Усиление фундаментального анализа с помощью LLM: система на основе RAG для подготовки аналитических записок для инвесторов

Ранние работы по применению NLP в финансах были сосредоточены преимущественно на анализе тональности. Фундаментальное исследование Loughran and McDonald (2011) продемонстрировало, что словари тональности общего назначения не подходят для специфического финансового языка, что привело к разработке специализированных лексиконов. С появлением архитектуры transformers и таких моделей, как BERT Devlin et al. (2019), стало возможным создание контекстуальных моделей, предварительно обученных специально на финансовых корпусах. Примером является FinBERT Araci (2019), которая значительно улучшила показатели в задачах классификации тональности в финансовых текстах.

Текущая революция в области NLP фундаментально построена на архитектуре Transformer, представленной Vaswani et al. (2017). Ее ключевая инновация, механизм self-attention, позволяет моделям оценивать важность различных слов во входных данных, обеспечивая более глубокое контекстное понимание и возможности параллельной обработки, которые были невозможны при использовании предыдущих последовательных архитектур, таких как Recurrent Neural Networks (RNNs) или Long Short-Term Memory (LSTM). Этот архитектурный прорыв открыл путь к разработке современных LLMs. Сегодня эта область продолжает стремительно развиваться, а ведущие исследовательские лаборатории расширяют границы возможностей моделей. Например, GPT-4o от OpenAI демонстрирует переход к нативно мультимодальным моделям, которые могут беспрепятственно обрабатывать и анализировать текст, аудио и визуальные данные, повышая как эффективность, так и возможности взаимодействия с пользователем OpenAI (2024).

Появление крупномасштабных генеративных моделей, таких как модели семейства GPT, произвело революцию в подходе к анализу текста. Эти модели, благодаря своей способности понимать и генерировать текст в режиме zero-shot или few-shot, могут выполнять задачи, значительно более сложные, чем простой анализ тональности. Исследования показали их потенциал в прогнозировании финансовых рынков. Например, Lopez-Lira and Tang (2023) показали, что ChatGPT может предсказывать направление движения цен на акции на основе заголовков новостей, что говорит о том, что эти модели усваивают сложные взаимосвязи между информацией и реакцией рынка. В аналогичном ключе Itoh and Okada (2023) исследовали возможности ChatGPT для проведения текстового анализа фундаментальных данных, дополнительно подчеркивая потенциал LLM для автоматизации и масштабирования сложных аналитических задач, традиционно выполняемых людьми..

Одной из ключевых проблем при применении LLM в высокоточных областях, таких как финансы, является обеспечение фактической достоверности и предотвращение так называемых «галлюцинаций». Подход RAG, предложенный Lewis et al. (2020), предлагает решение этой задачи. Он позволяет модели «основывать» свои ответы на конкретных предоставленных исходных документах, значительно повышая надежность генерируемого контента — преимущество, дополнительно подтвержденное исследованиями, показывающими, что дополнение поиском активно снижает галлюцинации модели в контексте диалога Shuster et al. (2021). По сути, этот процесс можно рассматривать как практическую реализацию контролируемого получения знаний, где «восприятие» ситуации моделью LLM формируется на основе тщательно отобранного набора входных данных — концепция, исследованная Rzepka and Okada (2023) как краеугольный камень для построения более надежных систем ИИ. Более того, компонент поиска в RAG может быть улучшен по сравнению с простым извлечением документов за счет использования структурированных баз знаний, таких как онтологии или графы знаний. Этот графовый подход, продемонстрированный Rzepka and Obayashi (2023) в сложной области экспортного контроля безопасности, позволяет осуществлять более точный и контекстно-зависимый поиск информации, прокладывая путь к более сложным аналитическим системам. Параллельно, для повышения аналитической точности, были разработаны модели, обученные с нуля на финансовых данных, ярким примером которых является BloombergGPT Wu et al. (2023), продемонстрировавшая превосходную производительность в широком спектре финансовых задач по сравнению с моделями общего назначения..

Несмотря на этот стремительный прогресс, большинство существующих исследований сосредоточено на оценке LLM в изолированных, специфических задачах, таких как прогнозирование цен, анализ тональности или обобщение отдельных документов. Однако ощущается нехватка комплексных исследований, оценивающих интегрированные системы, которые объединяют анализ корпоративной документации с макроэкономическими данными в связный и автоматизированный аналитический рабочий процесс. Более того, оценка таких систем редко выходит за рамки академических метрик и включает оценку их практической полезности конечными пользователями — частными инвесторами..

