Kỳ vọng đóng vai trò trung tâm trong các biến đổi kinh tế. Chu kỳ tăng lãi suất gần đây của Ngân hàng Dự trữ Liên bang chủ yếu nhằm làm giảm nhu cầu tổng hợp bằng cách tăng chi phí tài chính bên ngoài dưới dạng lãi suất vay cao hơn (D'Acunto et al. 2022b).
Cuộc khảo sát doanh nghiệp là một công cụ tiêu chuẩn được sử dụng để hiểu cách các công ty dự định thay đổi đầu tư của mình, nhưng khó khăn trong việc tiếp cận các quyết định thực tế của các nhà quyết định trong một mẫu đại diện của các doanh nghiệp làm cho việc khảo sát trở nên chi phí quá cao. Trong cột viết này, chúng tôi lập luận rằng cả học giả và nhà hoạch định chính sách đều có thể thu thập niềm tin và kế hoạch của các doanh nghiệp bằng cách sử dụng những phát triển gần đây trong trí tuệ nhân tạo (AI), và đặc biệt là ChatGPT, trên các báo cáo của công ty và cuộc gọi với các nhà phân tích.
Các nhà hoạch định chính sách phải hiểu các chính sách doanh nghiệp để đưa ra các quyết định có căn cứ. Chính sách đầu tư, đặc biệt là, đóng vai trò quan trọng trong sự tăng trưởng doanh nghiệp và biến động tổng hợp, với đầu tư tổng hợp là thành phần biến động nhất của GDP. Lý thuyết q cổ điển cho rằng chỉ số q của Tobin có thể là một thống kê đủ để mô tả cơ hội và chính sách đầu tư của các công ty (Hayashi 1982). Tuy nhiên, do thông tin và sự cản trở của thị trường vốn, các biến số khác ngoài q, chẳng hạn như thông tin riêng của các nhà quản lý, có thể có khả năng dự đoán cho đầu tư tương lai.
Rất tiếc là thông tin về quản lý thường không có sẵn cho tất cả các doanh nghiệp, mặc dù thông tin và thông tin hữu ích cho một phần các doanh nghiệp được cung cấp thông qua các cuộc khảo sát khác nhau, chẳng hạn như cuộc khảo sát của Hiệp hội Kế toán trưởng và Cục Dự trữ Liên bang và cuộc khảo sát của Hội đồng Giám đốc điều hành.
Để giải quyết vấn đề này, trong một bài báo gần đây (Jha et al. 2023), chúng tôi tận dụng sức mạnh của ChatGPT, một mô hình trí tuệ nhân tạo tiên tiến được phát triển bởi OpenAI có khả năng xử lý câu hỏi dài và phức tạp và cung cấp các câu trả lời chi tiết, chuyên gia. Bằng cách sử dụng ChatGPT, chúng tôi trích xuất kỳ vọng về chính sách đầu tư tương lai của các công ty từ cấp độ doanh nghiệp và trả lời các câu hỏi sau: ChatGPT có thể giúp hiểu về chính sách doanh nghiệp không? Chính sách đầu tư được trích xuất bằng ChatGPT có cung cấp thông tin bổ sung cho đầu tư tương lai vượt qua các biện pháp hiện có như chỉ số q của Tobin hoặc dòng tiền không? Thông tin này ảnh hưởng đến giá tài sản và lợi tức như thế nào?
Tập dữ liệu của chúng tôi bao gồm 74.586 bản ghi cuộc họp từ 3.878 công ty riêng biệt trong giai đoạn từ 2006 đến 2020. Những bản ghi này chứa thông tin quý giá bao gồm niềm tin và kỳ vọng của các nhà quản lý về chi tiêu vốn tương lai của công ty. Sử dụng ChatGPT, chúng tôi trích xuất các đánh giá số liệu về sự gia tăng và giảm bớt đầu tư trong tương lai và xây dựng một chỉ số đầu tư ChatGPT theo cấp độ công ty.
