LLM đọc Earnings Call để tạo “Text Alpha” như thế nào? Từ ngôn ngữ của ban lãnh đạo đến tín hiệu dự báo cổ phiếu

PHẦN 1. Vì sao những gì ban lãnh đạo nói có thể chứa thông tin mà báo cáo tài chính chưa phản ánh?

Khi một doanh nghiệp công bố kết quả kinh doanh quý, phần lớn nhà đầu tư thường bắt đầu từ những con số quen thuộc: doanh thu tăng bao nhiêu, lợi nhuận vượt hay thấp hơn kỳ vọng, biên lợi nhuận có cải thiện không và EPS đang đi theo xu hướng nào. Đây là cách tiếp cận rất tự nhiên, bởi báo cáo tài chính cung cấp những thông tin tương đối chuẩn hóa để so sánh doanh nghiệp với chính nó trong quá khứ hoặc với các công ty cùng ngành. Nhưng có một vấn đề là những con số này chủ yếu mô tả những gì đã xảy ra, trong khi giá cổ phiếu lại phản ánh kỳ vọng về những gì sẽ xảy ra tiếp theo.

Đó cũng là lý do earnings call, tức các cuộc họp trao đổi kết quả kinh doanh giữa ban lãnh đạo doanh nghiệp với nhà đầu tư và chuyên viên phân tích, trở thành nguồn dữ liệu được giới Quant quan tâm. Một cuộc họp như vậy thường không chỉ có phần trình bày về kết quả quý vừa qua mà còn bao gồm những câu hỏi về triển vọng doanh thu, chi phí đầu vào, nhu cầu thị trường, kế hoạch đầu tư, khả năng mở rộng hoạt động và những rủi ro doanh nghiệp đang đối mặt. Nếu báo cáo tài chính cho biết lợi nhuận đã tăng 20%, earnings call có thể giúp chúng ta hiểu mức tăng trưởng đó đến từ đâu, yếu tố nào có khả năng tiếp diễn và đâu chỉ là lợi ích mang tính nhất thời.

Hãy hình dung hai doanh nghiệp bán lẻ cùng công bố lợi nhuận tăng 20% so với cùng kỳ. Doanh nghiệp thứ nhất giải thích khá rõ rằng doanh thu tăng nhờ lượng khách hàng quay lại, hiệu quả từng cửa hàng được cải thiện, tốc độ luân chuyển hàng tồn kho tốt hơn và các cửa hàng mới đang đạt điểm hòa vốn nhanh hơn dự kiến. Trong khi đó, doanh nghiệp thứ hai cũng ghi nhận mức tăng trưởng tương tự nhưng phần lớn đến từ việc tiết giảm chi phí, hoàn nhập dự phòng hoặc một số khoản thu nhập không thường xuyên. Khi được hỏi về sức mua, tồn kho và triển vọng quý tới, ban lãnh đạo chỉ trả lời ở mức chung chung.

Nếu chỉ nhìn vào tăng trưởng EPS, hai doanh nghiệp có thể được xếp khá gần nhau. Nhưng nếu đặt câu hỏi doanh nghiệp nào có khả năng duy trì kết quả kinh doanh trong hai hoặc ba quý tiếp theo, sự khác biệt bắt đầu trở nên đáng chú ý. Điểm thú vị là thông tin này không nhất thiết bị che giấu. Nó có thể đã xuất hiện công khai trong cuộc họp, chỉ là nằm rải rác giữa hàng nghìn câu nói và chưa được chuyển thành một biến số có thể đưa vào mô hình định lượng.

Một working paper công bố tháng 5/2026 của Yizhong Zhang và Guofu Zhou, mang tên Large Language Models for Asset Pricing: Learning from Earnings Calls, thử tiếp cận vấn đề theo hướng này. Hai tác giả xây dựng EAR-AI, một thước đo định lượng dạng một giá trị duy nhất được tạo từ ngôn ngữ trong earnings call bằng Large Language Models (LLM), sau đó nghiên cứu khả năng dự báo trên dữ liệu giai đoạn 2009–2024. Điều khiến nghiên cứu đáng chú ý không đơn thuần nằm ở việc sử dụng một mô hình AI để đọc tài liệu tài chính. Quan trọng hơn, nó đặt ra câu hỏi liệu phần thông tin được trích xuất từ ngôn ngữ có mang giá trị dự báo độc lập so với những dữ liệu tài chính và thị trường đã được sử dụng rộng rãi hay không.

