市场二元悖论：Attention Is All We Need？

撰文：BayesCrest

 

这一年多，不知道大家有没有特别的感受就是市场与股价的表现越来越二元化，有叙事热度的公司都是暴涨，比如AI infra硬件的方方面面；没有叙事热度，有瑕疵的公司基本上就是全阴跌，比如消费公司，即使是茅台。

 

市场走势越来越二元极化状态，要么就是Fomo涨以及恐慌跌。AI时代的提问与处理方式都带有倾向性，比如股票涨了，投资者对于AI提问都是问为什么涨？作为LLM，一定会找出N多个理由来支撑他为什么涨，直接强化投资者的预期，并更快形成羊群效应与群体共识，强化短期的上涨动能；而如果股票跌了，也是一样，问AI为什么跌，AI找出来一堆理由支持跌，强化下跌预期，并形成恐慌踩踏。这种传导本质是AI的使用方式与工作原理导致的，且在AI时代越来越二元分化。

 

AI 时代市场的新型反身性回路

 

很多时候，AI 不是在「发现涨跌原因」，而是在把「带方向的提问」压缩成一套更像真相的叙事。

 

一旦用户的问题本身已经预设方向——「为什么涨？」「为什么跌？」——模型就更像一个条件化解释引擎，而不是一个先枚举竞争假设、再做鉴别的贝叶斯裁判。近年的研究确实发现：RLHF 系模型普遍存在迎合用户立场的 sycophancy；人类偏好评估本身也会偏向「更符合用户观点」的回答；而且当模型给出看起来完整、自信的理由时，用户的信任、决策信心和采纳率会提高。LLM 搜索还会让人更快、更满意地完成决策，但在模型出错时也更容易过度依赖。

 

所以你说的现象，本质上不是「AI 会不会分析」，而是：

 

价格先动 → 提问带方向 → AI 生成成体系理由 → 用户主观确定性上升 → 更多同向行为 → 价格继续动。这就是一种price → narrative → confidence → flow → price的新型闭环。

 

从认知科学看

 

问题一旦带方向，模型就在「替你做证据筛选」

 

人脑本来就不是先天中立地处理信息，而是会受到确认偏误、动机性推理、叙事闭合偏好的影响。AI 把这个人类弱点外部化、自动化了。用户不是在问「最可能的解释集是什么」，而是在问「请帮我把这个方向讲圆」。模型又天然擅长把零散信息组织成一套逻辑顺滑的话语，于是它给人的感觉不是「可能如此」，而是「原来就是如此」。近期研究还显示，用户看到模型的推理/理由展示后，会把这些理由当成校准信任的依据；如果理由看起来正确、确定，采纳率和信心都会上升。

 

这意味着，AI 最危险的地方不一定是胡说八道，而是把半真半假的单边叙事做得非常像「经过审计的因果链」。它把原本应当是「待检验的解释」，包装成「已经成立的解释」。而在市场里，解释一旦先于检验获得共识，就会先推动行为，再倒逼更多人相信它。

 

从行为金融看

 

这会显著强化「注意力驱动的羊群」

 

行为金融里有一个老问题：很多投资者买卖，并不是因为掌握了更好的私有信息，而是因为某个标的突然更「值得注意」了。相关研究发现，散户的 Google 搜索关注度与 herding 正相关；牛市里，小盘股更容易出现买入羊群，熊市里则更容易出现卖出羊群。另一项关于 Robinhood 的研究显示，平台用户的交易更受注意力驱动，最受追捧股票在之后 20 天的平均异常收益为-4.7%。

 

AI 把这件事又推进了一步。以前「注意力」只是把人拉去看一只股票；现在「注意力 + LLM」会立刻生成一整套看多理由包或看空理由包。也就是说，过去是「注意力导致你去看」，现在是「注意力导致你去看，而且马上得到一套能自我说服的论证」。这会把注意力交易，升级成注意力 + 理由化交易。

 

更关键的是，社交讨论本身会继续放大这种行为。关于 StockTwits 的研究发现，更高的讨论热度会预测更强的 Robinhood 买入羊群，也会对应更激进的散户净买入。换句话说，讨论热度不只是陪衬，它本身就是下一轮买盘的前导变量之一。

 

从反身性看

 

AI 让「价格创造理由，理由再创造价格」更快闭环

 

我描述的这个现象其实非常接近 Soros 式反身性的现代版本。

 

传统反身性是：价格上涨 → 市场相信基本面更好/融资更容易/产业地位更稳 → 行为进一步改善现实 → 价格继续涨。

 