Chúng tôi xác minh chỉ số này theo nhiều cách. Trước tiên, chúng tôi so sánh chỉ số đầu tư của chúng tôi với các câu trả lời từ cuộc khảo sát CFO của Duke, mà trực tiếp thu thập dự đoán về chi tiêu vốn của một phần trong mẫu của chúng tôi. Các công ty có chỉ số đầu tư ChatGPT cao cũng báo cáo trong cuộc khảo sát dự định tăng đầu tư trong 12 tháng tới. Thứ hai, chúng tôi quan sát các xu hướng tương tự giữa chỉ số đầu tư trung bình trong mẫu của chúng tôi và sự thay đổi về chi tiêu vốn trong tương lai theo thời gian (Hình 1).
Hình 1 Chỉ số đầu tư ChatGPT so với đầu tư thực tế
Ghi chú: Hình này biểu đồ các chuỗi thời gian của chỉ số đầu tư ChatGPT hàng quý trung bình và sự thay đổi trung bình trong bốn quý tới về chi tiêu vốn. Thứ ba, các chỉ số đầu tư trung bình theo ngành cũng cho thấy các mô hình tương tự với các biến đổi lớn trong nền kinh tế. Ví dụ, các công ty trong các ngành phần mềm / sinh học kỳ vọng tăng đầu tư trong đại dịch COVID-19, trong khi nhiều ngành khác kỳ vọng giảm (Hình 2).
Hình 2 Chỉ số đầu tư ChatGPT theo các ngành
Cuối cùng, chúng tôi yêu cầu ChatGPT cung cấp các trích đoạn từ bản ghi cuộc họp mà hỗ trợ việc gán điểm đầu tư, tiết lộ các cụm từ và câu có thể diễn giải. Ví dụ, Hình 3 cho thấy các cụm từ hai từ phổ biến nhất liên quan đến điểm đầu tư cao và thấp phù hợp với kế hoạch của quản lý để tăng hoặc giảm đầu tư.
Hình 3 Diễn giải điểm đầu tư ChatGPT
Sau đó, chúng tôi nghiên cứu sức mạnh dự đoán của chỉ số đầu tư dựa trên trí tuệ nhân tạo mới của chúng tôi cho chi tiêu vốn thực tế trong tương lai ở cấp độ công ty. Chúng tôi phát hiện rằng chỉ số đầu tư ChatGPT cung cấp sức mạnh dự đoán bổ sung cho đầu tư tương lai khi chúng tôi kiểm soát Tobin's q và các yếu tố dự đoán khác về đầu tư ở cấp độ công ty.
Việc tăng 1 độ lệch chuẩn trong điểm đầu tư được liên kết với việc tăng 0,034 độ lệch chuẩn cho chi tiêu vốn trong quý sau cuộc họp, khoảng hai phần ba của sự nhạy cảm tương ứng của chi tiêu vốn đối với chỉ số q tổng hợp, đó là một biện pháp mở rộng của chỉ số q của Tobin kết hợp với vốn vô hình (Peters và Taylor 2017). Mối quan hệ này là một đặc điểm vững chắc của dữ liệu và cũng đúng sau khi chúng tôi giữ nguyên chi tiêu vốn đã trễ và thêm các yếu tố cố định ở cấp độ công ty và thời gian, cho thấy rằng chỉ số đầu tư chứa thông tin mới, bổ sung được rút ra từ thông tin riêng và kỳ vọng của quản lý.
Sức mạnh dự đoán quan trọng của chỉ số đầu tư tồn tại trong tới 9 quý, nhấn mạnh tính chất dài hạn của kỳ vọng của các nhà quản lý. Hơn nữa, chỉ số đầu tư ChatGPT không chỉ dự đoán đầu tư vật lý trong tương lai mà còn dự đoán các hình thức đầu tư khác, bao gồm đầu tư vô hình, nghiên cứu và phát triển và tổng đầu tư trong cả ngắn hạn và dài hạn.