Наша работа восполняет этот пробел, представляя систему на основе модели $gpt-4o$ в рамках архитектуры RAG. Эта система объединяет данные из различных источников — отчетов компаний, макроэкономических показателей и документов EDGAR — для создания синтетических аналитических сводок. Кроме того, аналитический контекст дополняется экспертными знаниями о бизнес-циклах Китчина. Ключевым элементом нашего исследования является оценка подготовленных материалов группой из девяти активных частных инвесторов, что позволяет оценить реальную добавленную стоимость нашего подхода в повседневной инвестиционной практике. Это согласуется с растущим числом исследований, изучающих, как LLM могут быть использованы для систематического обзора и синтеза предметно-ориентированных знаний, что продемонстрировано Laniewski and Ślepaczuk (2024) в контексте литературы по алгоритмической торговле..

Данная категория обеспечивает широкий экономический контекст. Она включает ключевые показатели экономики США, а также устоявшиеся циклические и сезонные эвристики. Эти данные были преимущественно получены из официальных статистических публикаций и платформ экономических исследований..

• ⟦• Экономические показатели: ВВП США, инфляция в США (ИПЦ), индекс деловой активности в сфере услуг и производственном секторе США (PMI), уровень безработицы и число занятых в несельскохозяйственном секторе (NFP)).
• ⟦• Денежно-кредитная политика: текущая и прогнозируемая ставка по федеральным фондам Федеральной резервной системы.
• ⟦• Циклические данные: цикл Китчина, отраслевые циклы, президентский цикл и налоговые циклы.
• ⟦• Сезонные эвристики: аномалия «Продавай в мае и уходи».

Эта категория составляет основу нашего анализа, фокусируясь на данных, извлеченных непосредственно из отчетов компаний (например, формы 10-K и 10-Q из EDGAR), пресс-релизов и от поставщиков данных о финансовых рынках. Мы разделили ее на качественные и количественные подкатегории.

Создание данного обзора для Tesla служит наглядным примером ключевых возможностей системы, в частности её способности синтезировать информацию из разрозненных, не связанных между собой источников в последовательный инвестиционный тезис. Мы анализируем её эффективность по нескольким ключевым параметрам, имеющим центральное значение для нашего исследования:

• ⟦• Фактологическое обоснование через RAG: Архитектура RAG системы доказала свою эффективность в обосновании выходных данных проверяемыми фактами. LLM успешно извлекла конкретные финансовые показатели (выручка 25,18 миллиарда долларов, P/E 76,73) из соответствующих источников — структурированного отчета 10-Q и ленты рыночных данных. Аналогичным образом, качественная информация, такая как имена инсайдеров, продающих акции (Вайбхав Танеджа, Кимбал Маск), была идентифицирована верно, однако она была предварительно обработана нами и не была взята напрямую из неструктурированных документов SEC Form 4. Это демонстрирует способность модели извлекать и точно представлять данные из гетерогенной базы знаний, что являлось основной целью исследования.
• ⟦• Междоменный синтез: Ключевым успехом стала способность системы связывать макроэкономический контекст с анализом конкретных компаний — задача, являющаяся центральной для фундаментального инвестирования. Согласно инструкции в промпте, система сначала выполнила подзадачу по определению текущей экономической фазы. Она корректно извлекла последние показатели PMI, интерпретировала их значения ниже 50 как индикатор «замедления», соответствующий циклической модели Китчина, а затем применила этот контекст для оценки секторов, в которых работает Tesla (потребительские товары циклического спроса, технологии). Это многошаговое рассуждение, объединяющее циклический анализ с корпоративными данными, демонстрирует уровень синтеза, выходящий за рамки простого обобщения..
• ⟦• Систематическое применение эвристик: Формирование качественных суждений, таких как определение финансового положения компании Tesla как «сильное», не было оставлено на усмотрение LLM без ограничений. Промпт содержал предопределенный эвристический шаблон (например, «Если рост выручки ¿ X% и отношение долга к собственному капиталу ¡ Y%, опишите финансовое положение как «сильное»»). Такой подход делает аналитический процесс более прозрачным, воспроизводимым и менее подверженным потенциальным искажениям LLM, что является важнейшим аспектом создания надежного аналитического инструмента.
• ⟦• Человек в контуре управления: Данный конкретный отчет потребовал минимальной постобработки. Сгенерированный текст был связным и фактически точным. Вмешательство человека ограничилось незначительной грамматической правкой в резюме и обеспечением единообразия форматирования, что подтверждает потенциал системы для высокой степени автоматизации.