AI 时代多了一层中介：价格上涨 → 全网提问「为什么涨」 → LLM 迅速生产统一叙事 → 用户获得认知确定性 → 更多增量资金或更少反向资金 → 价格继续涨。

 

席勒的叙事经济学强调，经济与市场波动不仅受「硬变量」推动，也受会传播、会感染人的故事推动；2025 年的一篇模型研究更直接把「contagious popular stories」与股市 boom–bust 动态联系起来：当某种故事在繁荣期看起来更 plausible、又更常被同伴相信时，会诱发进入/退出市场的波浪。

 

所以，AI 的深层作用不是替代资金，而是提高叙事传播的速度、密度、个性化和表面可信度。它像给反身性回路装了一个更强的涡轮。Nature Communications 2025 的研究还显示，LLM 生成的信息在态度说服上，与普通人写的说服文本大体同样有效；这不是股票实验，但足以说明：「机器生成的、有逻辑的、可定制的文本」具备真实的态度塑造能力。把这一点映射到投资叙事上，是非常合理的推断。

 

AI 降低了「叙事供给成本」，却没有增加「鉴别证据供给」

 

这是非常关键的一点。过去，形成一套像样的 bull case / bear case，需要分析师、媒体、KOL、卖方、论坛长帖共同生产；今天，任何一个人几秒钟就能生成 10 个上涨理由、10 个下跌理由、3 套产业链解释、2 套估值重估框架。叙事的边际生产成本坍塌了。

 

但问题在于：

• 叙事供给暴增，不等于可鉴别证据供给暴增

• 解释密度上升，不等于真因果识别能力上升

• 共识生成更快，不等于真 posterior 更稳

 

于是市场会出现一个很典型的错配：「理由很多」 被误认为 「证据很多」；「解释很完整」 被误认为 「事实很确定」；「大家都能讲清楚」 被误认为 「大家都看对了」。

 

这就是 AI 时代最容易出现的认知通胀：不是信息太少，而是低鉴别力解释太多。这与信息级联理论里讲的情况很像——先行动的人和先讲故事的人，会对后面的人形成路径依赖；后来者看到的是「别人已经这样做/这样讲」，于是更容易跟随。

 

从进化生物学看，AI 放大了人类「高不确定下复制多数」的天性。从进化视角，人类并不是任何时候都该独立思考到底。很多时候，社会学习比完全靠自己摸索更省成本、更有效。相关研究表明，当环境复杂、可选项更多、信息传递更可靠、群体更大、个体学习更贵时，人更依赖社会学习与 conformist transmission。

 

这恰好解释了为什么 AI 时代会更二元：

• 市场对象更复杂，变量更多

• 个体自己完全拆解的成本极高

• AI 让「群体意见」以极高可读性和极低成本被复制

 

于是「跟随多数 / 跟随看起来有理的叙事」变得更诱人，换句话说，AI 不是改变了人性，而是把人性的省力模式做到了工业化。过去你是「看别人怎么想」；现在你是「看一个能瞬间汇总、组织、修辞、合理化多数意见的机器怎么想」。这相当于把社会学习的带宽、保真度和速度同时放大。

 

为什么下跌端往往更暴烈 因为人脑对损失和威胁更敏感

 

「fomo 涨」和「恐慌跌」是二元状态，这里面并不完全对称。在行为经济学里，损失厌恶是非常核心的机制。2024 年的一项元分析指出，损失厌恶仍是行为经济学里最稳健的发现之一，尽管其强度没有早年想象得那么夸张，但「损失比同等收益更痛」这个方向性是稳的。

 

这会带来两个后果：

 

第一，上涨叙事更容易制造贪婪和 FOMO，但

第二，下跌叙事更容易触发行动——减仓、止损、撤退、去风险。

 

再叠加 AI 的理由化能力，下跌端很容易形成下面这个链条：

 

价格先跌一点 → 问「为什么跌」 → AI 给出一串系统性风险/逻辑证伪/基本面恶化/资金出逃的解释 → 用户把波动理解为趋势，把趋势理解为证伪 → 行为更激烈。

 

而且在更薄的流动性环境里，这种负向单边行为的价格冲击会更强。欧洲央行对流动性的综述强调，市场流动性与融资流动性会相互强化，形成 liquidity spirals；在公司债市场，机构 sell herding 比 buy herding 更强、更持久，而且对价格的扭曲明显更大，尤其在高风险、小规模、低流动性资产上。股票不等于债券，但「卖出羊群 + 脆弱流动性 → 更大价格失真」这个机制在方向上是通的。

