表分析」に関する研究論文では、以下のような結果が得られました：

「LLM がプロの人間のアナリストと同様に財務諸表分析を成功裏に実行できるかどうかを調査しました。我々は標準化された匿名の財務諸表を GPT-4 に提供し、将来の収益の方向性を判断するためにそれらを分析するようモデルに指示しました。物語や業界特有の情報がなくても、LLM は収益変化を予測する能力において金融アナリストを上回りました…」

財務分析は、財務諸表（収益、キャッシュフロー、資産、負債など）の文脈の中で企業の業績を検証します。セクション 1 では、金融アナリストが生成 AI 、Amazon Bedrock 上で使用できる Anthropic 社の Claude 3 Sonnet、およびプロンプトエンジニアリングを使用して財務諸表（貸借対照表、損益計算書、キャッシュフロー計算書）を分析する方法を示します。資本市場の顧客は、マクロ経済イベントや指数価格の動きに関する情報にアクセスでき、リサーチアナリストやクオンツアナリストはこれらを活用して、これらのイベントとその指数価格への影響の関係を研究することができます。セクション 2 では、Amazon Bedrock 上の Anthropic 社の Claude 3 Sonnet が、マルチモーダルデータ（画像とテキスト）とマクロ経済イベント情報を組み合わせて、インフレや地政学が指数価格の動きに与える影響などの洞察を得るために、マクロ経済イベントの指数価格への影響を分析する方法を示します。

セクション 1：生成 AI と LLM による財務諸表分析

財務分析は、企業が資本コストを満たすかそれを上回る収益率を上げる能力、収益性のある事業成長、および義務を果たし機会を追求するのに十分なキャッシュを生み出す能力を評価することに焦点を当てています。この分析は、監査済み財務諸表、規制当局が要求する追加開示、および付随する（未監査の）経営者のコメンタリーを含む、企業の財務報告書に記載されている情報から始まります。ここで紹介する基本的な財務諸表分析は、アナリストが財務報告書以外の調査から得られる追加情報をよりよく理解し解釈するための基礎を提供します。

金融アナリストが扱う主な 3 種類の財務諸表は、貸借対照表、損益計算書、およびキャッシュフロー計算書です。損益計算書（利益損失計算書とも呼ばれる）は、特定の期間（通常は四半期または1年）における企業の収益、費用、純利益または純損失を報告します。その期間中に企業がどれだけの金額を稼いだか、または損失したかを示します。損益計算書を解釈するために、アナリストは収益成長、費用管理、収益性の傾向を分析します。貸借対照表は、特定の時点における企業の資産、負債、株主資本のスナップショットを示します。企業が所有するもの（資産）、負っているもの（負債）、および株主の残余持分（資本）を示します。貸借対照表を使用して、アナリストは企業の流動性（短期債務を履行する能力）、支払能力（長期債務を履行する能力）、および財務レバレッジ（負債対資本の比率）を評価します。キャッシュフロー計算書は、特定の期間における現金の流入と流出を報告し、営業活動、投資活動、財務活動の 3 つのセクションに分類されます。金融アナリストは、企業の営業活動からのプラスのキャッシュフロー生成能力、投資ニーズ、および資金調達活動を評価します。これらの財務諸表は相互に関連しており、企業の財務業績、財政状態、および流動性を包括的に理解するためには、一緒に分析する必要があります。

LLM と生成 AI（Amazon Bedrock 上の Anthropic Claude 3 Sonnet）による財務諸表分析の利点

(上図スライドの日本語訳)

生成 AI を利用できない場合の作業

  • 財務諸表データの収集
  • 異なる財務諸表の照合
  • スプレッドシートに財務データを入力
  • スプレッドシートで財務データを整理
  • 財務比率を手動で計算
  • SME（専門家）と財務比率を分析
  • 比率と財務諸表を解釈
  • 分析レポートを作成

生成 AI を利用できる場合の作業

  • プロンプトを使ってLLMに財務データを送信
  • プロンプトを使ってLLMに分析と計算をさせる
  • プロンプトを使ってレポートを生成
  • 結果を検証し解釈する