Kết quả được các tác giả công bố cho thấy EAR-AI có liên hệ với nhiều biến số cơ bản trong tương lai, bao gồm earnings surprise, revenue surprise, tăng trưởng chi phí nghiên cứu và phát triển (R&D), tăng trưởng chi tiêu vốn (capex) và thay đổi đòn bẩy tài chính. Nghiên cứu cũng cho thấy tín hiệu này có nội dung dự báo khác biệt so với tập hợp 125 đặc điểm cổ phiếu truyền thống, đồng thời việc kết hợp EAR-AI với các đặc điểm đó cải thiện hiệu quả danh mục theo tiêu chí lợi nhuận và rủi ro. Đây là kết quả từ một working paper, chưa phải bằng chứng rằng chỉ cần áp dụng LLM vào bất kỳ thị trường nào cũng có thể tạo ra lợi nhuận tương tự.

Một điểm mình thấy đặc biệt thú vị là tín hiệu EAR-AI không đơn giản chỉ là một cách gọi khác của sentiment. Sentiment analysis truyền thống thường cố xác định một đoạn văn mang sắc thái tích cực, tiêu cực hay trung tính. Cách làm này có ích nhưng chưa chắc phản ánh đúng nội dung kinh tế. Chẳng hạn, câu nói “chúng tôi đang gia tăng chi phí để mở rộng năng lực sản xuất” có thể được hiểu là tiêu cực nếu mô hình tập trung vào sự gia tăng chi phí. Nhưng trong một bối cảnh khác, đó có thể là dấu hiệu doanh nghiệp đang chuẩn bị đáp ứng nhu cầu lớn hơn trong tương lai. Tương tự, việc ban lãnh đạo công bố kế hoạch giảm capex không nhất thiết là tin tốt hay xấu. Nó có thể thể hiện dòng tiền sắp cải thiện, nhưng cũng có thể cho thấy cơ hội tăng trưởng đang thu hẹp.

Vì vậy, để hiểu đúng ngôn ngữ doanh nghiệp, mô hình phải đặt các phát biểu vào ngữ cảnh kinh tế. Khi một ngân hàng nói về tăng trưởng tín dụng, NIM, chi phí vốn và chất lượng tài sản, các thông tin đó phải được diễn giải theo logic ngân hàng. Khi một doanh nghiệp bán lẻ nói về doanh thu trên từng cửa hàng, diện tích bán hàng, tồn kho và hiệu quả mở rộng mạng lưới, mô hình lại phải hiểu một hệ thống chỉ tiêu khác. Cùng một từ như “tăng trưởng”, “áp lực” hay “đầu tư” có thể mang ý nghĩa hoàn toàn khác nhau tùy ngành, chu kỳ kinh doanh và tình hình doanh nghiệp.

Phần hỏi đáp giữa ban lãnh đạo với các chuyên viên phân tích cũng đáng quan tâm. Trong phần trình bày chuẩn bị trước, doanh nghiệp có thể chủ động lựa chọn nội dung muốn nhấn mạnh. Nhưng tại phần Q&A, câu hỏi thường đi thẳng vào những vấn đề thị trường đang nghi ngờ, chẳng hạn tại sao doanh thu tăng nhưng dòng tiền hoạt động vẫn âm, vì sao hàng tồn kho tăng nhanh hơn doanh thu, hay mục tiêu lợi nhuận năm có còn khả thi sau một quý kinh doanh yếu. Câu trả lời có thể bổ sung thông tin rất quan trọng. Tuy nhiên, việc trả lời ngắn hoặc chưa đầy đủ cũng cần được đặt trong bối cảnh thực tế, không thể mặc định đó là dấu hiệu doanh nghiệp đang né tránh.

Điều này dẫn đến một cách nhìn khá khác về dữ liệu đầu tư. Thay vì chỉ coi earnings call là tài liệu tham khảo để con người đọc, chúng ta có thể xem nó như một nguồn dữ liệu phi cấu trúc chứa thông tin về hoạt động kinh doanh tương lai. Vấn đề không còn là tìm ra vài câu phát biểu nổi bật, mà là xác định những thay đổi có ý nghĩa về nhu cầu, khả năng sinh lời, kế hoạch vốn, rủi ro và kỳ vọng của ban lãnh đạo qua từng quý.

Ở đây, LLM có lợi thế vì có khả năng xử lý lượng văn bản lớn và nhận diện quan hệ ngữ nghĩa phức tạp. Nhưng khả năng đọc hiểu không đồng nghĩa với khả năng dự báo. Một mô hình có thể tóm tắt earnings call rất tốt, chỉ ra hàng chục nhận định đáng chú ý, nhưng vẫn không tạo ra bất kỳ lợi thế đầu tư nào. Text Alpha chỉ thực sự xuất hiện khi thông tin từ ngôn ngữ giúp dự báo một kết quả chưa xảy ra và phần thông tin đó chưa được giá cổ phiếu phản ánh đầy đủ. Đây là ranh giới quan trọng giữa một ứng dụng AI hỗ trợ nghiên cứu doanh nghiệp và một mô hình Quant thực sự.

