آموزش پیشرفته پرامپت نویسی تحلیل مالی برای ChatGPT

دنیای تجزیه و تحلیل داده های مالی در سال های اخیر دستخوش تحولی اساسی شده است. اگر تا دیروز تحلیل‌گران ساعت‌ها با استفاده از اکسل و ابزارهای آماری برای استخراج الگوها از داده‌های مالی یا پیش‌بینی روند بازار استفاده می‌کردند، امروز هوش مصنوعی به دستیار هوشمند آنها تبدیل شده است. با این حال، تفاوت بین تحلیل سطحی و خروجی های استراتژیک دقیق در نحوه تعامل شما با مدل های زبان نهفته است. در واقع، تسلط بر تکنیک‌های پیشنهادی پیشرفته برای بهبود دقت پاسخ‌های ChatGPT در تجزیه و تحلیل داده‌های مالی، مهارتی است که مرزهای بین کاربر معمولی و تحلیل‌گر حرفه‌ای مبتنی بر داده را مشخص می‌کند.

بسیاری از کاربران بر این باورند که ChatGPT یک ماشین جادویی است که تمام محاسبات پیچیده مالی را بدون خطا با یک دستور ساده انجام می دهد. اما حقیقت این است که مدل های زبانی که حاوی «زمینه» و «زنجیره ای از افکار» نیستند، در برابر توهمات یا خطاهای محاسباتی آسیب پذیر هستند. برای استفاده از این ابزار برای تجزیه و تحلیل مالی جدی، باید یاد بگیرید که چگونه ادعاهایی بنویسید که نه تنها داده ها را درک کنند، بلکه به منطق مالی پشت آنها نیز احترام بگذارند.

ساختاردهی داده ها و استفاده از تکنیک زنجیره ایده

وقتی با داده‌های مالی خام کار می‌کنید (مانند فایل‌های CSV صورت‌های سود و زیان)، هرگز نباید داده‌ها را به‌عنوان یک کپی-پیست ساده در جعبه چت قرار دهید. اولین گام در تکنیک‌های پیشرفته تحریک برای افزایش دقت پاسخ‌های ChatGPT در تجزیه و تحلیل داده‌های مالی، وادار کردن مدل به تفکر مرحله به مرحله است. این باعث می شود که مدل قبل از رسیدن به نتیجه نهایی، منطق محاسباتی خود را بررسی کند.

برای اجرای این تکنیک از الگوی نقش، زمینه و مراحل منطقی استفاده کنید:

• شرح نقش: “شما یک تحلیلگر ارشد مالی هستید که در تحلیل نسبت نقدینگی تخصص دارد.”
• ورودی زمینه: “اینها اطلاعات ترازنامه شرکت X برای سه سال گذشته است. فرض کنید استاندارد گزارشگری IFRS است.
• موضوع فکر: «ابتدا داده ها را پاک کنید، سپس نسبت جاری و نسبت لحظه ای هر سال را محاسبه کنید و در نهایت با مقایسه تغییرات، دلیل کاهش احتمالی نقدینگی را تحلیل کنید.»

این معماری باعث می شود که ChatGPT به جای پرش به نتیجه، مسیر محاسبه را دنبال کند و احتمال خطای ریاضی را تا حد زیادی کاهش دهد.

رمزگذاری اشاره گر بهبود یافته برای تجزیه و تحلیل گسترده

گاهی اوقات داده های مالی آنقدر زیاد است که ChatGPT در یک محیط چت معمولی محدود می شود. در چنین حالتی، استفاده از Cursor (یک ویرایشگر کد مبتنی بر هوش مصنوعی) برای تجزیه و تحلیل مالی، دقت خروجی را متحول می کند. به جای اینکه از ChatGPT بخواهید محاسبات را در اسکریپت انجام دهد، از آن بخواهید یک اسکریپت پایتون بنویسد که در محیط مکان نما اجرا شود.