Tesla является лидером в производстве электромобилей и технологий автономного вождения, а также производителем аккумуляторов и систем хранения энергии. Компания вкладывает значительные средства в развитие зарядной инфраструктуры и производство возобновляемой энергии, включая солнечные крыши. Миссия Tesla заключается в ускорении перехода к устойчивой энергетике и трансформации автомобильной промышленности в сторону электрической тяги..

### Причины для покупки акций TSLA:

1. **Сильная финансовая позиция**: Tesla демонстрирует устойчивые финансовые показатели с растущей выручкой и прибылью. В третьем квартале 2024 года Tesla достигла выручки в размере 25,18 миллиарда долларов, что на 8% больше по сравнению с аналогичным периодом прошлого года. Чистая прибыль составила 2,167 миллиарда долларов, что также представляет собой рост на 17% в годовом исчислении. Значительный объем денежных средств (33,648 миллиарда долларов) и низкий уровень задолженности (отношение долга к собственному капиталу 18%) являются дополнительными преимуществами.

2. **Рост энергетического сегмента**: Tesla продолжает расширять свой энергетический сектор, достигая рекордной валовой прибыли в этом сегменте. Выручка от энергетики увеличилась на 52% в годовом исчислении, что демонстрирует потенциал роста в этой области.

3. **Инновации и технологическое развитие**: Tesla инвестирует в искусственный интеллект и технологии автономного вождения, что может принести долгосрочные выгоды. Разработка продуктов, таких как Cybertruck и новые модели транспортных средств на базе платформы следующего поколения, также указывает на будущий рост.

4. **Стратегический политический подход**: Tesla может извлечь выгоду из планируемой отмены налоговых льгот на электромобили в США, что может нанести ущерб конкурентам в большей степени, чем самой Tesla. Илон Маск считает, что отмена налоговых льгот может пойти на пользу Tesla в долгосрочной перспективе.

### Аргументы в пользу продажи акций TSLA:

1. **Высокая оценка**: текущий показатель P/E компании Tesla составляет 76,73, что может указывать на переоцененность акций, повышая риск ценовой коррекции.

2. **Регуляторная неопределенность**: Планируемая администрацией Трампа отмена налоговых льгот на электромобили может негативно повлиять на продажи Tesla в краткосрочной перспективе, хотя в долгосрочной перспективе это может нанести больший ущерб конкурентам..

3. **Макроэкономические изменения**: Текущие данные свидетельствуют о замедлении экономики США, что может негативно отразиться на секторах потребительских товаров циклического спроса и технологий, к которым относится Tesla.

4. **Продажи акций инсайдерами**: Продажи акций ключевыми инсайдерами, такими как финансовый директор Вайбхав Танеджа и Кимбал Маск, могут сигнализировать о том, что инсайдеры компании ожидают потенциальных трудностей или коррекции цены.

### Экономическая фаза: На основе имеющихся данных, в настоящее время мы находимся в фазе экономического спада. Об этом свидетельствуют показатели промышленного PMI и производственного ISM PMI, опустившиеся ниже 50, что указывает на замедление экономики. В этой фазе наиболее выгодными инвестициями являются секторы энергетики, недвижимости, товаров повседневного спроса и коммунальных услуг, в то время как секторы потребительских товаров непервой необходимости и технологий могут показывать менее высокие результаты..

### Резюме: Решение о покупке или продаже акций Tesla должно учитывать как сильные финансовые показатели и инновационный потенциал компании, так и потенциальные риски, связанные с ее высокой оценкой и регуляторной неопределенностью. Инвесторам также следует учитывать текущие макроэкономические условия и фазу экономического цикла, в которой мы находимся..