PHẦN 2. Làm thế nào để biến hàng chục nghìn từ thành một tín hiệu định lượng có thể backtest?

Nếu đã đọc một earnings call dài vài chục trang, chúng ta sẽ thấy việc nhờ LLM tóm tắt nội dung gần như là bước dễ nhất. Chỉ cần đưa transcript vào mô hình và yêu cầu tổng hợp những điểm quan trọng, kết quả có thể khá tốt. Nhưng trong đầu tư định lượng, một bản tóm tắt hay chưa đủ. Điều cần thiết là biến nội dung đó thành một giá trị có thể đo lường, so sánh và kiểm định một cách nhất quán giữa hàng trăm doanh nghiệp tại nhiều thời điểm khác nhau.

Ở mức khái niệm, pipeline có thể hình dung như sau: bắt đầu từ transcript của earnings call, chuyển nội dung thành biểu diễn ngữ nghĩa bằng LLM hoặc embeddings, xây dựng một tín hiệu định lượng, sau đó liên kết tín hiệu đó với kết quả kinh doanh và lợi nhuận cổ phiếu xảy ra sau thời điểm công bố. Đây là cách diễn giải trực quan về bài toán Text Alpha, không phải mô tả đầy đủ kiến trúc kỹ thuật cụ thể của EAR-AI trong paper. Điểm quan trọng là chúng ta không dừng ở việc LLM nói rằng “ban lãnh đạo đang tích cực”, mà phải xác định ngôn ngữ trong cuộc họp chứa thông tin gì liên quan đến triển vọng doanh nghiệp và giá trị cổ phiếu.

Bước đầu tiên là chuẩn hóa dữ liệu đầu vào. Một transcript tốt không chỉ có nội dung phát biểu mà còn cần xác định ai đang nói, thuộc phần trình bày của ban lãnh đạo hay phần hỏi đáp, cuộc họp diễn ra vào ngày nào và thông tin được công khai từ thời điểm nào. Những yếu tố tưởng như mang tính kỹ thuật này lại ảnh hưởng trực tiếp đến kết quả. Một nhận định được CEO chủ động đưa ra có thể mang ý nghĩa khác với một giả định do chuyên viên phân tích đặt trong câu hỏi. Tương tự, một thông tin xuất hiện lần đầu vào quý II cần được phân biệt với nội dung đã được doanh nghiệp nhắc lại nhiều quý trước.

Khi dữ liệu đã được chuẩn hóa, LLM có thể giúp nhận diện những nội dung kinh tế quan trọng. Chẳng hạn, phát biểu về việc mở rộng công suất có thể liên quan đến capex và tăng trưởng doanh thu tương lai; việc công ty thận trọng hơn trong nhận định nhu cầu có thể ảnh hưởng đến dự báo sản lượng; còn những thay đổi trong chính sách tồn kho, chiết khấu hoặc thời hạn thanh toán có thể cung cấp thêm thông tin về biên lợi nhuận và dòng tiền. Các embeddings sẽ biểu diễn những nội dung này dưới dạng vector số, qua đó cho phép mô hình tìm kiếm những quan hệ mà phương pháp đếm từ khóa truyền thống khó nhận diện.

Tuy nhiên, embeddings bản thân nó chưa phải là alpha. Một văn bản có thể được biểu diễn bằng hàng trăm hoặc hàng nghìn chiều dữ liệu, nhưng để biến chúng thành tín hiệu đầu tư, hệ thống cần một bước ánh xạ sang biến mục tiêu. Nếu tự xây dựng mô hình, chúng ta có thể bắt đầu bằng việc sử dụng biểu diễn văn bản để dự báo khả năng lợi nhuận quý tiếp theo vượt kỳ vọng, doanh thu tăng nhanh hơn dự báo hoặc biên lợi nhuận cải thiện. Một cách tiếp cận khác là học trực tiếp mối quan hệ giữa đặc trưng văn bản và lợi nhuận cổ phiếu tương lai. Hai bài toán này có liên quan nhưng không giống nhau, và kết quả của chúng cần được đánh giá riêng.