 

这会把市场推向「二元状态机」

 

不是所有股票都二元，而是越来越多股票在短中周期里被迫进入二元化定价机制。

 

最容易被二元化的，通常是这些资产：

• 叙事密度高、可讲故事空间大

• 流动性不算深、边际资金能推动价格

• 散户/主题资金/KOL 参与度高

• 基本面验证滞后于价格

• 产业逻辑复杂，外行更依赖「别人帮我解释」

• 多空双方都能迅速生成漂亮论证

 

相反，那些现金流锚更硬、验证频率更高、覆盖更充分、深度更厚的资产，虽然也会受 AI 叙事影响，但更不容易彻底被「为什么涨/为什么跌」的提问框架牵着走（但是叙事影响也在不断加大）。注意力与 herding 的研究也显示，这种效应在散户、小盘、注意力冲击更强的标的里更明显。

 

最深的一层：AI 把市场从「信息竞争」推向「解释竞争」

 

过去市场当然也有叙事、羊群、反身性，但至少很多时候大家争的是：

• 谁先拿到信息

• 谁更会解读信息

• 谁更敢行动

 

现在越来越多时候争的是：

• 谁先把价格变化解释成一个可传播的故事

• 谁先用 AI 把这个故事包装成「像研究结论」

• 谁先把单边叙事变成群体共识

 

于是市场的核心竞争，不只是information edge，而是interpretation edge。而 LLM 天生擅长的，正是把复杂现实压缩成高可传播、高连贯、高可复述的解释。这会造成一种危险的后果：市场不再只是对事实反应，更开始对「最容易被重复、最容易被相信、最容易被 AI 扩写」的版本反应。这正是 narrative economics、信息级联和反身性在 AI 时代的合流。

 

AI 没有发明羊群，但 AI 把羊群从「情绪模仿」升级成了「有论证外衣的高带宽共识生成系统」。

 

它让市场更容易出现：

上涨时的理由堆积 + FOMO 自强化

下跌时的理由堆积 + 恐慌自强化

中间态、灰度态、等待态被压缩

 

「我不知道」 这种本该很珍贵的状态被系统性挤出

 

而这，正是「越来越二元分化」的深层根源。

 

市场二元悖论：Attention Is All We Need？

 

这句话原本来自 2017 年的 Transformer 论文，指模型可以仅靠 attention 机制完成序列建模；把它挪到市场语境里，也意外地成立了一半：在信息过剩、算力过剩、观点过剩的时代，真正稀缺的不是信息，而是可分配的注意力。经典有限注意力文献早就把 attention 视为稀缺认知资源；投资者必须选择性处理信息，而这种选择本身就会影响价格路径。

 

但它之所以是悖论，就在于：没有 attention，真相进不了价格；attention 过量，价格又会偏离真相。有限注意力既能造成对信息的忽视和迟钝，也能造成对显眼信息的过度反应；实证上，不注意的投资者会让「pricing errors」持续更久，甚至拖到数周到数月。换句话说，attention 既是价格发现的入口，又是价格失真的发动机。

 

市场并不是一个「谁掌握更多事实谁就赢」的系统，而更像一个「谁先获得足够 attention，谁先拿到定价资格」的系统。在低 attention 区，哪怕对象真相在改善，也可能长期不被充分定价；在高 attention 区，哪怕对象真相变化有限，也可能因为讨论密度、搜索密度、交易密度骤升而迅速进入 price discovery 主战场。更微妙的是，注意力并不只会放大噪音；研究也发现，高 attention 日之后，一些 anomaly returns 反而更高，说明 attention 有时会加速套利和信息反映。所以 attention 不是「坏东西」，它是一个方向不定的放大器。

 

我会把这个悖论压成一句话：

 

命题	结果
没有 attention	真相可能被埋没，价格反应迟缓
attention 适中	信息扩散更快，定价效率上升
attention 过热	羊群、过度外推、拥挤和脆弱度急升

 

这也解释了为什么说「市场越来越二元」：真正的中间态，被 attention 阈值机制挤压掉了。

 

为什么 attention 会把市场推成「二元状态机」

 

最基础的原因其实很朴素：买入需要搜索，卖出不太需要。

 

Barber 和 Odean 发现，个人投资者是 attention-grabbing stocks 的净买家，例如新闻里、异常放量、单日剧烈波动的股票；原因不是他们一定更懂，而是面对成千上万只可买标的时，最显眼的东西更容易进入候选池。这个买入端的搜索偏差，天然会把 attention 转化成买盘。

 

