面向金融审计的自动化监管合规性验证——基于大型语言模型
计算与语言
2025-07-23 v1 人工智能
机器学习
摘要
金融文件审计长期以来是一项耗时的工作，正站在变革的临界点。AI驱动的解决方案已在简化这一过程方面取得了进展，通过推荐与会计准则法律要求相匹配的财务报告相关文本段落。然而仍存在明显局限性：这些系统通常不足以验证所推荐的摘录是否符合具体法律要求。因此，本文探讨了公开可用大型语言模型（LLM）在监管合规领域的效率，重点比较不同模型配置。我们特别强调比较最新开源LLM（如Llama-2）与其专有 counterpart 如OpenAI的GPT模型。该比较分析利用我们与普华永道（PwC）德国合作伙伴提供的两个自定义数据集进行。我们发现，开源Llama-2 70亿参数模型在检测不合规或真阳性情况方面表现突出，甚至超过所有专有模型。然而，专有模型如GPT-4在广泛情景中表现最佳，尤其是在非英语语境中。
引用
@article{arxiv.2507.16642,
title = {Towards Automated Regulatory Compliance Verification in Financial Auditing with Large Language Models},
author = {Armin Berger and Lars Hillebrand and David Leonhard and Tobias Deußer and Thiago Bell Felix de Oliveira and Tim Dilmaghani and Mohamed Khaled and Bernd Kliem and Rüdiger Loitz and Christian Bauckhage and Rafet Sifa},
journal= {arXiv preprint arXiv:2507.16642},
year = {2025}
}
备注
Accepted and published at BigData 2023, 10 pages, 3 figures, 5 tables