Статья посвящена извлечению торговых рекомендаций из финансовых текстов с использованием методов машинного обучения и технологии аннотирования с использованием ChatGPT. Исследование исходит из гипотезы, что применение методов машинного обучения в сочетании с большими языковыми моделями (large language model - LLM), такими как ChatGPT, позволяет существенно повысить точность прогнозирования финансового рынка. Это, в свою очередь, должно улучшить процесс принятия инвестиционных решений и повысить эффективность мультиэкспертных систем. В ходе исследования были использованы различные модели машинного обучения, включая линейную регрессию, метод опорных векторов, алгоритмы случайного леса, градиентного бустинга и технологии, основанные на нейронных сетях. Были исследованы методы, построенные на анализе лексикона, такие как Vader, SentiWordNet и TextBlob. Полученные результаты подтверждают уникальность предложенной модели, которая демонстрирует высокую точность (90 %) и способность к обобщению в задаче извлечения торгового настроения. Уникальность подхода заключается в использовании трансформеров и техники LoRA (Low-Rank Adaptation), что позволяет модели эффективно справляться с ограничениями вычислительных ресурсов. Модель превосходит традиционные алгоритмы и лексикон-ориентированные методы, обеспечивая более высокую точность классификации и повышая достоверность прогнозов в задачах финансового анализа. Результаты исследования могут быть применены в области оценки рынка для принятия обоснованных торговых решений. Возможным применением изученного подхода является интеграция предложенной технологии в мультиэкспертную систему формирования торговых решений. Авторами создана основа для разработки моделей с включением дополнительных признаков и применение их к другим типам финансовых текстов.