生成AI を活用する利点

  • 効率的で時間がかからない
  • 洞察と解釈に焦点を当てることができる
  • 自然言語のプロンプトでインタラクティブ
  • より少ないツールとステップ

以下は、Amazon Bedrock 上の Anthropic Claude 3 Sonnet を使用して、画像、テキストデータ、およびプロンプトを用いた投資調査のための財務諸表分析を示しています。Amazon Bedrock 上の Anthropic Claude 3 Sonnet を使用して、画像、テキストデータ、およびプロンプトを用いた投資調査のための財務諸表分析に関するビデオをご覧ください。

Video screen capture

財務諸表分析プロンプトの例と結果

財務分析プロンプト質問 1：
この会社はどれくらいの負債を抱えていますか？

LLM の回答結果：
LLM results

(日本語訳)
前述の連結貸借対照表によると、2024 年 3 月 31 日現在の同社の長期負債総額は 576 億 3400 万ドルでした。

財務分析プロンプト質問 2：
収益は時間とともに着実に増加していますか？回答を箇条書きで示してください。

LLM の回答結果：

LLM results 2

(日本語訳)

  • 画像に表示されている情報に基づいて、時間の経過に伴う収益の伸びに関するポイントは次のとおりです。
  • 総純売上高は、2023 年第 1 四半期の 1273 億 5800 万ドルから 2024 年第1四半期の 1433 億 1300 万ドルに増加し、前年比で収益が増加したことを示しています。
  • 同社は、製品セグメントとサービスセグメントの純売上高を別々に報告しています。
  • 製品の純売上高は、2023 年第 1 四半期の 569 億 8100 万ドルから 2024 年第1四半期には 609 億 1500 万ドルに増加し、増加傾向を示しています。
  • サービス純売上高は、2023 年第 1 四半期の 703 億 7700 万ドルから 2024 年第 1 四半期には 823 億 9800 万ドルに増加し、これも収益の伸びを示しています。
  • この画像では 2 つの四半期のデータしか提供されていませんが、製品とサービスの両方のセグメントが前年比で一貫して増加していることは、同社の収益が時間の経過とともに着実に増加していることを示しています。

ただし、収益が着実に増加しているかどうかを明確に結論付けるには、収益の傾向をより包括的に分析するために、複数年または四半期などのより長い期間のデータを用意しておくと役立ちます。

財務分析プロンプト質問 3：

画像内のデータから比率を計算して財務分析を行ってください。比率を解釈してください。回答は、各セクションごとに 3 列（そのセクションの比率、比率の計算、比率の値の解釈）のテーブル形式で示してください。各比率について、計算/根拠/正当性を示してください。回答を作り上げないでください。わかる場合のみ回答してください。

活動性比率：

| 活動性比率 | 比率の計算 |
|————|————|
| 棚卸資産回転率 | 売上原価 / 平均棚卸資産 |
| 棚卸資産保有日数（DOH） | 期間の日数 / 棚卸資産回転率 |
| 売上債権回転率 | 収益または純信用販売 / 平均売上債権 |
| 売上債権回収日数（DSO） | 期間の日数 / 売上債権回転率 |
| 買入債務回転率 | 仕入高 / 平均買入債務 |
| 買入債務支払日数 | 期間の日数 / 買入債務回転率 |
| 運転資本回転率 | 収益 / 平均運転資本 |
| 固定資産回転率 | 収益 / 平均固定資産 |
| 総資産回転率 | 収益 / 平均総資産 |

LLM の回答結果：

LLM results 3

財務分析プロンプト質問 4：

画像内のデータから比率を計算して財務分析を行ってください。比率を解釈してください。回答は、各セクションごとに3列（そのセクションの比率、比率の計算、比率の値の解釈）のテーブル形式で示してください。各比率について、計算/根拠/正当性を示してください。回答を作り上げないでください。わかる場合のみ回答してください。

収益性比率：

| 売上高利益率 | 比率の計算 |
|————–|————|
| 売上総利益率 | 売上総利益 / 収益 |
| 営業利益率 | 営業利益 / 収益 |
| 税引前利益率 | 税引前利益（EBT） / 収益 |
| 純利益率 | 当期純利益 / 収益 |