برای انجام این کار، از این تکنیک تحریک استفاده کنید:

برای من یک اسکریپت پایتون با کتابخانه‌های Pandas و Matplotlib بنویسید تا میانگین متحرک 50 روزه و 200 روزه قیمت سهام را از یک فایل CSV استخراج کنم. کدی بنویسید که هرگونه داده خارجی را در کنسول گزارش کند و سپس نمودار را برای تجزیه و تحلیل ترسیم کند.

مزیت این روش این است که محاسبات را به موتور اجرا (پایتون) می سپارید و هوش مصنوعی فقط نقش مهندس کد را بازی می کند. بدین ترتیب دقت محاسبات مالی به 100 درصد می رسد زیرا پایتون برخلاف مدل های زبانی در انجام محاسبات ریاضی دچار توهم نمی شود.

مهندسی سریع تحلیل کیفی داده های مالی

تحلیل مالی فقط اعداد نیست. گاهی اوقات لازم است یادداشت های صورت های مالی را تجزیه و تحلیل کنید. در اینجا، Few-Shot Prompting بسیار مهم است. اگر می خواهید ChatGPT سبک تجزیه و دقت شما را یاد بگیرد، باید آن را طراحی کنید.

چگونه مدل های تحلیلی بسازیم؟

در درخواست خود، ابتدا نمونه ای از تجزیه و تحلیل استاندارد را که قبلاً توسط یک تحلیلگر حرفه ای انجام شده است وارد کنید:

در اینجا یک نمونه تجزیه و تحلیل از یادداشت های همراه صورت مالی آورده شده است: (متن نمونه). حال با استفاده از همین ساختار و با در نظر گرفتن ریسک تورم، یادداشت های همراه را برای شرکت Y تحلیل کنید. موارد حسابرسی مشروط را حتما ذکر کنید.

• از محدودیت ها استفاده کنید: همیشه از مدل بخواهید پاسخ های خود را به صورت جدول ارائه کند.
• ارجاع به منبع: “برای هر ادعایی که ارسال می کنید، شماره صفحه یا شماره یادداشت مربوطه را در پرونده ارائه دهید.”
• بررسی سوگیری: “تحلیل خود را با یک دیدگاه نزولی و سپس یک دیدگاه صعودی برای متعادل کردن استدلال مشاهده کنید.”

تکنیک های پیشرفته برای کاهش توهمات در محاسبات

بزرگترین دشمن تحلیلگر مالی توهم هوش مصنوعی است. از فناوری خود تصحیح کننده برای افزایش دقت استفاده کنید. پس از اینکه ChatGPT تجزیه و تحلیل خود را ارائه کرد، در یک دستور جداگانه بنویسید: “فرض کنید من یک حسابرسی هستم که به محاسبات شما شک دارد. تمام مراحل محاسبه ای را که در بالا انجام دادید دوباره بررسی کنید و اگر بین اعداد جداول و تحلیل متنی مغایرت وجود داشت، آن را اصلاح کنید.

این دستور ساده باعث می شود که مدل به داده های ورودی بازگردد و خروجی خود را با واقعیت داده ها تطبیق دهد. در واقع، شما یک لایه کنترل کیفیت (QC) را به فرآیند تجزیه و تحلیل خود اضافه کرده اید که در پروژه های بسیار فشرده مالی بسیار مهم است.

تسلط بر این ابزارها نه تنها به معنای کارکرد سریع‌تر، بلکه دیدن عمیق‌تر داده‌ها است. با ترکیب قدرت منطقی مدل‌های زبان با دقت محاسباتی ابزارهایی مانند پایتون در یک محیط مکان‌نما، می‌توانید از سطح تحلیل‌گران سنتی فراتر رفته و به بینش‌های پنهان در پشت هزاران ردیف داده دست پیدا کنید. به یاد داشته باشید که در دنیای مالی، هوش مصنوعی جای تحلیلگر را نمی گیرد، بلکه تحلیلگری که از هوش مصنوعی به درستی استفاده می کند، جایگزین تحلیلگری می شود که از این ابزارها بی اطلاع است.