Điều này thật sự rất thú vị Tôi đã thử nghiệm với các bảng điều khiển dữ liệu do AI điều khiển để theo dõi các KPI của công ty một cách có hệ thống hơn. Rất nhiều quy trình nghiên cứu cổ phiếu công khai liên quan đến việc phát triển các dự báo doanh thu tốt hơn (sẽ dẫn đến EPS ở các mức độ gia tăng khác nhau). Vì vậy, rất nhiều động lực nghiên cứu đầu tư liên quan đến việc theo dõi dữ liệu giúp thông tin cho các dự báo doanh thu chính xác hơn. Đây là nền tảng của ngành dữ liệu thay thế. Nhưng có nhiều bộ dữ liệu hữu ích đang nằm trong công khai. Khi các chatbot đã phát triển (Claude), tôi đã ấn tượng với khả năng của những công cụ này trong việc thu thập dữ liệu này. Đối với tôi, đây là mảnh ghép còn thiếu khác bên cạnh sự thành thạo Excel. Khả năng tiếp nhận một mô hình Excel (cuối cùng sẽ xây dựng nó, nhưng không phải hôm nay), xác định các yếu tố chính (từ dữ liệu công khai và độc quyền), tinh lọc dữ liệu đó trở lại thành các dự báo, và gửi lại các cảnh báo tùy chỉnh (sự thay đổi động lực kinh doanh, khả năng điều chỉnh dự báo doanh thu, xác thực/không xác thực luận điểm, v.v.). Bây giờ thì chúng ta đang nói chuyện!! Điều này hữu ích hơn rất nhiều so với một lớp chatbot tài chính. Tôi tự hỏi liệu những công cụ này có đang tiến triển với tốc độ mà hầu hết các chuyên gia tài chính thậm chí không cần phải học các tác nhân lập trình hay không. Ví dụ, Perplexity Computer đã hoàn thành một cái gì đó mà chắc chắn không hoàn hảo, nhưng thể hiện sự tiến bộ đáng kể trong khả năng của cơ sở hạ tầng để xây dựng các giao diện người dùng đơn giản, mạnh mẽ. Độ chính xác cấp tổ chức vẫn là một vấn đề quan trọng và vẫn chưa được giải quyết hoàn toàn (điều này có cải thiện khi các công ty như CarbonArc triển khai MCP không??), nhưng thật thú vị khi thấy khả năng kỹ thuật cải thiện đáng kể trong một khoảng thời gian ngắn như vậy.

Tôi sẽ cung cấp một chút cụ thể hơn về điều này, và một số đoạn ví dụ. Trong nhiều tháng qua, mọi người đã nói về một "thời điểm Con trỏ" trong tài chính, nơi mà quy trình làm việc thay đổi một cách mạnh mẽ đến mức bạn chạm vào phần dốc của đường cong chấp nhận. Tôi đã rất hoài nghi về điều đó, vì một vài lý do. Nhưng lý do cơ bản nhất là công nghệ LLM đơn giản là chưa đủ. Các mô hình nền tảng không có đủ sức mạnh để tương tác với các bảng tính Excel theo bất kỳ cách nào có thể sử dụng được (mặc dù có những buổi trình diễn ấn tượng...). Ngay cả khi bạn giải quyết được những thách thức dữ liệu (rất phức tạp), các LLM của năm 2025 cũng không có đủ sức mạnh để tương tác với các bảng tính. Vì vậy, chúng ta có thể ngồi và nói về rất nhiều ý tưởng và khái niệm về cách AI có thể tăng cường nghiên cứu đầu tư thể chế. Nhưng đó chỉ là một khái niệm. Tôi có một loạt các bài kiểm tra mà tôi thực hiện trên các mô hình AI mới, đó là các bài kiểm tra khả năng cho quy trình nghiên cứu theo phong cách quỹ đầu cơ. Và điều dễ nhất là chỉ cần tải lên một tệp Excel hiện có để xem liệu LLM có thể hiểu những gì đang diễn ra hay không. Nếu các LLM không thể đọc và hiểu một mô hình Excel một cách đầy đủ, thì toàn bộ quy trình làm việc AI Excel là không thể (theo ý kiến của tôi). Và thật lãng phí thời gian để cố gắng khám phá. Điều này không hoạt động ở bất kỳ mức độ ấn tượng nào (Opus 4.6 có thể làm được, nhưng không làm tốt). Cho đến hôm qua, với GPT-5.4 Thinking. Đột nhiên, tôi có thể nhận được điều gì đó không chỉ hữu ích một cách khiêm tốn, mà tôi nghĩ sẽ ngay lập tức trở thành một phần trong quy trình làm việc đầu tư của tôi. Tôi gọi nó là "Đánh giá PM", hoặc một đánh giá có cấu trúc và phản biện về một mô hình. Tôi đã tham gia vào hàng trăm cuộc như vậy với tư cách là cả nhà phân tích và PM. Thực tế, nhà phân tích xây dựng một mô hình, gửi nó cho PM, và họ cùng nhau đi qua nó. PM khôn ngoan, có kinh nghiệm sẽ phân tích mô hình, phản biện, và giúp định hướng mô hình đến một kết quả có thể sử dụng. Một PM giỏi sẽ có khả năng tập trung vào hai hoặc ba biến chính quan trọng và xác định các giả định quyết liệt hoặc bảo thủ. Một nhà phân tích có thể đang đề xuất một cổ phiếu mà đầu vào định lượng cốt lõi được hỗ trợ bởi logic sai lầm. Và nhiệm vụ của PM là cố gắng xác định logic sai lầm đó. Quy trình làm việc này, đối với tôi, là một yếu tố phân biệt