Данный пример демонстрирует еще одну ключевую возможность нашей системы: обработку, аннотирование и ранжирование новостных статей с точки зрения инвестора, наблюдающего за рынком. Входные данные состояли из множества статей о NVIDIA, опубликованных 18 и 19 ноября. Первым ограничением данного исследования стал лимит токенов, установленный OpenAI. Объем отдельных статей зачастую превышал возможности модели в рамках одного запроса, что фактически препятствовало проведению всестороннего анализа. Поэтому эксперимент потребовалось разделить на этапы. На первом этапе модель выполнила аннотирование всех статей. Впоследствии, в качестве второго шага, эти аннотации были переданы в RAG-запрос вместе с инструкцией по их ранжированию в соответствии с уровнем важности (без предоставления дополнительного контекста). Результаты показали явное предпочтение политического контента экономическому. Тем не менее, целью исследования было определение того, какие статьи являются достоверными, поскольку они влияют на цены акций и могут служить основой для рекомендаций или выступать в качестве веских указаний для LLM в RAG..

Модели LLM также могут быть использованы в контексте извлечения данных из приложенного текста в RAG. Примером этого могут служить исследования на основе квартальных отчетов, фокусирующиеся на содержащейся в них информации о рисках, например, о том, как недоступность рынков Китая и Тайваня может повлиять на конкретную компанию. Ниже приведены примеры для компаний: NVIDIA, Amazon и Tesla. Вся эта информация основана на квартальных отчетах за третий квартал 2024 года..

Анализ Energy Fuels демонстрирует мастерство системы в выполнении ряда сложных задач, которые выходят за рамки простого обобщения новостей и имеют решающее значение для оценки небольших компаний, где данные зачастую менее структурированы и более концентрированы..

• ⟦• Глубокое извлечение из одного источника: в отличие от примера NVIDIA, где обрабатывалось множество статей, этот краткий обзор был составлен преимущественно на основе одного ключевого пресс-релиза. LLM продемонстрировала способность анализировать сложный корпоративный документ, корректно выявляя и разделяя отдельные позитивные события (новые контракты на поставку урана, этапы производства редкоземельных элементов, снятие приостановки проекта Toliara) и структурируя их в связное «Краткое изложение новостей» и отдельные «Причины для покупки»..”
• ⟦• Выявление противоречивых сигналов: значительным успехом системы стала ее способность поддерживать аналитический баланс. Несмотря на преобладание сугубо позитивных операционных новостей в пресс-релизе, процесс RAG также извлек ключевой финансовый показатель — чистый убыток в размере 12 миллионов долларов — из приложенной финансовой отчетности. Система корректно отметила это как основной «Аргумент к продаже», продемонстрировав свою способность выявлять и представлять противоречивую информацию, что является отличительной чертой надежного финансового анализа..
• ⟦• Финансовые расчеты с использованием подсказок: подраздел «Финансовый анализ» подчеркивает более продвинутые возможности. Подсказка содержала инструкции для LLM по выполнению базовых, но информативных расчетов на основе извлеченных данных. Система корректно извлекла данные о денежной позиции ($47.46M), рыночной капитализации ($1.2B) и квартальном убытке ($12M), а затем успешно рассчитала отношение денежных средств к капитализации и базовый период «сжигания» денежных средств («просуществует около четырех кварталов»). Это демонстрирует переход от качественного обобщения к количественному анализу, основанному на эвристиках..
• ⟦• Нюансированное макроэкономическое применение: Система вновь применила макроэкономическую модель, но с учетом специфического нюанса, относящегося к данной компании. Она верно определила, что, хотя фаза рецессии в целом является негативной, она может быть выгодной для определенных секторов, таких как энергетика. Более того, система установила сложную взаимосвязь между макроэкономическим трендом снижения процентных ставок и конкретным финансовым состоянием компании (отсутствие долга), верно определив это как потенциальное преимущество..
• ⟦• Творческий синтез в заголовках: заголовок брифа — «UUUU: Урановые потрясения и возможности редкоземельных металлов — это ваша золотая жила?» — был сгенерирован на основе специальной инструкции в промпте по созданию привлекательного заголовка в журналистском стиле. Это демонстрирует гибкость LLM в адаптации стиля вывода, позволяя переходить от сугубо технической прозы к более творческому и доступному языку, подходящему для аудитории инвесторов..

### Название: ”UUUU: Урановая турбулентность и возможности редкоземельных металлов — ваша ли это золотая жила?”

Energy Fuels — американская компания, занимающаяся добычей и переработкой урана и ванадия, ключевого сырья для атомной энергетики. Компания также обладает ресурсами и технологиями для извлечения редкоземельных элементов, которые используются в высокотехнологичных отраслях промышленности. Ее деятельность сосредоточена на устойчивом развитии энергетических ресурсов, преимущественно в Соединенных Штатах..