Chẳng hạn, một doanh nghiệp có thể được mô hình đánh giá tích cực về tăng trưởng lợi nhuận tương lai, nhưng điều đó chưa chắc tạo ra lợi nhuận đầu tư tốt. Nếu thị trường đã kỳ vọng tăng trưởng rất cao và giá cổ phiếu đã phản ánh điều đó, thông tin tích cực từ earnings call có thể không mang lại thêm alpha. Ngược lại, một doanh nghiệp chỉ cần cải thiện từ mức kỳ vọng rất thấp lên mức trung bình cũng có thể tạo ra phản ứng giá đáng kể. Vì thế, mô hình Text Alpha lý tưởng không chỉ cố dự báo doanh nghiệp sẽ tốt hay xấu, mà còn phải trả lời câu hỏi mức độ tốt hay xấu đó khác gì so với kỳ vọng đang được thị trường định giá.

Đây là lý do việc ghép dữ liệu văn bản với earnings surprise, revenue surprise, định giá, momentum, thanh khoản và các yếu tố thị trường trở nên quan trọng. Nếu một tín hiệu từ earnings call chỉ phản ánh lại thông tin đã có trong EPS growth hoặc biến động giá ngày công bố, khả năng đóng góp thêm vào mô hình đầu tư sẽ hạn chế. Ngược lại, nếu tín hiệu vẫn có giá trị sau khi kiểm soát những yếu tố truyền thống, chúng ta có cơ sở để xem đây là một nguồn thông tin bổ sung. Nghiên cứu của Zhang và Zhou đáng chú ý ở chỗ EAR-AI không chỉ có liên hệ với các yếu tố cơ bản trong tương lai mà còn có nội dung dự báo khác biệt so với 125 characteristics đã được xem xét.

Một kết quả khác trong paper là thông tin từ EAR-AI có liên hệ với quá trình hình thành kỳ vọng của chuyên viên phân tích và khả năng dự báo lợi nhuận cổ phiếu không đơn thuần được giải thích bằng sentiment. Nghiên cứu cũng cho thấy khả năng dự báo return tập trung ở những doanh nghiệp mà kết quả lợi nhuận công bố sau đó xác nhận dự báo từ tín hiệu. Điều này gợi ý một cơ chế kinh tế khá hợp lý: thông tin ngôn ngữ có thể giúp nhận diện thay đổi trong triển vọng cơ bản trước khi các thay đổi đó được thể hiện rõ trong báo cáo tài chính, dù việc chuyển hóa thông tin thành lợi nhuận đầu tư còn phụ thuộc vào phản ứng của thị trường.

Nhưng cũng chính tại đây xuất hiện một trong những rủi ro lớn nhất của nghiên cứu sử dụng LLM: look-ahead bias, tức vô tình đưa thông tin tương lai vào quá trình dự báo quá khứ. Giả sử chúng ta lấy transcript của một doanh nghiệp vào năm 2017, sau đó sử dụng một LLM được phát triển nhiều năm sau để đánh giá doanh nghiệp đó. Mặc dù văn bản đầu vào chỉ chứa thông tin năm 2017, bản thân mô hình có thể đã tiếp xúc với báo cáo, tin tức hoặc diễn biến của doanh nghiệp ở những năm sau trong quá trình huấn luyện. Khi đó, kết quả backtest có nguy cơ được cải thiện bởi những kiến thức vốn chưa tồn tại tại thời điểm đầu tư.

Paper đặc biệt chú trọng đến các LLM có tính nhất quán theo trình tự thời gian, hay chronologically consistent. Về nguyên tắc, việc kiểm định lịch sử phải đảm bảo thông tin và khả năng của mô hình được sử dụng phù hợp với thời điểm tạo tín hiệu. Đây là yêu cầu nghiêm ngặt hơn nhiều so với việc chỉ giới hạn dữ liệu đầu vào bằng một ngày cutoff. Nếu một mô hình hiện đại đã học từ tài liệu xuất hiện sau thời điểm cần dự báo, việc đơn giản yêu cầu nó “hãy giả sử bạn đang ở năm 2017” không thể bảo đảm loại bỏ hoàn toàn nguy cơ rò rỉ thông tin.

Sau khi có tín hiệu, việc backtest cũng cần được thực hiện như một chiến lược đầu tư có thể giao dịch, chứ không phải một phép so sánh số liệu đơn thuần. Nếu cuộc họp kết thúc sau giờ giao dịch, tín hiệu chỉ có thể được sử dụng ở phiên tiếp theo hoặc sau thời điểm văn bản thực sự được công bố và xử lý xong. Từ đó, chúng ta có thể kiểm tra lợi nhuận sau 5, 20 hoặc 60 phiên, phân chia cổ phiếu theo các nhóm điểm số và so sánh hiệu quả giữa nhóm cao với nhóm thấp. Những khoảng thời gian này là ví dụ cho thiết kế kiểm định, không phải khẳng định về các kỳ hạn nắm giữ trong paper.