chính giữa các PM giỏi và không giỏi. Tuy nhiên, quy trình làm việc này không chỉ dành cho các PM; nó dành cho các nhà phân tích đang cố gắng đánh giá công việc của chính họ, các nhà phân tích đồng nghiệp muốn phản biện một cách suy nghĩ về các ý tưởng mà nhóm có thể tham gia, các giám đốc nghiên cứu của chúng tôi đang tìm cách đánh giá hiệu quả quy trình bảo lãnh ý tưởng. Hoặc các PM cho lần cắt đầu tiên nếu họ đang xem xét nhiều ý tưởng. Khía cạnh thú vị của việc tăng cường quy trình này bằng AI là nó có thể mở rộng một cách đáng kinh ngạc. Và nó có thể hoạt động tự động. Trên 300 mô hình, tôi có thể có một đàn các tác nhân thực hiện thẩm định tự động về các yếu tố chính, cập nhật các mô hình đó, cung cấp những kết quả đó cho tôi, và đánh dấu những ý tưởng nào của tôi có tiềm năng điều chỉnh thu nhập. Quy trình làm việc này là "thời điểm Con trỏ" cho nghiên cứu cổ phiếu công khai, theo ý kiến của tôi. Tôi không nói rằng chúng ta đã đến đó, vì độ chính xác dữ liệu và các cấu trúc cần thiết để tích hợp dữ liệu nội bộ vẫn đang trong quá trình phát triển. Nhưng chúng ta vừa tiến một bước về khả năng công nghệ. Tôi đã thử nghiệm điều này trong GPT-5.4. Và mặc dù nó không hoàn hảo, đây là lần đầu tiên tôi nhận được bất cứ điều gì hữu ích trong bài kiểm tra này. Tôi sẽ hướng dẫn bạn qua một vài bước để thực hiện điều này một cách độc lập. Bước 1: đổ não vào Claude. Tôi không biết có bất kỳ logic nào cho điều này hay chỉ là thói quen của riêng tôi nhưng nếu tôi đang thực hiện trong Chat GPT, tôi sẽ meta prompt và Claude và ngược lại. Tôi không chắc nơi bạn meta prompt có quan trọng nhiều cho các loại quy trình làm việc mà tôi thực hiện nhưng nó CHẮC CHẮN quan trọng nếu bạn meta prompt so với raw prompt nên đừng bỏ qua bước này. Bước 2: lấy đầu ra của prompt đó, chuyển nó thành Markdown, và đưa nó vào như hướng dẫn tùy chỉnh trong một dự án GPT. Đây chỉ là một hiệu quả quy trình làm việc vì vậy bây giờ tôi có một dự án GPT mà tôi có thể tải lên bất kỳ mô hình nào. Bước 3: chạy prompt. Tôi cố tình làm cho mô hình DraftKings của mình cao hơn một chút (và nó vẫn đang trong quá trình phát triển nên đừng coi bất kỳ ước lượng nào trong số này là điều tôi tin tưởng). Nhưng nó đã tạo ra một: 1) Tóm tắt điều hành 2) Hiểu biết về doanh nghiệp (giải thích cách một đô la chảy qua P&L) 3) Đánh giá mô hình, cung cấp một đánh giá và kiểm tra tính hợp lý của tất cả các đầu vào chính 4) Kiểm toán mô hình, tìm kiếm tính nhất quán của đầu vào, tính toàn vẹn của công thức, và các tham chiếu bị hỏng 5) Một lộ trình cho thẩm định bổ sung 6) Các câu hỏi IR có giá trị cao nhất Tôi khuyến khích bạn kiểm tra điều này cho chính mình. Sẽ liên kết đến đầu ra sáu trang trong các phản hồi.

Tôi không thể không đồng ý với quan điểm rằng việc mô hình hóa đã trở nên hàng hóa hơn. Mô hình hóa sẽ không bao giờ trở thành hàng hóa, hoàn toàn. Tại sao? Một mô hình tài chính chỉ là một công cụ tư duy. Một phương tiện để định lượng các giả định của bạn. Như @pmje73 đã nói; mô hình là một chiếc xe đạp, bạn vẫn phải đạp nó. Các yếu tố của QUÁ TRÌNH mô hình hóa sẽ trở thành hàng hóa (cũng như Visible Alpha đã biến việc đồng thuận bằng tay thành hàng hóa). Đó là tin tốt, và có thể giải phóng thời gian có thể triển khai cho nghiên cứu có giá trị hơn. “Mọi thứ đều là DCF”, và các khoản đầu tư phụ thuộc vào các dự báo. Cách bạn mô hình hóa các yếu tố chính của năm 2027 là một sự chưng cất đa chiều của một quy trình thẩm định, nhiều biến chính trong số đó (mãi mãi) nằm ngoài phạm vi của LLM (các công ty là những sinh vật sống do con người điều hành, không phải là các bài toán toán học, vì vậy việc phân tích chúng không thể được chưng cất thành mã máy tính). Vì vậy, mô hình hóa sẽ không bị hàng hóa hóa vì những lý do cơ bản cực kỳ (chủ yếu, rằng định giá chỉ là một quan điểm về FCF trong tương lai và tất cả các mô hình hóa trên thế giới không thể đạt được một câu trả lời đúng một cách khách quan về định giá). Tuy nhiên, điều dường như đang xảy ra là một số yếu tố tẻ nhạt của mô hình hóa đang vượt qua ngưỡng chấp nhận được của việc tăng cường, và một cách tiếp cận đồng lái có thể thúc đẩy những giả định suy nghĩ nhiều hơn, đã được kiểm tra áp lực trong thời gian ngắn hơn. Và điều đó thật thú vị.