### Сводка новостей: Energy Fuels объявила результаты за третий квартал 2024 года, отметив активную добычу и переработку урана, а также успехи в производстве редкоземельных элементов. Компания продолжает создавать центр цепочки поставок редкоземельных элементов в США. Ключевые достижения включают новый контракт на продажу урана и начало переработки крупных запасов урана на предприятии White Mesa Mill. Кроме того, компания завершила приобретение Base Resources, что, как ожидается, ускорит развитие ее проектов по добыче тяжелых минеральных песков и редкоземельных элементов, включая проект Toliara на Мадагаскаре, после снятия приостановки правительством Мадагаскара. https://www.prnewswire.com/news-releases/madagascar-government-lifts-suspension-on-energy-fuels-toliara-critical-minerals-project-302318407.html

### Основания для покупки:

1. **Сильная финансовая позиция**: Energy Fuels обладает устойчивым финансовым положением с ликвидностью более 180 миллионов долларов и отсутствием задолженности, что обеспечивает стабильность в условиях меняющейся рыночной конъюнктуры.

2. **Уран как ключевой продукт**: Компания заключила новый долгосрочный контракт на поставки урана в США, что обеспечивает стабильные доходы в ближайшие годы.

3. **Развитие РЗЭ**: Компания Energy Fuels успешно запустила контур разделения РЗЭ, что может привлечь клиентов из технологического и оборонного секторов.

4. **Отмена приостановки проекта Toliara**: Решение правительства Мадагаскара об отмене приостановки позволяет начать развитие проекта, который может стать значительным источником дохода.

5. **Прогнозируемый рост рынка редкоземельных элементов**: Растущий спрос на редкоземельные элементы в технологическом и автомобильном секторах способствует долгосрочному росту компании.

### Аргументы на продажу:

1. **Финансовый убыток**: Компания сообщила о чистом убытке в размере 12 миллионов долларов, что может вызвать обеспокоенность инвесторов по поводу прибыльности.

2. **Высокие операционные расходы**: Добыча и переработка урана и редкоземельных элементов требуют значительных затрат, а экологические нормы могут привести к их увеличению.

3. **Нисходящий тренд цен на уран**: Текущие цены на уран имеют тенденцию к снижению, что может повлиять на размер прибыли.

4. **Макроэкономическая неопределенность**: Текущие экономические условия указывают на замедление, что может повлиять на спрос на сырьевые товары.

### Финансовый анализ:

- **Денежные средства против капитализации**: Energy Fuels располагает 47,46 млн долларов США в денежных средствах при рыночной капитализации в 1,2 млрд долларов США, что дает отношение денежных средств к капитализации примерно 4%, что является довольно низким показателем.

- **Выживаемость при убытках**: При квартальном убытке в 12 миллионов долларов компания могла бы просуществовать около четырех кварталов без дополнительного финансирования.

### Макроэкономическое влияние: Текущая экономическая фаза указывает на рецессию, что может стимулировать инвестиции в энергетические секторы, такие как уран. Снижение процентных ставок также может способствовать инвестициям в компании без долговой нагрузки, такие как Energy Fuels.

### Резюме: Инвестирование в Energy Fuels может быть привлекательным для тех, кто верит в долгосрочный рост рынка REE и финансовую устойчивость компании, однако потенциальные риски, связанные с операционными расходами и динамикой цен на уран, требуют тщательного мониторинга..

В исследовании также рассматривалось, как LLM реагирует на крайне неожиданные события, которые трудно предсказать и количественно оценить в квартальном отчете, в частности, на введение военного положения в Южной Корее. Напомним, что военное положение в Южной Корее было объявлено 3 декабря 2024 года в 22:27 по местному времени президентом Юн Сок Ёлем во время прямого телевизионного обращения. Режим военного положения продлился около шести часов и был отменен 4 декабря 2024 года примерно в 4:30 утра после голосования в Национальной ассамблее. Ниже приведены примеры для Coinbase, NVIDIA и Lululemon.

Этот пример демонстрирует более сложную задачу NLP, выполняемую нашей системой: автоматизированную кластеризацию и тематический анализ новостных статей после крупного корпоративного события. В ситуациях с большим объемом информации, например, после публикации квартальной отчетности, простого обобщения или ранжирования статей может быть недостаточно. Цель здесь состояла в том, чтобы проверить способность системы сначала выявлять различные глубинные нарративы, присутствующие в потоке новостей, а затем представлять каждый нарратив как в текстовом, так и в визуальном виде..