Một hệ thống nghiêm túc còn cần kiểm soát ảnh hưởng của ngành, quy mô vốn hóa, beta, momentum và thanh khoản. Nếu nhóm cổ phiếu có Text Alpha cao chủ yếu là doanh nghiệp công nghệ trong một giai đoạn ngành công nghệ tăng mạnh, lợi nhuận của chiến lược có thể đến từ yếu tố ngành chứ không phải từ ngôn ngữ earnings call. Tương tự, nếu hiệu quả chỉ tập trung ở các mã thanh khoản rất thấp, lợi nhuận trên lý thuyết có thể khó chuyển thành kết quả thực tế khi tính đến trượt giá, chi phí giao dịch và giới hạn khối lượng mua bán.

Một cách kiểm định hữu ích là tách riêng khả năng dự báo fundamentals và khả năng dự báo returns. Trước tiên cần xem điểm Text Alpha có giúp dự báo tăng trưởng doanh thu, lợi nhuận, biên lợi nhuận hoặc thay đổi chính sách đầu tư trong các quý tiếp theo hay không. Sau đó mới kiểm tra liệu những dự báo đó có liên quan đến biến động giá cổ phiếu trong tương lai. Việc tách hai bước giúp hiểu rõ nguồn gốc của tín hiệu, thay vì chỉ nhìn thấy một đường lợi nhuận backtest đẹp nhưng không giải thích được vì sao chiến lược hoạt động.

Nếu một mô hình vượt qua được những kiểm định như vậy, cách sử dụng hợp lý nhất chưa chắc là biến nó thành hệ thống tự động mua bán. Text Alpha có thể đóng vai trò một factor bổ sung trong mô hình xếp hạng cổ phiếu, giúp điều chỉnh mức độ tin cậy của dự báo lợi nhuận, nhận diện rủi ro fundamental hoặc phát hiện những doanh nghiệp đang có chuyển biến mà số liệu lịch sử chưa cho thấy đầy đủ. Đây cũng là điểm khiến bài toán thú vị về mặt thực tiễn: LLM không cần thay thế toàn bộ hệ thống Quant truyền thống, mà có thể giúp hệ thống tận dụng một loại dữ liệu trước đây rất khó định lượng.

PHẦN 3. Nếu xây dựng Text Alpha cho thị trường chứng khoán Việt Nam thì nên bắt đầu từ đâu?

Nếu đem ý tưởng này về Việt Nam, mình nghĩ tiềm năng khá đáng chú ý, nhưng không nên sao chép nguyên pipeline của thị trường Mỹ. Sự khác biệt lớn nhất nằm ở chất lượng, mức độ chuẩn hóa và khả năng tiếp cận dữ liệu. Tại Mỹ, earnings call transcript đã trở thành nguồn dữ liệu tương đối phổ biến trong nghiên cứu tài chính. Trong khi đó, ở Việt Nam, không phải doanh nghiệp niêm yết nào cũng tổ chức cuộc họp cập nhật kết quả kinh doanh định kỳ, và ngay cả khi có tổ chức, nội dung cũng không phải lúc nào được công bố đầy đủ dưới dạng transcript có thể xử lý tự động.

Tuy vậy, điều đó không đồng nghĩa với việc thiếu dữ liệu để bắt đầu. Các doanh nghiệp niêm yết lớn ngày càng chú trọng hoạt động quan hệ nhà đầu tư. Một số công ty tổ chức gặp gỡ chuyên viên phân tích theo quý, công bố tài liệu thuyết trình, tổ chức họp trực tuyến hoặc cung cấp video cập nhật kết quả kinh doanh. SSI chẳng hạn có công bố tài liệu earnings call cho chính doanh nghiệp, đồng thời từng tổ chức chuỗi earnings call kết nối nhiều công ty niêm yết như MSB, TRA, FRT. Các doanh nghiệp khác như VPB, MWG, CTG hay VCB cũng xuất hiện trong lịch họp do SSI tổng hợp. Bên cạnh đó, nhà đầu tư còn có thể tìm thấy tài liệu ĐHCĐ, báo cáo thường niên, giải trình biến động lợi nhuận và những báo cáo cập nhật nhanh của các công ty chứng khoán.

Vì thế, nếu xây dựng một hệ thống Text Alpha cho Việt Nam, mình sẽ không giới hạn đầu vào ở earnings call transcript. Có thể mở rộng sang investor presentation, phần hỏi đáp tại ĐHCĐ, tài liệu analyst meeting, bản ghi các cuộc gặp nhà đầu tư, video hoặc audio công khai, cùng các báo cáo giải trình kết quả kinh doanh. Những nguồn dữ liệu này không hoàn toàn tương đương nhau về giá trị thông tin, nhưng đều có thể chứa những nhận định về hoạt động và triển vọng doanh nghiệp. Điều quan trọng là phải ghi rõ nguồn gốc và phân biệt thông tin trực tiếp từ ban lãnh đạo với nhận định do chuyên viên phân tích hoặc bên thứ ba đưa ra.