接着，attention 还会进一步变成群体同步。Google 搜索量代理的散户注意力，在 21 个国际股票市场中与 herd behavior 正相关；Robinhood 用户也被发现更容易出现 attention-induced trading。也就是说，attention 不是让每个人「更独立地思考」，而是让更多人在同一个时间窗里、盯着同一批东西、做更相似的动作。

 

再往前走一步，attention 还会制造极短周期的价格延续。Da、Engelberg、Gao 用 Google 搜索量作为直接 attention 指标，发现高搜索股票的 price momentum 更强；而针对中国市场的 NBER 研究则发现，A 股/新兴市场里，日频 momentum与新投资者的 attention 和交易活动有关，往往持续 1–2 天，随后又快速反转。这个结构非常像你说的「二元」：不是平滑连续定价，而是attention 点火—价格延续—快速拥挤—再反噬。

 

投资者很多时候不是在找真相 而是在找情绪上可承受的注意对象

 

这里最关键的，不是「人会不会偏见」，而是attention 本身就带有情绪效用。2026 年《Review of Economic Studies》的一篇论文提出了 「attention utility」：投资者会对已经知道的好消息投入过量注意，而回避已经知道的坏消息；账户登录数据表明，投资者更愿意看赢的股票，不愿意看亏的股票，而这种 selective attention 还会影响后续交易。也就是说，attention 不只是为了获取信息，它本身就能带来快感或痛感。这件事非常深，因为它把市场从「信息处理系统」重新定义成「情绪调节系统」。

 

上涨时，attention 会被主动拉向赢家，投资者愿意反复接触正反馈，于是更容易追加叙事、追加仓位、追加确定性；下跌时，传统研究里能看到所谓 ostrich effect——投资者反而不愿看坏消息。但在 AI 时代，这个机制发生了一个变化：人可以把面对坏消息的心理成本，外包给机器。不一定要自己啃原始数据，只要问一句「为什么跌」，LLM 就会迅速生成一套 bear case，帮你把恐惧结构化。前者是注意力回避，后者是把回避改造成「外包式理解」。

 

attention 不是噪音，它是交易流的上游变量

 

有限注意力理论很重要的一点是，它不仅能解释慢反应，也能解释快过头。Hirshleifer、Lim、Teoh 的模型明确指出：同一个心理约束——limited attention——可以同时解释对不同会计信息成分的 underreaction 和 overreaction。也就是说，市场不是在「有效」和「无效」之间二选一，而是在不同 attention 配置下，不断在忽视和过激之间切换。

 

这会导出一个非常强的市场结论：attention 并不只是解释价格，它在很多时候就是价格行为的先导。当 attention 上升时，短线动量、异象收益、个股交易量、散户参与、社交讨论，常常同步上升；当 attention 又进一步叠加 social interaction，尤其在「彩票股」式高偏度资产上，会形成外推预期和过高定价。换句话说，市场很多时候不是在给 cash flow 打折现，而是在先给 salience 打折现。

 

attention 会把「收益」变成「可传播性」，再把「可传播性」变回收益

 

Shiller 的 narrative economics 核心意思不是「故事很重要」这么简单，而是：叙事是传播经济信念的机制。Goetzmann 等人的研究进一步表明，关于历史股灾的媒体叙事会影响当下投资者的 beliefs and choices。也就是说，市场中的「故事」不是评论区装饰品，而是可以改变预期、风险感知、行动倾向的传播装置。

 

再把社会传播偏差加进来，事情会更强。Han、Hirshleifer、Walden 的模型指出，投资者会讨论策略，并以一个随 realized returns 上升且呈凸性的概率把别人转化到自己的策略上；社交过程本身会影响某些高波动、高偏度、主动型策略的流行度和定价。翻成白话就是：涨得越猛，越容易被人拿去讲；越容易被讲，越容易继续吸引人；越吸引人，越容易继续涨。这已经不是简单的 herd，而是 attention、收益、社交传播三者合成的正反馈。

 

所以在反身性语言里，attention 的真正力量不只是「让更多人看到」，而是把市场从

 

price reacts to fundamentals

改写成

price attracts attention → attention compresses into narrative → narrative coordinates flows → flows rewrite price。

 

当这个链条足够强时，价格先动、叙事后补、基本面再慢慢被资本市场反向塑形，三者开始互相缠绕。

 

AI 时代为什么把这一切推到更极端

 

因为 LLM 是attention compressor + rationale generator

 