LLM の回答結果：

LLM results 4

セクション 2：生成 AI と LLM を用いた投資調査のための仮説検証と因果関係分析

グローバル資本市場に影響を与える要因は様々です。資本市場は、経済全体の健全性に関する洞察を提供する一連のマクロ経済指標に応じて変動します。国内総生産（GDP）成長率、失業率、インフレ率、消費者信頼感、連邦準備制度理事会（FRB）の金利決定などの要因が、投資家心理と市場動向に影響を与える可能性があります。強い GDP 成長と低い失業率は通常、強固な経済を示し、投資家の信頼感を高め、株価を上昇させます。高インフレと金利上昇が組み合わさると、投資家心理が冷え込み、借入コストの増加と消費支出の減少により、市場の調整や下落につながる可能性があります。

連邦準備制度理事会（以降、FRB）は、個人消費支出（PCE）、生産者物価指数（PPI）、消費者物価指数（CPI）などの主要なインフレ指標を監視し、金融政策決定の指針としています。これらの指標が予想を上回ると、FRB はインフレ圧力を抑制するために金利を引き上げる可能性があります。金利の上昇は企業利益と消費支出に影響を与え、資本市場に影響を及ぼす可能性があります。

地政学的紛争、パンデミック、戦争などのグローバルイベントも、程度の差こそあれ資本市場に影響を与える可能性があります。投資家は予期せぬ悪影響のあるイベントに否定的に反応し、市場のボラティリティと経済の不確実性が高まります。資本市場はまた、人工知能、持続可能性、モノのインターネットなどの新たなマクロテーマを特定し、そこに資本を配分します。投資家は、これらのテーマが実行され、新しい製品やサービスに変換されるにつれて、リターンを生み出そうとします。

FRB と証券取引委員会（SEC）は、米国の資本市場の規制と監督において重要な役割を果たしています。FRB は経済成長、物価安定、最大雇用を促進するための金融政策を行い、SEC は証券市場を監督し、投資家を保護し、証券法の遵守を強制します。

マクロ経済指標、グローバルイベント、規制監督の相互作用を理解することで、資本市場の参加者は情報に基づいた投資決定を行い、動的な金融環境をナビゲートすることができます。投資調査は成功する投資を行うための基礎であり、潜在的な投資機会に関する関連情報の収集と分析を含みます。綿密な調査を通じて、リサーチアナリストとクオンツは仮説を立て、データで仮説を検証し、ポートフォリオマネージャーが戦略に資本を配分しリスクを軽減する決定を行う前に、S&P やダウジョーンズなどの主要指数の価格変動に対する様々なイベントの因果関係を理解します。

以下は、Amazon Bedrock 上の Anthropic Claude 3 Sonnet を使用して、画像、テキストデータ、およびプロンプトを用いた投資調査のための仮説検証と因果関係分析を示しています。Amazon Bedrock 上の Anthropic Claude 3 Sonnet を使用して、画像、テキストデータ、およびプロンプトを用いた投資調査のための仮説検証と因果関係分析に関するビデオをご覧ください。

Anthropic Claude 3 Sonnet on Amazon Bedrock screen capture

仮説検証プロンプトの例と結果

仮説検証プロンプト 1：

生成されたテーブルからピボットテーブルを作成してください。ピボットテーブルでは、行がカテゴリー、列が価格変動、値が価格変動のカウントとなります。ピボットテーブルに各行の合計を示す新しい列を作成してください。各列のグランドトータルを作成してください。

LLM の回答結果：

Pivot table

Interpretation

(日本語訳)

解釈:

  1. ピボットテーブルは、元のデータからのイベントを戦争・軍事紛争、経済的出来事、政治的出来事、技術革新、社会・文化的出来事、自然災害の6つのカテゴリに分類しています。
  2. 列は、ダウ工業株価平均の価格動向を下落トレンド、上昇トレンド、または横ばいに分類したものです。
  3. テーブルの値は、特定の価格動向をもたらしたそれぞれのカテゴリのイベントの件数を表しています。
  4. 戦争・軍事紛争は最も件数が多く(28件)、そのうち26件がダウ平均を下落させており、戦争が株式市場に負の影響を与えていることが分かります。
  5. 経済的出来事も件数が多く(29件)、18件が下落トレンド、9件が上昇トレンドとなっており、経済要因が株式市場に混在した影響を及ぼしていることがうかがえます。
  6. 技術革新は上昇トレンドの件数が最も多く(7件)、株式市場の実績に対する好影響が示唆されています。
  7. 合計行では、87件のイベントのうち、59件が下落トレンド、24件が上昇トレンド、4件が横ばいとなっており、ダウ平均に対する負の影響のイベントが積極的なイベントを上回っていることが分かります。

