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判斷。AI可以提高答案的生產效率，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構使用相似的AI工具，模型趨同還可能帶來新的尾部風險，共識形成更快，瓦解也更快，波動或將進一步放大。因此，未來值得重視的方向將從獲取信息的能力轉向提高認知差異化的能力。

本文作者系盤古智庫學術委員、工銀國際首席經濟學家程實，工銀國際經濟學家徐婕 ，文章來源于“新浪財經意見領袖專欄”。

本文大約3000字，讀完約7分鐘。

AI正在打破市場的信息繭房，但市場波動并沒有出現顯著降低。原因在于，信息差下降之后，決定價格分歧的變量正從信息差轉向認知差。數據上，我們可以看到兩只代表性股票的賣方EPS預測分散度在ChatGPT發布后明顯下降，說明信息層的差異正在快速收斂。然而，同期S&P 500指數60日已實現波動率、VIX中樞都只是小幅回落，并未出現顯著下降。更重要的是，衡量標普500成分股隱含波動分散程度的DSPX指數反而上升30.6%，說明波動并未消失，而是從系統性波動轉向異質性波動。這意味著，AI時代的收益來源正在發生遷移。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判斷。AI可以提高答案的生產效率，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構使用相似的AI工具，模型趨同還可能帶來新的尾部風險，共識形成更快，瓦解也更快，波動或將進一步放大。因此，未來值得重視的方向將從獲取信息的能力轉向提高認知差異化的能力。

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，但市場波動并未隨之消失。以S&P 500指數波動為例，VIX中樞并沒有隨著信息效率提升而結構性下降。以ChatGPT發布前后比較，VIX均值僅從18.49降至17.48，回落5.5%。市場并沒有變得更穩定，只是變得更快速。如果信息是定價的源頭，信息效率的飛躍本應讓價格更接近基本面，也讓波動隨之收斂。但現實并非如此。在AI可以用30秒總結一套財務報表、用3分鐘跑完一套估值模型的時代，市場的波動并沒有同步消失。

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，并以賣方分析師對其EPS預期的標準差衡量信息分散度。數據顯示，從2022年初至2026年5月，蘋果EPS預測分散度較ChatGPT發布前均值下降38.0%，騰訊下降48.3%。以2022年上半年均值為基準100，兩條分散度指數曲線自ChatGPT發布日2022年11月30日前后開始，整體進入趨勢性下行通道。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預測分散度收斂

資料來源：Bloomberg、工銀國際計算（注：月度數據并以2022年上半年均值為基準100）

圖2：蘋果EPS預測分散度與股價波動率

資料來源：Bloomberg、工銀國際計算（注：日度數據且分散度指數以2022年上半年均值為基準100）

圖3：騰訊EPS預測分散度與股價波動率

資料來源：Bloomberg、工銀國際計算（注：日度數據且分散度指數以2022年上半年均值為基準100）

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月意大利臨時禁用ChatGPT這一自然實驗發現，禁令期間，意大利國內分析師相對覆蓋同一公司的外國分析師，預測數量下降幅度約相當于樣本標準差的21%。同時，預測準確度下降，對行業層面信息的依賴增加，投資者對盈余公告的反應更為劇烈，買賣價差也隨之擴大。換言之，當AI被禁用時，市場信息處理效率出現倒退。這從反面說明，AI確實在壓縮信息層面的方差。從直接證據來看，Lopez-Lira等（2025）構建了一個基于ChatGPT情緒分析的多空策略，讓模型閱讀新聞頭條、判斷情緒，并據此買入正面情緒股票、賣空負面情緒股票。在樣本期內，隨著GPT模型能力和使用率迅速上升，基于ChatGPT策略的表現整體下降。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月進一步降至1.22。這些證據共同指向同一個判斷。信息差正在快速收斂，但波動并未隨之消失。S&P 500指數60日已實現波動率在ChatGPT發布后均值為14.6%，較發布前均值15.8%僅低約1.3個百分點，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結構性下降。與此同時，衡量標普500成分股隱含波動分散程度的DSPX指數反而上行30.6%。這說明，波動沒有消失，而是正在從系統性波動轉向異質性波動。

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

第一，AI給的是答案，但市場獎勵的是問題。把任何一份財報交給AI，它都能在很短時間內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已經被提出的問題，而是能否提出一個別人還沒有意識到的問題。提問能力依賴世界觀、分析框架和對未來的非共識假設，這也是目前AI難以替代的部分。

第二，AI無法消除反身性規律。價格會反作用于基本面，這一點在AI時代可能更加突出。每一次預測都會改變被預測的系統本身。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，進而反過來改善公司基本面。這是一個典型的內生反饋。AI可以讓這個反饋環運行得更快、影響更大，但無法消除它。AI越強，共識形成越快，反身性的沖擊力反而可能更強。

第三，AI共識本身正在制造新的認知差。當全市場分析師都使用相似的底層模型處理相似的數據，并得出相似的結論，預測分散度收斂本身就是同質化的市場表達。在一個越來越同質化的市場里，誰能跳出AI共識，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持不同假設的投資者，其認知溢價未必來自更多信息，而是來自更獨立的框架和更有韌性的非共識判斷。

圖4：DSPX上行，VIX中樞穩定

資料來源：Bloomberg、工銀國際計算（注：圖中DSPX指數、VIX指數均為日度數據并以各自2014-2019年均值標準化為100。）

對投資的三個判斷。如果信息差逐漸消失，認知差成為主因，那么它對資產定價的影響將不再是邊際的。由此，我們提出三個判斷。

判斷一：低波動或難維持，高波動將有配置價值。即使信息更加透明、分析師覆蓋更加充分，認知層面的分歧也不會完全消失。波動正在從系統性轉向異質性，因此波動率并不容易被長期壓到極低水平。低波動在AI時代將更難維持，長期波動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向框架先。過去二十年，市場研究的投入重點是更快獲取信息。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框架。從單純的數據采集轉向非共識場景構建。

判斷三：AI共識可能帶來新的尾部風險。當量化模型、分析師工具和風險管理系統越來越多地建立在相似的LLM底座上，市場對同一信息的反應可能更加同步，而這可能成為杠桿和流動性之外的新尾部風險來源。因此，在組合構建中，反AI共識的思路或應被納入獨立的對沖框架。■

參考文獻：

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．

文章來源于“新浪財經意見領袖專欄”

圖文編輯：張洵

責任編輯：劉菁波