低波動或難維持，高波動將有配置價值；收益來源從信息快轉(zhuǎn)向框架先；AI共識可能帶來新的尾部風險
AI正在打破市場的信息繭房，但市場波動并沒有出現(xiàn)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(zhuǎn)向認知差。
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日已實現(xiàn)波動率、VIX中樞都只是小幅回落，并未出現(xiàn)顯著下降。更重要的是，衡量標普500（SPX）成分股隱含波動分散程度的DSPX指數(shù)反而上升30.6%，說明波動并未消失，而是從系統(tǒng)性波動轉(zhuǎn)向異質(zhì)性波動。這意味著，AI時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構(gòu)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?qū)⑦M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(shù)波動為例，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(xiàn)實并非如此。在AI可以用30秒總結(jié)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）（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(shù)據(jù)顯示，從2022年初至2026年5月，蘋果（AAPL）EPS預測分散度較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(shù)據(jù)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(shù)據(jù)且分散度指數(shù)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(shù)據(jù)且分散度指數(shù)以2022年上半年均值為基準100）
表1：蘋果（AAPL）、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(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月意大利臨時禁用ChatGPT這一自然實驗發(fā)現(xiàn)，禁令期間，意大利國內(nèi)分析師相對覆蓋同一公司的外國分析師，預測數(shù)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(yè)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(xiàn)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(jù)來看，Lopez-Lira等（2025）構(gòu)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(jù)此買入正面情緒股票、賣空負面情緒股票。
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月進一步降至1.22。這些證據(jù)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(shù)60日已實現(xiàn)波動率在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(xiàn)結(jié)構(gòu)性下降。
與此同時，衡量標普500（SPX）成分股隱含波動分散程度的DSPX指數(shù)反而上行30.6%。這說明，波動沒有消失，而是正在從系統(tǒng)性波動轉(zhuǎn)向異質(zhì)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(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已經(jīng)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(guī)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(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，進而反過來改善公司基本面。這是一個典型的內(nèi)生反饋。AI可以讓這個反饋環(huán)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(shù)據(jù)，并得出相似的結(jié)論，預測分散度收斂本身就是同質(zhì)化的市場表達。在一個越來越同質(zhì)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(wěn)定
資料來源：Bloomberg、工銀國際計算（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年均值標準化為100。）
表2：DSPX上行，VIX中樞穩(wěn)定
資料來源：Bloomberg、工銀國際計算（注：日度數(shù)據(jù)）
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(chǎn)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(tǒng)性轉(zhuǎn)向異質(zhì)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(zhuǎn)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(shù)據(jù)采集轉(zhuǎn)向非共識場景構(gòu)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(tǒng)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(gòu)建中，反AI共識的思路或應被納入獨立的對沖框架。
