Tämä on myös todella mielenkiintoista Olen kokeillut tekoälypohjaisia datakojelaudoja seuratakseni yrityksen KPI-mittareita järjestelmällisemmin. Suuri osa julkisen pääoman tutkimusprosessista keskittyy parempien tuloennusteiden kehittämiseen (jotka sitten laskeutuvat EPS:ään eri asteittain). Siksi suuri osa sijoitustutkimuksen liikkeestä keskittyy datan seurantaan, joka ohjaa tarkempia liikevaihtoennusteita. Tämä on vaihtoehtoisen datan teollisuuden perusta. Mutta avoimesti on monia hyödyllisiä aineistoja. Kun chatbotit ovat kasvaneet käsivarsien (Claude), olen ollut vaikuttunut näiden työkalujen kyvystä hakea tätä dataa. Minulle tämä on toinen puuttuva osa, joka on Excelin sujuvuuden rinnalla. Mahdollisuus vastaanottaa Excel-malli (lopulta rakentaa se, mutta ei nykyään), tunnistaa keskeiset ajurit (avoimesta ja suljetusta datasta), tislata data takaisin ennusteiksi ja liputtaa takaisin räätälöidyt hälytykset (liiketoiminnan momentum-muutokset, todennäköiset muutokset liikeennusteisiin, väitöskirjan validointi/mitätöinti jne.). Nyt puhutaan!! Tämä on moninkertaisesti hyödyllisempää kuin rahoituschatbotin kääre. Mietin, kehittyvätkö nämä työkalut niin nopeasti, ettei useimpien rahoitusalan ammattilaisten tarvitse edes oppia koodausagentteja. Esimerkiksi Perplexity Computer tuhosi yhden laukauksen, joka ei todellakaan ollut täydellinen, mutta osoittaa merkittävää edistystä valjasinfrastruktuurin kyvyssä rakentaa yksinkertaisia ja tehokkaita käyttöliittymiä. Institutionaalinen laatutarkkuus on edelleen kriittinen eikä vieläkään täysin ratkaistu ongelma (paraneeko tämä, kun yritykset kuten CarbonArc ottavat käyttöön MCP:itä??), mutta on innostavaa nähdä insinööritaitojen kehittyvän näin merkittävästi näin lyhyessä ajassa.

Annan tästä hieman tarkempaa tietoa ja katkelmia esimerkistä. Monien kuukausien ajan ihmiset ovat puhuneet rahoituksen "Cursor-hetkestä", jossa työnkulku muuttuu niin dramaattisesti, että omaksumiskäyrän jyrkkä osa saavutetaan. Olen ollut hyvin skeptinen sen suhteen, muutamasta syystä. Mutta kaikkein perustavanlaatuisin syy on se, että LLM-teknologiaa ei yksinkertaisesti ollut. Foundation-malleilla ei yksinkertaisesti ollut tarpeeksi tehoa olla vuorovaikutuksessa Excel-taulukoiden kanssa millään käyttökelpoisella tavalla (vaikka demot olivat näyttäviä...). Vaikka ratkaisisit (hyvin hankalat) datahaasteet, vuoden 2025 LLM:illä ei yksinkertaisesti ollut voimaa olla vuorovaikutuksessa taulukoiden kanssa. Voisimme siis istua ja keskustella monista ideoista ja käsitteistä siitä, miten tekoäly voisi täydentää institutionaalista sijoitustutkimusta. Mutta se oli vain käsite. Minulla on sarja testejä, joita teen uusilla tekoälymalleilla, jotka ovat kyvykkyystestejä hedge-rahastotyyppisiin tutkimustyönkulkuihin. Ja helpoin tapa on vain ladata olemassa oleva Excel-tiedosto nähdäksesi, ymmärtääkö LLM mitä tapahtuu. Jos LLM:t eivät pysty riittävästi lukemaan ja ymmärtämään Excel-mallia, koko AI Excel -työnkulkujen pino ei ole mahdollinen (mielestäni). Ja ajan hukkaa yrittää tutkia. Tämä ei toiminut millään vaikuttavalla tavalla (Opus 4.6 pystyi siihen, mutta ei hyvin). Kunnes eilen GPT-5.4 Thinkingin kanssa. Yhtäkkiä saan nyt jotain, joka ei ole vain kohtuullisen hyödyllistä, vaan uskon sen tulevan välittömästi osaksi sijoitusprosessiani. Kutsun sitä "PM Review" eli rakenteelliseksi arvioinniksi ja vastustan mallia. Olen osallistunut kirjaimellisesti satoihin näihin sekä analyytikkona että projektipäällikkönä. Käytännössä analyytikko rakentaa mallin, lähettää sen projektipäällikölle, ja he käyvät sen läpi yhdessä. Viisas, kokenut projektipäällikkö repii mallin palasiksi, työntää takaisin ja auttaa ohjaamaan mallin käyttökelpoiseen lopputulokseen. Hyvä PM pystyy keskittymään kahteen tai kolmeen keskeiseen muuttujaan, jotka merkitsevät, ja tunnistamaan aggressiiviset tai konservatiiviset oletukset. Analyytikko saattaa esittää osakkeen, jossa ydinmäärällinen panos perustuu virheelliseen logiikkaan. Ja pääministerin tehtävä on yrittää tunnistaa tuo