Система использовала LanceDB She et al. (2024) и алгоритм K-means MacQueen (1967) для обработки всех новостных статей о Lululemon, опубликованных после объявления финансовых результатов за третий квартал 2024 года. Она сгруппировала семантически схожие статьи в кластеры и создала краткое изложение для каждого из них. Мы также создали визуальную «карту слов», чтобы выделить основные темы каждого повествования с помощью библиотеки WordCloud Mueller ⟧.

Эта задача кластеризации демонстрирует способность системы выходить за рамки линейного анализа (ранжирования) к более сложному, многогранному пониманию информационных ландшафтов.

• ⟦• Автоматизированная идентификация нарративов: система успешно выполнила задачу кластеризации без учителя, выделив два основных, различных нарратива из массива статей, опубликованных после отчетов о доходах. Это демонстрирует способность различать не только то, что говорится, но и различные углы зрения, под которыми освещается событие. Это значительный шаг вперед по сравнению с простым анализом тональности..
• ⟦• Кластер 1: Фактологическое, основанное на данных повествование: Первый кластер (проиллюстрированный на рис. 1) корректно сгруппировал все статьи, сосредоточенные на прямых количественных результатах отчета о прибылях и убытках. Резюме LLM точно извлекло ключевые показатели: превышение прогнозов по выручке и EPS, повышение годового прогноза и конкретный контраргумент в виде замедления роста продаж в Северной Америке. Карта слов для этого кластера визуально подчеркнула бы доминирование таких терминов, как «выручка», «прибыль», «превышение», «прогноз» и «Северная Америка»..”
• ⟦• Кластер 2: Перспективное стратегическое повествование: Второй кластер (проиллюстрированный на рис. 2) демонстрирует более тонкие возможности. Система выделила другой тип статьи — ту, которая помещает непосредственные результаты в более широкий, перспективный стратегический контекст. Она успешно извлекла качественные инсайты, такие как описание финансовым директором предстоящего года как «переходного периода» и наблюдение за сдвигом потребителей в сторону «ценности». Это демонстрирует способность системы отделять тактическую отчетность, основанную на данных, от стратегических, перспективных комментариев..
• ⟦• Обработка нерелевантных данных: Примечательно, что исходные статьи для второго кластера содержали косвенную информацию о других компаниях (например, Dollar General). Резюме, составленное LLM, корректно отфильтровало этот нерелевантный шум и сфокусировалось только на контенте, относящемся к Lululemon, что демонстрирует устойчивость модели в условиях реальных, несовершенных данных..
• ⟦• Визуализация данных как инструмент синтеза: создание тематических карт является ключевой функцией этого модуля. Такой визуальный результат служит мгновенным и интуитивно понятным резюме основных тем кластера. Это позволяет инвестору уловить суть повествования «с первого взгляда», обеспечивая эффективный когнитивный инструмент, который дополняет подробное текстовое резюме. Это подчеркивает потенциал системы не только как аналитического движка, но и как инструмента для эффективной визуализации информации..

Lululemon Athletica — это глобальный премиальный бренд, специализирующийся на производстве и продаже спортивной одежды и аксессуаров, особенно высоко ценимый в сегменте одежды для активного отдыха. Компания выделяется своей приверженностью качеству, инновационным материалам и лояльной клиентской базой, что позволяет ей достигать высокой маржинальности и динамичного роста продаж. Стратегические инвестиции в электронную коммерцию и международную экспансию, а также развитие мужской линейки и цифровых продуктов укрепляют позиции Lululemon как лидера в секторе спортивной одежды и товаров для образа жизни..