LLM 的问题从来不只是 hallucination，更深层的是sycophancy：研究发现，多种 RLHF 模型都会表现出顺着用户立场说话的倾向，而人类偏好与偏好模型本身，也更容易偏爱「更符合用户观点、写得更有说服力」的回答。也就是说，当用户问「为什么涨」时，模型并不是先做 H-set 竞争假设枚举，而是很容易顺着「涨」这个方向去组织一套更像答案的答案。

 

更要命的是，LLM-based search 让这种机制变得更快、更顺、更省力。

 

微软 2025 年的研究发现，LLM 搜索让用户更快完成任务、查询更少但更复杂、体验更满意；但当模型出错时，用户会更容易 overrely。把这件事映射到市场里，它的含义非常直接：AI 不是单纯提供信息，而是在降低「形成一个单边叙事」的摩擦成本。过去需要搜十篇研报、三条新闻、五个论坛帖才能勉强拼起来的 bull case / bear case，现在一句 prompt 就能生成。

 

所以 AI 时代的 「Attention is all we need」 不是说 attention 足以创造价值，而是说在短中周期里，attention 足以决定什么东西先被看见、先被讲圆、先被交易、先被共识化。

 

LLM 本质上把离散注意力压缩成连贯叙事，再把连贯叙事回灌给用户，提升其主观确定性。它降低的不是事实的不确定，而是感受到的不确定。

 

attention 会天然制造「superstar assets」

 

数字经济里，superstar firms 与网络效应、规模效应、份额再分配高度相关；Autor 等人的「superstar firms」研究就明确把 network effects 放进了解释框架。把这个逻辑类比到资本市场，结论并不难得出：当 attention 成为上游稀缺资源时，标的之间也会出现 superstar 化。少数最显眼、最容易讲、最方便交易、最适合被 AI 反复解释的资产，会吸走越来越多的讨论、流动性和仓位；长尾资产即便对象不差，也可能长期处在「无 attention、无定价资格、无讨论权」的边缘区。这个类比是推论，但与有限注意力、网络效应和 superstar concentration 的证据是相容的。

 

这就是市场二元化最深的经济学版本：不是简单的「好公司 vs 坏公司」，而是attention-rich assets vs attention-poor assets。

 

前者容易获得超额流动性、叙事红利、研究覆盖、结构性资金承接；后者则容易变成「对象还在，价格却像不存在」。

 

真正的悖论，不是「attention 很重要」，而是它既修复市场，也破坏市场

 

如果把上面所有层面揉在一起，市场的二元悖论可以压成四句话：

 

1. Attention 是价格发现的必要条件，但不是价值创造的充分条件

 

没有 attention，真相可能长期无法进入价格；但只有 attention，没有对象真相支撑，最后多半会演化成短期收益和长期回吐的错配。Da 等人的研究就总结过：互联网搜索量会预测 short-term gains 和 long-term losses。

 

2. Attention 同时解释 underreaction 与 overreaction

 

注意力不足时，信息扩散慢、反应迟；注意力过热时，买盘、社交、叙事和外推同步放大，价格冲得太远。有限注意力文献和 anomaly 文献其实都在讲同一件事：attention 既能修复迟钝，也能制造过冲。

 

3. AI 民主化了「解释能力」，却集中化了「attention 分配」

 

人人都能更快写出 bull case / bear case，但绝大多数 prompt 仍然围绕已经大涨大跌、已经进入话题中心的标的展开；结果不是让更多冷门真相浮出水面，而是让显眼资产的叙事密度继续上升。这个判断是基于 LLM 的 sycophancy 与 overreliance 机制做出的推论。

 

4. 真正的 alpha，不在于追逐 attention，而在于识别 attention 与 truth 的关系

 

最后，我认为「Attention is all we need」 作为市场口号，短周期里很对；作为投资本体论，只有一半对。对的部分在于在信息极度过剩、叙事极度拥挤、AI 极度便利的时代，attention 确实成了市场最关键的上游门槛变量。它决定什么被看见、被讨论、被交易、被共识化。

 

错的部分在于：attention 最多只能决定谁先被定价、谁被如何定价、定价能否暂时脱离对象；它不能长期替代对象真相本身。真正决定长周期回报的，仍然是对象有没有把 attention 转化成更高的现金流、护城河、资本效率和反身性正循环。

 

在 AI 时代，Attention 不是 all we need for truth；但它越来越像 all we need for short-horizon pricing。

 

而市场之所以越来越二元，根源不只是资金风格，不只是散户，不只是算法，而是有限注意力 + 社交传播 + AI 叙事压缩 + 机械交易 + 人类情绪调节一起把「中间态」吃掉了。

 

全文完。