virheellinen logiikka. Tämä työnkulku on minulle keskeinen ero hyvien ja huonojen projektipäälliköiden välillä. Tämä työnkulku ei kuitenkaan ole vain projektipäälliköille; Se on analyytikoille, jotka yrittävät arvioida omaa työtään, vertaisanalyytikoille, jotka haluavat tehdä harkittua vastaväitteitä ideoista, joihin tiimi saattaa osallistua, sekä tutkimustiimien johtajalle, joka haluaa arvioida idean hyväksymisprosessia tehokkaasti. Tai yksityisviestejä ensimmäisestä leikkauksesta, jos he katsovat paljon ideoita. Kiehtova puoli tämän prosessin vahvistamisessa tekoälyllä on, että se skaalautuu uskomattomasti. Ja se voi toimia itsenäisesti. 300 mallin aikana minulla voisi olla joukko agentteja, jotka tekisivät automaattisia due diligence -tutkimuksia keskeisistä ajureista, päivittäisivät mallit, syöttäisivät tulokset minulle ja merkitsivät, mitkä käsitellyistä ideoistani ovat tuottojen tarkistuspotentiaalia. Tämä työnkulku on mielestäni julkisen pääoman tutkimuksen "Kursorimomentti". En sano, että olisimme siellä missään nimessä, sillä datan tarkkuus ja sisäisen datan sisällyttämiseen tarvittavat rakenteet ovat vielä työn alla. Mutta otimme juuri askeleen eteenpäin teknologisessa kyvykkyydessä. Testasin tätä GPT-5.4:ssä. Ja vaikka se ei ole täydellinen, tämä on ensimmäinen kerta, kun saan mitään hyödyllistä tässä testissä. Käyn läpi pari vaihetta, jotta voit tehdä tämän itse. Vaihe 1: aivot Claudeen. En tiedä, onko siinä mitään logiikkaa vai onko se vain oma tapani, mutta jos suoritan Chat GPT:ssä, teen metapromptin ja Clauden ja päinvastoin. En ole varma, missä meta-kehotteesi on kovin tärkeää minun työnkulkuissani, mutta EHDOTTOMASTI sillä on merkitystä, jos teet vs. raw kehotteen, joten älä jätä tätä vaihetta väliin. Vaihe 2: ota tuo kehotetulos, muunna se Markdowniksi ja laita se mukautetuiksi käskyiksi GPT-projektiin. Tämä on vain työnkulun tehokkuutta, koska silloin minulla on GPT-projekti, johon voin ladata minkä tahansalaisen mallin. Vaihe 3: suorita kehote. Nostin tarkoituksella DraftKings-malliani hieman (ja se on muutenkin työn alla, joten älä ota näitä arvioita minkäänlaisena). Mutta se tuotti poikkeuksellisen hyödyllisen: 1) Tiivistelmä 2) Liiketoiminnan ymmärrys (selittäen, miten dollari kulkee tuloslaskelmassa) 3) Mallin arviointi, joka tarjoaa arvioinnin ja mielenterveyden tarkistuksen kaikista keskeisistä syötteistä 4) Mallin auditointi, jossa etsitään syötteen johdonmukaisuutta, kaavojen eheystä ja rikkinäisiä viitteitä 5) Tiekartta asteittaiseen due diligence -prosessiin 6) Arvokkaimmat IR-kysymykset Kannustan sinua tutustumaan siihen itse. Linkitän kuusisivuiseen tulokseen vastauksissa.

En voisi olla eri mieltä näkemyksestä, että mallinnusta on tullut enemmän kaupallista. Mallintamisesta ei koskaan tule kokonaan kaupallista. Miksi? Taloudellinen malli on vain ajatteluväline. Paikka, jolla voit kvantifioida oletuksiasi. Kuten @pmje73 on sanonut; Malli on polkupyörä, sillä täytyy silti ajaa. Mallinnusprosessin osat muuttuvat kaupallistetuiksi (kuten Visible Alpha kaupallisti käsin leviävän konsensuksen). Se on loistava uutinen ja voi vapauttaa käyttöönotettavia tunteja lisäarvoa tuottavaan tutkimukseen. "Kaikki on DCF", ja sijoitukset perustuvat ennusteisiin. Vuoden 2027 avainajureiden mallintaminen on moniulotteinen tiivistys due diligence -prosessista, jonka monet keskeiset muuttujat ovat (ikuisesti) LLM:ien ulkopuolella (yritykset ovat eläviä organismeja, mutta ihmisiä, ei matemaattisia ongelmia, joten niiden analysointia ei voi tiivistää tietokonekoodiksi). Näin ollen mallinnusta ei kaupallisteta erittäin perustavanlaatuisista syistä (pääasiassa siitä, että arvostus on vain näkökulma tulevaan FCF:ään, eikä kaikki mallinnus maailmassa voi saada objektiivisesti totuutta arvonmäärityksestä). Näyttää kuitenkin tapahtuvan, että jotkut mallinnuksen tylsistä elementeistä ylittävät hyväksyttävän augmentaation kynnyksen, ja kopilottilähestymistapa voi tuoda paljon harkitumpia, painekoettelevampia oletuksia lyhyemmässä ajassa. Ja se on jännittävää.