Hơn nữa, chúng tôi khám phá mối quan hệ giữa điểm đầu tư dựa trên ChatGPT và lợi tức cổ phiếu dự kiến. Lý thuyết định giá tài sản dựa trên đầu tư (Liu và đồng nghiệp năm 2009) dự đoán rằng doanh nghiệp có lợi tức dự kiến thấp hơn sẽ đầu tư nhiều hơn, vì họ áp dụng mức lợi tức cản trở thấp hơn, dẫn đến nhiều dự án đầu tư có giá trị hiện tại ròng tích lũy dương. Do đó, chúng tôi mong đợi cổ phiếu đầu tư có lợi tức dự kiến cao sẽ có lợi tức cổ phiếu tương lai thấp hơn. Kiểm định của chúng tôi xác nhận giả thuyết này: điểm đầu tư dựa trên ChatGPT có mối liên hệ âm bổ sung và đáng kể với lợi tức gốc và lợi tức bất thường điều chỉnh theo yếu tố trong quý tiếp theo. Tương tự như đầu tư, tính khả thi dự đoán lợi tức cũng tồn tại trong tối đa chín quý.
Ngoài các chính sách đầu tư, chúng tôi điều tra xem phương pháp của chúng tôi có thể áp dụng cho các chính sách doanh nghiệp khác, chẳng hạn như chi trả cổ tức và chính sách nhân sự. Chúng tôi tìm thấy mối tương quan mạnh giữa các chính sách doanh nghiệp dự kiến dựa trên ChatGPT và các chính sách dự kiến nhận được từ các phản hồi Khảo sát Giám đốc tài chính của Đại học Duke (Graham và Harvey năm 2001, Graham và đồng nghiệp năm 2016) cho cùng một nhóm doanh nghiệp, cho thấy phương pháp của chúng tôi có thể được áp dụng cho một loạt các chính sách doanh nghiệp.
Nhìn chung, bài báo của chúng tôi có một số đóng góp quan trọng. Thứ nhất, bài báo của chúng tôi liên quan đến văn học về mối quan hệ giữa đầu tư và mô hình q. Mặc dù có các lý thuyết tạo liên kết mạnh giữa chỉ số Tobin's q và đầu tư (Hayashi năm 1982), mối quan hệ thực nghiệm giữa chúng đã yếu. Điểm đầu tư dựa trên trí tuệ nhân tạo của chúng tôi cung cấp thông tin mới về cơ hội đầu tư tương lai của doanh nghiệp, bổ sung cho Tobin's q và tổng quan q, có thể giúp các nhà nghiên cứu và các cơ quan quản lý hiểu rõ hơn về đầu tư doanh nghiệp và hậu quả của nó đối với nền kinh tế.
Thứ hai, bài báo của chúng tôi liên quan đến văn học về phản hồi, theo đó các nhà quản lý học cách đưa ra quyết định đầu tư và quyết định doanh nghiệp khác (Chen và đồng nghiệp năm 2007). Khám phá của chúng tôi cho thấy hướng liên kết ngược lại cũng quan trọng: thị trường cũng có thể học hỏi từ các nhà quản lý.
Thứ ba, nghiên cứu của chúng tôi liên quan đến văn học về khảo sát và kỳ vọng. Các cuộc khảo sát là công cụ mạnh mẽ cho nhà nghiên cứu để truy cập thông tin không có sẵn trong các tập dữ liệu tiêu chuẩn (D'Acunto và đồng nghiệp năm 2022b, Coibion và đồng nghiệp năm 2022). Phương pháp của chúng tôi có thể bổ sung cho các khảo sát hiện có và tạo ra các chỉ số dựa trên kế hoạch và thảo luận của các nhà quản lý tài chính cho một mẫu lớn các doanh nghiệp và cung cấp một bộ công cụ và dữ liệu mới cho các nhà nghiên cứu.