Chẳng hạn, nếu một báo cáo của công ty chứng khoán nhận định nhu cầu tiêu dùng đang phục hồi, đó là đánh giá của chuyên viên phân tích, không thể tự động xem là guidance chính thức của doanh nghiệp. Nếu nhiều báo cáo cùng dẫn lại một phát biểu trong cuộc họp, hệ thống cũng không nên coi đó là nhiều tín hiệu độc lập. Việc nhận diện nguồn gốc, loại bỏ thông tin trùng lặp và liên kết phát biểu với tài liệu gốc rất quan trọng, đặc biệt trong thị trường mà một thông tin có thể được đăng lại trên nhiều website trong khoảng thời gian ngắn.

Đối với doanh nghiệp Việt Nam, mình cho rằng việc so sánh ngôn ngữ theo thời gian có thể còn hữu ích hơn việc chỉ chấm điểm tích cực hoặc tiêu cực tại một thời điểm. Ví dụ, trong cuộc họp quý trước, ban lãnh đạo một doanh nghiệp bán lẻ cho biết sức mua đang phục hồi nhưng vẫn thận trọng về tốc độ mở cửa hàng. Sang quý này, doanh nghiệp bắt đầu nói cụ thể hơn về kế hoạch mở rộng, doanh thu trung bình trên mỗi cửa hàng, chi phí vận hành và thời gian hoàn vốn. Ngay cả khi kết quả lợi nhuận hiện tại chưa thay đổi nhiều, sự dịch chuyển trong nội dung phát biểu cũng có thể cho thấy kỳ vọng về hoạt động kinh doanh đang thay đổi.

Một ví dụ khác là nhóm ngân hàng. Nếu chỉ đánh giá một cuộc họp theo tỷ lệ câu tích cực và tiêu cực, chúng ta có thể bỏ qua những thay đổi quan trọng trong nhận định về chi phí vốn, tăng trưởng tín dụng, tỷ lệ tiền gửi không kỳ hạn, nợ xấu hoặc khả năng cải thiện NIM. Một ngân hàng có thể đưa ra nhận định lạc quan về lợi nhuận nhưng đồng thời dự kiến chi phí tín dụng tăng trong các quý tiếp theo. Một ngân hàng khác lại có giọng điệu thận trọng hơn, nhưng bắt đầu cung cấp những dấu hiệu về việc chất lượng tài sản ổn định và áp lực huy động giảm. Trong trường hợp này, tín hiệu hữu ích không chỉ là ban lãnh đạo đang tự tin hay lo ngại, mà là yếu tố nào trong triển vọng kinh doanh đang được điều chỉnh và mức độ điều chỉnh đó lớn đến đâu.

Vì vậy, mô hình tại Việt Nam cần được xây dựng theo từng nhóm ngành thay vì cố áp dụng một bộ từ khóa chung cho toàn thị trường. Với ngân hàng, những nội dung đáng quan tâm có thể liên quan đến NIM, chi phí vốn, tín dụng, nợ xấu và dự phòng. Với bán lẻ, trọng tâm chuyển sang sức mua, doanh thu cửa hàng hiện hữu, biên lợi nhuận gộp, hàng tồn kho và kế hoạch mở rộng. Với bất động sản, các vấn đề như pháp lý dự án, tiến độ bàn giao, doanh số bán hàng, dòng tiền thu về và nghĩa vụ nợ lại có ý nghĩa lớn hơn. LLM có thể hỗ trợ phân loại và hiểu các mối quan hệ này, nhưng việc lựa chọn biến mục tiêu vẫn phải dựa trên bản chất kinh tế của từng ngành.

Một điểm khác cần xử lý là thời điểm thông tin thực sự đến với thị trường. Ở Việt Nam, một tài liệu có thể được ký vào ngày hôm trước, đăng trên website doanh nghiệp vào buổi tối và chỉ được một trang tổng hợp cập nhật vào sáng hôm sau. Nếu hệ thống chỉ lưu ngày ghi trên tài liệu rồi giả định nhà đầu tư đã có thông tin từ thời điểm đó, backtest rất dễ sai. Với dữ liệu văn bản, mình nghĩ nên lưu riêng thời điểm sự kiện diễn ra, thời điểm nội dung được công bố, thời điểm hệ thống thu thập và thời điểm tín hiệu đủ điều kiện sử dụng. Trong kiểm định, quyết định giao dịch phải dựa trên mốc mà thông tin thực sự có thể được tiếp cận, chứ không phải ngày được ghi trong nội dung tài liệu.