総じて、ピボットテーブルは、戦争と経済的出来事が下落トレンドの主な原因であり、一方で技術革新は上昇トレンドに寄与する可能性が高いことを簡潔に要約しています。

仮説検証プロンプト 2：

価格の動きにプラスの影響を与える技術革新は何ですか？回答をテーブル形式で示してください。

LLM の回答結果：

table listing

(日本語訳)
提供されたデータから、以下の技術革新がダウ・ジョーンズ指数にプラスの影響を与え、価格の上昇傾向につながりました。

  1. 1927 年、リンドバーグが初めてニューヨークからパリへの直行便を運航しました。
  2. 1951 年に初めて商用カラーテレビが放送されました。
  3. 1969 年のアポロ 11 号の月面着陸は、アメリカが初めて月面着陸した国となりました。

仮説検証プロンプト 3：

価格の動きにプラスの影響を与える経済イベントは何ですか？回答をテーブル形式で示してください。

LLM の回答結果：

table listing 2

ソリューションの詳細

この投稿で示されたソリューションとコードの詳細については、GitHub リポジトリをチェックしてください。コードベースは、財務諸表分析、および仮説検証と因果関係分析のための UI を使用したソリューションの展開と使用に関するステップバイステップのガイダンスを提供しています。

以下は、画像データとテキストプロンプトの両方を使用して Anthropic Claude 3 Sonnet モデル用の Amazon Bedrock API を呼び出す3つのコンポーネントです。

Anthropic Claude 3 メッセージ API フォーマット

messages = []
    
    for chat_msg in chat_messages:
        if (chat_msg.message_type == 'image'):
            messages.append({
                "role": "user",
                "content": [
                    {
                        "type": "image",
                        "source": {
                            "type": "base64",
                            "media_type": "image/jpeg",
                            "data": chat_msg.text,
                        },
                    }
                ]
            })
        else:
            messages.append({
                "role": chat_msg.role,
                "content": [
                    {
                        "type": "text",
                        "text": chat_msg.text
                    }
                ]
            })
            
    return messages

Amazon Bedrock のボディビルダー関数

response = bedrock.invoke_model(body=body, modelId="anthropic.claude-3-sonnet-20240229-v1:0", contentType="application/json", accept="application/json")
    
response_body = json.loads(response.get('body').read()) # read the response
    
output = response_body['content'][0]['text']
    
response_message = ChatMessage('assistant', 'text', output)

まとめ

Amazon Bedrock 上の Anthropic 社の Claude 3 Sonnet モデルは、アナリストに生産性を向上させ、より洞察に富んだ分析を行うための強力な機能を提供します。このモデルのマルチモーダル能力を活用してテキスト、画像、定量的データを分析することで、アナリストは仮説を検証し、因果関係を明らかにし、マクロ経済イベントが資本市場にどのように影響するかをより深く理解することができます。Amazon Bedrock 上の Anthropic Claude 3 Sonnet は、投資調査に使用でき、ニュース記事、レポート、経済指標などの多様なデータソースを統合して、主要なイベントが指数価格に与える影響を分析します。この技術は調査プロセスを加速し、投資戦略に情報を提供する価値ある洞察を生成します。

このモデルの自然言語処理能力は、財務諸表分析に適しています。Amazon Bedrock 上の Anthropic Claude 3 Sonnet は、損益計算書、貸借対照表、キャッシュフロー計算書を取り込み、データを解釈し、主要な財務比率とトレンドを特定し、企業の財務健全性と業績の包括的な評価をアナリストに提供します。

金融サービス業界が増加し続ける膨大な量と種類のデータに取り組み続ける中、Amazon Bedrock 上の Anthropic 社の Claude 3 Sonnet モデルのようなソリューションは、分析を効率化し、隠れた洞察を明らかにし、より情報に基づいた意思決定を促進する方法を提供します。Amazon Bedrock 上の Anthropic 社の Claude 3 Sonnet モデルの力を体験するために、アナリストはプラットフォームの機能を探索し、その高度な機能を活用して、自身のデータを使用して分析と意思決定プロセスを強化することが推奨されます。

投資調査のための生成 AI の適用についてより詳しく知るには、このブログを参照してください。

翻訳はソリューションアーキテクトの佐藤 航大が担当しました。原文はこちらです。