Cuối cùng, phương pháp của chúng tôi đại diện cho một bước tiến về phân tích văn bản. Các nhà nghiên cứu đã sử dụng phân tích văn bản để phân tích thông tin văn bản phi cấu trúc như mức độ và phạm vi tình cảm (Hanley và Hoberg năm 2010, Loughran và McDonald năm 2011). Gần đây, các nhà nghiên cứu đã bắt đầu sử dụng ChatGPT (Lopez-Lira và Tang năm 2023, Kim và đồng nghiệp năm 2023). Chúng tôi chỉ ra rằng ChatGPT có thể giúp trích xuất thông tin về các khái niệm phức tạp như chính sách doanh nghiệp tương lai. Hơn nữa, thông tin như vậy có thể được giải thích, vì con người có thể đọc và hiểu các luận điểm được đưa ra bởi ChatGPT khi đưa ra quyết định.
Kết luận, bài báo của chúng tôi chứng minh giá trị của việc sử dụng các mô hình trí tuệ nhân tạo tiên tiến như ChatGPT để trích xuất niềm tin và kế hoạch của doanh nghiệp cho các chính sách doanh nghiệp tương lai, đặc biệt là quyết định đầu tư. Điểm đầu tư dựa trên ChatGPT cung cấp những thông tin vượt trội hơn so với các biện pháp truyền thống, mang lại sức mạnh dự báo bổ sung cho đầu tư tương lai và tác động của nó đối với giá tài sản và lợi tức. Phương pháp này có thể được mở rộng sang các chính sách doanh nghiệp khác, cung cấp một công cụ linh hoạt cho các nhà nghiên cứu và người làm chính sách. Khi công nghệ trí tuệ nhân tạo tiếp tục tiến bộ, việc tích hợp nó vào nghiên cứu kinh tế hứa hẹn mang lại những cái nhìn sâu sắc hơn và quy trình ra quyết định tốt hơn.
Tài liệu tham khảo
Chen, Q, I Goldstein, và W Jiang (2007), “Price informativeness and investment sensitivity to stock price”, Review of Financial Studies 20: 619–50.Coibion, O, Y Gorodnichenko, và M Weber (2022), “Monetary policy communications and their effects on household inflation expectations”, Journal of Political Economy 130: 1537–84.
D’Acunto, F, D Hoang, và M Weber (2022a), “Managing households’ expectations with unconventional policies”, Review of Financial Studies 35: 1597–642.
D’Acunto, F, U Malmendier, và M Weber (2022b), “What do the data tell us about inflation expectations?”, CEPR Discussion Paper 17094.
Graham, J R, và C R Harvey (2001), “The theory and practice of corporate finance: Evidence from the field”, Journal of Financial Economics 60: 187–243.
Graham J, C Harvey, và I Ben-David (2016), “Managers are miscalibrated”, VoxEU.org, 20 August.
Hanley, K W và G Hoberg (2010), "Nội dung thông tin của thông cáo IPO", Tạp chí nghiên cứu Tài chính 23: 2821-64.
Hayashi, F (1982), "Tobin's marginal q và q trung bình: Một diễn giải cổ điển", Econometrica 50: 213-24.
Jha, M, J Qian, M Weber và B Yang (2023), "ChatGPT và chính sách doanh nghiệp", bài báo làm việc.
Kim, A G, M Muhn và V V Nikolaev (2023), "Thông tin quá tải: Liệu ChatGPT có thể giúp nhà đầu tư xử lý thông tin?", bài báo làm việc.
Liu, L X, T M Whited và L Zhang (2009), "Lợi nhuận dự kiến dựa trên đầu tư", Tạp chí Kinh tế Chính trị 117: 1105-39.
Lopez-Lira, A và Y Tang (2023), "ChatGPT có thể dự đoán chuyển động giá cổ phiếu không? Khả năng dự báo lợi nhuận và mô hình ngôn ngữ lớn", bài báo làm việc.
Loughran, T và B McDonald (2011), "Khi nào một khoản nợ không phải là một khoản nợ? Phân tích văn bản, từ điển và 10-Ks ", Tạp chí Tài chính 66: 35-65.
Peters, R H và L A Taylor (2017), "Vốn không hữu hình và mối quan hệ đầu tư-q", Tạp chí Kinh tế Tài chính 123: 251-72.