Bản thân chất lượng dữ liệu cũng cần được đưa vào mô hình. Một doanh nghiệp có đầy đủ transcript và phần hỏi đáp dài có thể tạo ra nhiều đặc trưng hơn doanh nghiệp chỉ công bố một bản trình bày vài trang. Điều này không có nghĩa doanh nghiệp thứ nhất tốt hơn, mà đơn giản là hệ thống có nhiều thông tin để phân tích hơn. Nếu không xử lý, mô hình rất dễ nhầm lẫn giữa mức độ công bố thông tin và triển vọng kinh doanh. Do đó, những trường hợp thiếu dữ liệu nên được đánh dấu riêng, còn điểm tin cậy của tín hiệu cần phản ánh độ đầy đủ, tính chính xác của bản ghi và khả năng xác minh nguồn.

Nếu triển khai thực tế, mình sẽ bắt đầu với nhóm doanh nghiệp có thanh khoản tương đối tốt, hoạt động quan hệ nhà đầu tư thường xuyên và đủ dữ liệu để đối chiếu qua nhiều kỳ. Có thể xây dựng thử nghiệm trên một nhóm thuộc VN30 hoặc VN100 thay vì ngay lập tức mở rộng ra toàn bộ cổ phiếu niêm yết. Giai đoạn đầu, hệ thống chỉ cần phân tích sự thay đổi ngôn ngữ qua các quý, nhận diện những chủ đề quan trọng và ghi lại các dự báo hoặc cam kết mà ban lãnh đạo đã đưa ra. Sau đó, khi có kết quả kinh doanh mới, mô hình sẽ đánh giá những phát biểu trước đó được xác nhận đến mức nào.

Chẳng hạn, một doanh nghiệp liên tục nói rằng biên lợi nhuận sẽ cải thiện nhờ tối ưu chi phí và thay đổi cơ cấu sản phẩm. Nếu hai quý sau biên lợi nhuận thực sự tăng, hệ thống có thêm bằng chứng để kiểm tra giá trị dự báo của loại phát biểu đó. Ngược lại, nếu guidance liên tục không đạt nhưng ngôn ngữ của ban lãnh đạo vẫn rất tích cực, đó cũng là một đặc điểm đáng quan tâm. Tuy nhiên, cần phân biệt việc một dự báo không thành hiện thực vì doanh nghiệp thiếu khả năng thực thi với trường hợp xuất hiện cú sốc bên ngoài mà tại thời điểm phát biểu không ai có thể biết trước.

Khi dữ liệu bắt đầu đủ dày, chúng ta mới có thể tiến tới một Text Alpha Score theo từng cổ phiếu. Mình hình dung điểm số này không nên chỉ dựa vào số lượng phát biểu tích cực mà cần phản ánh chất lượng thông tin mới, thay đổi trong kỳ vọng fundamentals và những bằng chứng có thể kiểm chứng. Hệ thống có thể xếp hạng theo ngành, theo thời gian hoặc theo mức độ thay đổi so với kỳ trước. Nếu hiển thị trên một nền tảng chứng khoán, điểm tổng hợp có thể được chuẩn hóa về thang 0–100 để người dùng dễ theo dõi, nhưng đây chỉ là lựa chọn thiết kế sản phẩm, không nên nhầm với định nghĩa EAR-AI của nghiên cứu gốc.

Tuy nhiên, muốn biết Text Alpha có giá trị đầu tư hay không, chúng ta vẫn phải quay lại bài toán backtest. Một thiết kế phù hợp là sử dụng dữ liệu đã được công bố tại từng thời điểm, tạo tín hiệu ngay khi có thông tin hợp lệ và kiểm tra kết quả ở các kỳ tiếp theo. Với fundamentals, có thể xem tín hiệu có dự báo được doanh thu, EPS, biên lợi nhuận hay thay đổi đòn bẩy trong một hoặc hai quý sau hay không. Với cổ phiếu, có thể kiểm tra lợi nhuận sau các kỳ hạn nắm giữ khác nhau, đồng thời so sánh với momentum, earnings surprise, định giá và các đặc điểm thanh khoản. Những doanh nghiệp không có tài liệu cũng cần được xử lý rõ ràng để tránh việc chỉ lựa chọn những công ty công bố thông tin tốt và vô tình tạo ra sai lệch mẫu.