Компания Lululemon (LULU) представила результаты за третий квартал после закрытия торгов в четверг, которые превзошли ожидания как по выручке, так и по прибыли, что привело к росту акций компании на постмаркете. Акции Lululemon выросли более чем на 8%, поскольку компания также повысила свои прогнозы по продажам и прибыли на весь 2024 год. Тем не менее, темпы роста продаж в Северной Америке вновь снизились, так как ритейлер сталкивается с опасениями по поводу усиления конкуренции в преддверии критически важного сезона праздничных покупок. Выручка составила 2,40 миллиарда долларов, что выше показателя в 2,20 миллиарда долларов, зафиксированного в третьем квартале 2023 года. Аналитики, опрошенные Bloomberg, ожидали 2,36 миллиарда долларов после того, как ритейлер прогнозировал продажи в диапазоне от 2,34 до 2,37 миллиарда долларов. Прибыль превзошла оценки в 2,75 доллара на акцию, достигнув 2,87 доллара. Это также выше показателя EPS в 2,53 доллара, о котором компания сообщала в аналогичном периоде прошлого года. Компания прогнозирует выручку в четвертом квартале на уровне 3,48–3,51 миллиарда долларов по сравнению с консенсус-прогнозом в 3,5 миллиарда долларов. […] https://finance.yahoo.com/news/lululemon-stock-rises-on-profit-beat-as-company-boosts-full-year-outlook-211820899.html проиллюстрировано на рис. 1⟧

Инвесторы ищут доказательства того, что продуктовая стратегия компании и праздничная динамика могут способствовать устойчивому восстановлению. Этот год и 2025 год станут «переходными периодами», заявила финансовый директор Пола Ойибо. По словам Ойибо, потребители продолжают тратить средства, но «экономические опасения заставляют уделять больше внимания соотношению цены и качества». Ни один из наших выборов не является NVIDIA, Amazon или Tesla. Инвесторам, возможно, стоит расширить кругозор, чтобы найти лучшие акции для обеспечения сверхвысокого роста прибыли. В этой статье об инвестиционных идеях были выделены Marvell Technology, Lululemon, Block, Amazon и Tesla. DG сообщает о более высоких чистых продажах и улучшении сопоставимых продаж в третьем квартале. Компания фокусируется на открытии новых магазинов и модернизации существующих для обеспечения долгосрочного роста. […] https://finance.yahoo.com/m/b39804b0-0d3e-3317-943b-0197e3e90ebe/lululemon%E2%80%99s-stock-has.html проиллюстрировано на рис. 2⟧

Основная ценность системы, на которую неизменно указывали участники, заключалась в ее способности **агрегировать и синтезировать огромные объемы информации** из разрозненных источников. Было отмечено, что сводки позволяют значительно экономить время, обычно затрачиваемое на сбор данных, что дает инвесторам возможность больше сосредоточиться на интерпретации и принятии стратегических решений. Динамичный, событийный характер ежедневных отчетов был особенно высоко оценен, поскольку он позволял пользователям быстро узнавать о наиболее важных событиях без необходимости отслеживать множество новостных ресурсов..

Наряду с положительными отзывами участники предоставили конкретные конструктивные замечания, которые формируют четкий план по совершенствованию системы. Основными выявленными темами стали:

• ⟦• Повышение глубины анализа: хотя широта охвата информации получила положительную оценку, некоторые пользователи указали на аспекты, в которых аналитическая глубина может быть улучшена. Например, были получены конкретные отзывы относительно представления количественных данных, таких как прогнозы выручки для компаний с большой капитализацией, например Amazon (AMZN). Это говорит о том, что будущие итерации должны быть сосредоточены на доработке модулей, отвечающих за финансовое прогнозирование, для предоставления более детальных выводов..
• ⟦• Настройка доставки и периодичности: Повторяющейся темой стало желание пользователей получить больший контроль над потоком информации. Участники выразили заинтересованность в персонализации сервиса, задавая вопросы вроде: «Мне интересно, как часто будут приходить уведомления о мониторинге?». Это указывает на высокий спрос на функции, которые позволили бы пользователям самостоятельно устанавливать предпочтения в отношении частоты, времени и, возможно, даже конкретного содержания сводок..

Подводя итог, пилотное исследование успешно подтвердило основную гипотезу: RAG-система на базе LLM может служить ценным инструментом для индивидуальных инвесторов за счет автоматизации сбора данных и предоставления своевременных аналитических сводок. Обратная связь подтверждает, что главная сильная сторона системы заключается в ее способности экономить время и агрегировать информацию..

Полученная конструктивная критика сыграла важную роль в определении направления для будущей работы. Следующий этап разработки будет сосредоточен на двух ключевых областях: (1) повышение сложности модулей количественного анализа для предоставления более глубоких и практически применимых выводов, и (2) создание центра пользовательских предпочтений, позволяющего настраивать частоту и содержание сводок. Эти улучшения станут решающими при переходе системы от успешного подтверждения концепции к практическому, незаменимому инструменту для современного инвестора..