工銀國際程實(shí)：從信息繭房到認(rèn)知繭房，衍生對(duì)投資的三個(gè)判斷

低波動(dòng)或難維持，高波動(dòng)將有配置價(jià)值；收益來源從信息快轉(zhuǎn)向框架先；AI共識(shí)可能帶來新的尾部風(fēng)險(xiǎn)

工銀國際首席經(jīng)濟(jì)學(xué)家 程實(shí)

工銀國際高級(jí)經(jīng)濟(jì)學(xué)家 徐婕

AI正在打破市場的信息繭房，但市場波動(dòng)并沒有出現(xiàn)顯著降低。原因在于，信息差下降之后，決定價(jià)格分歧的變量正從信息差轉(zhuǎn)向認(rèn)知差。

數(shù)據(jù)上，我們可以看到兩只代表性股票的賣方EPS預(yù)測分散度在ChatGPT發(fā)布后明顯下降，說明信息層的差異正在快速收斂。然而，同期S&P 500指數(shù)60日已實(shí)現(xiàn)波動(dòng)率、VIX中樞都只是小幅回落，并未出現(xiàn)顯著下降。更重要的是，衡量標(biāo)普500成分股隱含波動(dòng)分散程度的DSPX指數(shù)反而上升30.6%，說明波動(dòng)并未消失，而是從系統(tǒng)性波動(dòng)轉(zhuǎn)向異質(zhì)性波動(dòng)。這意味著，AI時(shí)代的收益來源正在發(fā)生遷移。

過去，市場研究更多依賴誰更快獲得信息、處理信息和解釋信息。未來，差異將更多來自誰能提出更好的問題、建立更合理的框架、形成更具穿透力的非共識(shí)判斷。

AI可以提高答案的生產(chǎn)效率，卻難以替代提問的能力，也難以消除世界觀的差異。不僅如此，隨著全市場越來越多機(jī)構(gòu)使用相似的AI工具，模型趨同還可能帶來新的尾部風(fēng)險(xiǎn)，共識(shí)形成更快，瓦解也更快，波動(dòng)或?qū)⑦M(jìn)一步放大。因此，未來值得重視的方向?qū)墨@取信息的能力轉(zhuǎn)向提高認(rèn)知差異化的能力。

信息繭房逐漸消失。過去十年，人類處理信息的能力大幅提升，但市場波動(dòng)并未隨之消失。以S&P 500指數(shù)波動(dòng)為例，VIX中樞并沒有隨著信息效率提升而結(jié)構(gòu)性下降。以ChatGPT發(fā)布前后比較，VIX均值僅從18.49降至17.48，回落5.5%。市場并沒有變得更穩(wěn)定，只是變得更快速。如果信息是定價(jià)的源頭，信息效率的飛躍本應(yīng)讓價(jià)格更接近基本面，也讓波動(dòng)隨之收斂。但現(xiàn)實(shí)并非如此。在AI可以用30秒總結(jié)一套財(cái)務(wù)報(bào)表、用3分鐘跑完一套估值模型的時(shí)代，市場的波動(dòng)并沒有同步消失。

我們觀察了蘋果（AAPL.US）和騰訊（700.HK）兩只全球分析師覆蓋最密集的代表性股票，并以賣方分析師對(duì)其EPS預(yù)期的標(biāo)準(zhǔn)差衡量信息分散度。數(shù)據(jù)顯示，從2022年初至2026年5月，蘋果EPS預(yù)測分散度較ChatGPT發(fā)布前均值下降38.0%，騰訊下降48.3%。以2022年上半年均值為基準(zhǔn)100，兩條分散度指數(shù)曲線自ChatGPT發(fā)布日2022年11月30日前后開始，整體進(jìn)入趨勢(shì)性下行通道。中間雖有階段性反彈，但信息分散度收斂的方向較為清晰。