Một bước rất đáng làm là kiểm tra liệu Text Alpha có thực sự đóng góp thêm thông tin khi ghép vào mô hình cổ phiếu đang có hay không. Chẳng hạn, một mô hình ranking truyền thống dựa vào tăng trưởng lợi nhuận, momentum, định giá và thanh khoản đã tạo ra một bảng xếp hạng nhất định. Khi bổ sung Text Alpha, những mã nào thay đổi vị trí, thay đổi đó có được xác nhận bởi fundamentals và lợi nhuận tương lai hay không, hiệu quả có duy trì ngoài mẫu và sau chi phí giao dịch không? Nếu mô hình mới chỉ khiến kết quả backtest lịch sử đẹp hơn nhưng không cải thiện được kiểm định theo thời gian, có lẽ chưa đủ cơ sở để đưa vào hệ thống thực tế.

Về mặt hiển thị, mình nghĩ một ứng dụng chứng khoán Việt Nam không cần quảng bá tính năng này như một công cụ AI có thể dự đoán mọi diễn biến giá. Những thứ nhà đầu tư cần thường cụ thể hơn nhiều. Khi mở một mã cổ phiếu, người dùng có thể thấy doanh nghiệp vừa thay đổi nhận định gì so với quý trước, yếu tố nào đang hỗ trợ hoặc gây áp lực lên triển vọng lợi nhuận, guidance nào được điều chỉnh và phát biểu nào đã hoặc chưa được xác nhận bằng kết quả thực tế. Nếu một vấn đề quan trọng chưa được giải thích rõ, hệ thống cần chỉ ra nội dung còn thiếu thay vì tự suy đoán nguyên nhân.

Mình đặc biệt thích ý tưởng cho phép người dùng truy ngược từ điểm số về bằng chứng gốc. Ví dụ, khi hệ thống đánh giá triển vọng biên lợi nhuận đang cải thiện, người dùng có thể mở ngay đoạn phát biểu liên quan của ban lãnh đạo, biết nó xuất hiện trong cuộc họp nào, thời điểm nào và được so sánh với phát biểu của quý trước ra sao. Cách làm này biến LLM thành một công cụ nghiên cứu có khả năng kiểm chứng thay vì một hộp đen chỉ đưa ra kết luận mua hoặc bán. Nó cũng giúp giảm rủi ro mô hình diễn giải sai ngữ cảnh, đặc biệt với những tài liệu tiếng Việt có cách trình bày không đồng nhất.

Điều đáng nói là một hệ thống như vậy không nhất thiết phải bắt đầu bằng một mô hình quá lớn hay một kho dữ liệu khổng lồ. Có thể khởi đầu với vài chục doanh nghiệp, một tập tài liệu chất lượng cao và quy trình kiểm định được thiết kế chặt chẽ. Thách thức thực sự nằm ở khả năng xây dựng dữ liệu lịch sử đáng tin cậy, chuẩn hóa thông tin theo thời gian, kiểm soát sai lệch và chứng minh được giá trị dự báo ngoài mẫu. Nếu chỉ dùng một LLM hiện đại để đọc lại toàn bộ lịch sử doanh nghiệp rồi chấm điểm quá khứ, chúng ta có thể tạo ra một công cụ phân tích rất hấp dẫn về mặt trình bày nhưng chưa chắc có giá trị về mặt Quant.

Sau cùng, điều khiến mình quan tâm nhất ở Text Alpha không phải là khả năng đọc hàng chục nghìn từ trong vài giây. Giá trị thực sự nằm ở việc chuyển một loại thông tin vốn khó đo lường thành dữ liệu có thể so sánh, kiểm chứng và kết hợp với các phương pháp đầu tư truyền thống. Giá cổ phiếu, thanh khoản và báo cáo tài chính vẫn rất quan trọng, nhưng chúng không phải toàn bộ thông tin mà thị trường sử dụng để hình thành kỳ vọng. Ngôn ngữ của ban lãnh đạo có thể là một mảnh ghép bổ sung, đặc biệt khi nó cho thấy những thay đổi về triển vọng kinh doanh trước khi các thay đổi ấy xuất hiện rõ ràng trong số liệu.

Nếu làm được điều đó, một nền tảng phân tích chứng khoán sẽ không chỉ nói cho chúng ta doanh nghiệp vừa công bố lợi nhuận bao nhiêu hay giá cổ phiếu đã tăng giảm thế nào. Nó còn có thể giúp trả lời một câu hỏi khó hơn: Doanh nghiệp đang thay đổi như thế nào so với những gì thị trường từng kỳ vọng, ban lãnh đạo đã tiết lộ những dấu hiệu gì về sự thay đổi đó và liệu giá cổ phiếu đã phản ánh đầy đủ những thông tin mới hay chưa?

Và mình nghĩ chính khoảng cách giữa thông tin được công bố, kỳ vọng của nhà đầu tư và tốc độ thị trường điều chỉnh giá mới là nơi Text Alpha thực sự đáng để nghiên cứu.