圖1：賣方分析師EPS預(yù)測分散度收斂

資料來源：Bloomberg、工銀國際計(jì)算（注：月度數(shù)據(jù)并以2022年上半年均值為基準(zhǔn)100）

圖2：蘋果EPS預(yù)測分散度與股價(jià)波動(dòng)率

資料來源：Bloomberg、工銀國際計(jì)算（注：日度數(shù)據(jù)且分散度指數(shù)以2022年上半年均值為基準(zhǔn)100）

圖3：騰訊EPS預(yù)測分散度與股價(jià)波動(dòng)率

資料來源：Bloomberg、工銀國際計(jì)算（注：日度數(shù)據(jù)且分散度指數(shù)以2022年上半年均值為基準(zhǔn)100）

表1：蘋果、騰訊EPS預(yù)測分散度與股價(jià)波動(dòng)率

資料來源：Bloomberg、工銀國際計(jì)算（注：日度數(shù)據(jù)）

但這并非偶然。從反例來看，Bertomeu等（2025）的研究利用2023年3月至4月意大利臨時(shí)禁用ChatGPT這一自然實(shí)驗(yàn)發(fā)現(xiàn)，禁令期間，意大利國內(nèi)分析師相對(duì)覆蓋同一公司的外國分析師，預(yù)測數(shù)量下降幅度約相當(dāng)于樣本標(biāo)準(zhǔn)差的21%。同時(shí)，預(yù)測準(zhǔn)確度下降，對(duì)行業(yè)層面信息的依賴增加，投資者對(duì)盈余公告的反應(yīng)更為劇烈，買賣價(jià)差也隨之?dāng)U大。

換言之，當(dāng)AI被禁用時(shí)，市場信息處理效率出現(xiàn)倒退。這從反面說明，AI確實(shí)在壓縮信息層面的方差。從直接證據(jù)來看，Lopez-Lira等（2025）構(gòu)建了一個(gè)基于ChatGPT情緒分析的多空策略，讓模型閱讀新聞?lì)^條、判斷情緒，并據(jù)此買入正面情緒股票、賣空負(fù)面情緒股票。

在樣本期內(nèi)，隨著GPT模型能力和使用率迅速上升，基于ChatGPT策略的表現(xiàn)整體下降。該策略的年化Sharpe ratio從2021年四季度的6.54，降至2022年的3.68、2023年的2.33，并在2024年1月至5月進(jìn)一步降至1.22。這些證據(jù)共同指向同一個(gè)判斷。信息差正在快速收斂，但波動(dòng)并未隨之消失。S&P 500指數(shù)60日已實(shí)現(xiàn)波動(dòng)率在ChatGPT發(fā)布后均值為14.6%，較發(fā)布前均值15.8%僅低約1.3個(gè)百分點(diǎn)，VIX中樞也只是從18.49降至17.48，并未隨著信息效率提升而出現(xiàn)結(jié)構(gòu)性下降。

與此同時(shí)，衡量標(biāo)普500成分股隱含波動(dòng)分散程度的DSPX指數(shù)反而上行30.6%。這說明，波動(dòng)沒有消失，而是正在從系統(tǒng)性波動(dòng)轉(zhuǎn)向異質(zhì)性波動(dòng)。

剩下的波動(dòng)從哪里來？我們的答案是，從信息繭房到認(rèn)知繭房。AI壓縮了知道什么的方差，卻放大了如何解讀的方差，而這樣的波動(dòng)來源于三個(gè)方面。

第一，AI給的是答案，但市場獎(jiǎng)勵(lì)的是問題。把任何一份財(cái)報(bào)交給AI，它都能在很短時(shí)間內(nèi)生成一份完整的分析。但真正決定收益的，往往不是如何回答一個(gè)已經(jīng)被提出的問題，而是能否提出一個(gè)別人還沒有意識(shí)到的問題。提問能力依賴世界觀、分析框架和對(duì)未來的非共識(shí)假設(shè)，這也是目前AI難以替代的部分。

第二，AI無法消除反身性規(guī)律。價(jià)格會(huì)反作用于基本面，這一點(diǎn)在AI時(shí)代可能更加突出。每一次預(yù)測都會(huì)改變被預(yù)測的系統(tǒng)本身。分析師集體看多某只股票，可能帶來資金流入、估值抬升和融資成本下降，進(jìn)而反過來改善公司基本面。這是一個(gè)典型的內(nèi)生反饋。AI可以讓這個(gè)反饋環(huán)運(yùn)行得更快、影響更大，但無法消除它。AI越強(qiáng)，共識(shí)形成越快，反身性的沖擊力反而可能更強(qiáng)。

第三，AI共識(shí)本身正在制造新的認(rèn)知差。當(dāng)全市場分析師都使用相似的底層模型處理相似的數(shù)據(jù)，并得出相似的結(jié)論，預(yù)測分散度收斂本身就是同質(zhì)化的市場表達(dá)。在一個(gè)越來越同質(zhì)化的市場里，誰能跳出AI共識(shí)，誰就可能擁有更稀缺的超額收益。換言之，AI越普及，非AI視角越值錢。那些能在模型一致判斷下堅(jiān)持不同假設(shè)的投資者，其認(rèn)知溢價(jià)未必來自更多信息，而是來自更獨(dú)立的框架和更有韌性的非共識(shí)判斷。

圖4：DSPX上行，VIX中樞穩(wěn)定

資料來源：Bloomberg、工銀國際計(jì)算（注：圖中DSPX指數(shù)、VIX指數(shù)均為日度數(shù)據(jù)并以各自2014-2019年均值標(biāo)準(zhǔn)化為100。）

表2：DSPX上行，VIX中樞穩(wěn)定

資料來源：Bloomberg、工銀國際計(jì)算（注：日度數(shù)據(jù)）

對(duì)投資的三個(gè)判斷。如果信息差逐漸消失，認(rèn)知差成為主因，那么它對(duì)資產(chǎn)定價(jià)的影響將不再是邊際的。由此，我們提出三個(gè)判斷。

判斷一：低波動(dòng)或難維持，高波動(dòng)將有配置價(jià)值。即使信息更加透明、分析師覆蓋更加充分，認(rèn)知層面的分歧也不會(huì)完全消失。波動(dòng)正在從系統(tǒng)性轉(zhuǎn)向異質(zhì)性，因此波動(dòng)率并不容易被長期壓到極低水平。低波動(dòng)在AI時(shí)代將更難維持，長期波動(dòng)和分散度可能是被低估的策略方向。

判斷二：收益來源從信息快轉(zhuǎn)向框架先。過去二十年，市場研究的投入重點(diǎn)是更快獲取信息。但隨著AI提升信息處理效率，這類投入的邊際價(jià)值正在下降。下一階段的收益，可能不再來自更早地獲取信息，而是來自更早地形成一個(gè)框架。從單純的數(shù)據(jù)采集轉(zhuǎn)向非共識(shí)場景構(gòu)建。

判斷三：AI共識(shí)可能帶來新的尾部風(fēng)險(xiǎn)。當(dāng)量化模型、分析師工具和風(fēng)險(xiǎn)管理系統(tǒng)越來越多地建立在相似的LLM底座上，市場對(duì)同一信息的反應(yīng)可能更加同步，而這可能成為杠桿和流動(dòng)性之外的新尾部風(fēng)險(xiǎn)來源。因此，在組合構(gòu)建中，反AI共識(shí)的思路或應(yīng)被納入獨(dú)立的對(duì)沖框架。

參考文獻(xiàn)

Bertomeu, J., Lin, Y., Liu, Y., & Ni, Z. (2025). The impact of generative AI on information processing: Evidence from the ban of ChatGPT in Italy.Journal of Accounting and Economics, 101782.

Lopez-Lira, A., & Tang, Y. (2025). Can chatgpt forecast stock price movements? return predictability and large language models.arXiv preprint arXiv:2304.07619v6.