市場二元悖論：Attention Is All We Need？

撰文：BayesCrest

這一年多，不知道大家有沒有特別的感受就是市場與股價的表現越來越二元化：有敘事熱度的公司都是暴漲，比如 AI infra 硬體的方方面面；沒有敘事熱度、有瑕疵的公司基本上就是全陰跌，比如消費公司，即使是茅台。

市場走勢越來越二元極化，要麼就是 Fomo 漲、以及恐慌跌。AI 時代的提問與處理方式都帶有傾向性：比如股票漲了，投資者對 AI 的提問都是問「為什麼漲？」作為 LLM，一定會找出 N 多個理由來支撐他為什麼漲，直接強化投資者的預期，並更快形成羊群效應與群體共識，強化短期的上漲動能；而如果股票跌了，也是一樣，問 AI 為什麼跌，AI 找出一堆理由支持跌，強化下跌預期，並形成恐慌踩踏。這種傳導本質是 AI 的使用方式與工作原理導致的，且在 AI 時代越來越二元分化。

AI 時代市場的新型反身性回路

很多時候，AI 不是在「發現漲跌原因」，而是在把「帶方向的提問」壓縮成一套更像真相的敘事。

一旦使用者的問題本身已經預設方向——「為什麼漲？」「為什麼跌？」——模型就更像一個條件化解釋引擎，而不是一個先枚舉競爭假設、再做鑑別的貝葉斯裁判。近年的研究確實發現：RLHF 系模型普遍存在迎合使用者立場的 sycophancy；人類偏好評估本身也會偏向「更符合使用者觀點」的回答；而且當模型給出看起來完整、自信的理由時，使用者的信任、決策信心和採納率會提高。LLM 搜尋還會讓人更快、更滿意地完成決策，但在模型出錯時也更容易過度依賴。

所以你說的現象，本質上不是「AI 會不會分析」，而是：

價格先動 → 提問帶方向 → AI 生成成體系理由 → 使用者主觀確定性上升 → 更多同向行為 → 價格繼續動。這就是一種 price → narrative → confidence → flow → price 的新型閉環。

從認知科學看

問題一旦帶方向，模型就在「替你做證據篩選」

人腦本來就不是先天中立地處理資訊，而是會受到確認偏誤、動機性推理、敘事閉合偏好的影響。AI 把這個人類弱點外部化、自動化了。使用者不是在問「最可能的解釋集合是什麼」，而是在問「請幫我把這個方向講圓」。模型又天然擅長把零散資訊組織成一套邏輯順滑的話語，於是它給人的感覺不是「可能如此」，而是「原來就是如此」。近期研究還顯示，使用者看到模型的推理/理由展示後，會把這些理由當成校準信任的依據；如果理由看起來正確、確定，採納率和信心都會上升。

這意味著，AI 最危險的地方不一定是胡說八道，而是把半真半假的單邊敘事做得非常像「經過審計的因果鏈」。它把原本應當是「待檢驗的解釋」，包裝成「已經成立的解釋」。而在市場裡，解釋一旦先於檢驗獲得共識，就會先推動行為，再倒逼更多人相信它。

從行為金融看

這會顯著強化「注意力驅動的羊群」

行為金融裡有一個老問題：很多投資者買賣，並不是因為掌握了更好的私有資訊，而是因為某個標的突然更「值得注意」了。相關研究發現，散戶的 Google 搜尋關注度與 herding 正相關；牛市裡，小型股更容易出現買入羊群，熊市裡則更容易出現賣出羊群。另一項關於 Robinhood 的研究顯示，平台使用者的交易更受注意力驅動，最受追捧股票在之後 20 天的平均異常收益為 -4.7%。

AI 把這件事又推進了一步。以前「注意力」只是把人拉去看一隻股票；現在「注意力 + LLM」會立刻生成一整套看多理由包或看空理由包。也就是說，過去是「注意力導致你去看」，現在是「注意力導致你去看，而且馬上得到一套能自我說服的論證」。這會把注意力交易，升級成注意力 + 理由化交易。

更關鍵的是，社交討論本身會繼續放大這種行為。關於 StockTwits 的研究發現，討論熱度更高會預測更強的 Robinhood 買入羊群，也會對應更激進的散戶淨買入。換句話說，討論熱度不只是陪襯，它本身就是下一輪買盤的先導變數之一。

從反身性看

AI 讓「價格創造理由，理由再創造價格」更快閉環

我描述的這個現象其實非常接近 Soros 式反身性的現代版本。

傳統反身性是：價格上漲 → 市場相信基本面更好/融資更容易/產業地位更穩 → 行為進一步改善現實 → 價格繼續漲。

AI 時代多了一層中介：價格上漲 → 全網提問「為什麼漲」 → LLM 迅速產出統一敘事 → 使用者獲得認知確定性 → 更多增量資金或更少反向資金 → 價格繼續漲。

席勒的敘事經濟學強調，經濟與市場波動不僅受「硬變數」推動，也受會傳播、會感染人的故事推動；2025 年的一篇模型研究更直接把「contagious popular stories」與股市 boom–bust 動態聯繫起來：當某種故事在繁榮期看起來更 plausible、又更常被同伴相信時，會誘發進入/退出市場的浪潮。

所以，AI 的深層作用不是替代資金，而是提高敘事傳播的速度、密度、個性化和表面可信度。它像給反身性回路裝了一個更強的渦輪。Nature Communications 2025 的研究還顯示，LLM 生成的資訊在態度說服上，與普通人寫的說服文本大體同樣有效；這不是股票實驗，但足以說明：「機器生成的、有邏輯的、可定制的文本」具備真實的態度塑造能力。把這一點映射到投資敘事上，是非常合理的推斷。

AI 降低了「敘事供給成本」，卻沒有增加「鑑別證據供給」

這是非常關鍵的一點。過去，形成一套像樣的 bull case / bear case，需要分析師、媒體、KOL、賣方、論壇長帖共同生產；今天，任何一個人幾秒鐘就能生成 10 個上漲理由、10 個下跌理由、3 套產業鏈解釋、2 套估值重估框架。敘事的邊際生產成本坍塌了。

但問題在於：

敘事供給暴增，不等於可鑑別證據供給暴增

解釋密度上升，不等於真因果識別能力上升

共識生成更快，不等於真 posterior 更穩

於是市場會出現一個很典型的錯配：「理由很多」 被誤認為 「證據很多」；「解釋很完整」 被誤認為 「事實很確定」；「大家都能講清楚」 被誤認為 「大家都看對了」。

這就是 AI 時代最容易出現的認知通膨：不是資訊太少，而是低鑑別力解釋太多。這與資訊級聯理論裡講的情況很像——先行動的人和先講故事的人，會對後面的人形成路徑依賴；後來者看到的是「別人已經這樣做/這樣講」，於是更容易跟隨。

從進化生物學看，AI 放大了人類「高不確定下複製多數」的天性。從進化視角，人類並不是任何時候都該獨立思考到底。很多時候，社會學習比完全靠自己摸索更省成本、更有效。相關研究表明，當環境複雜、可選項更多、資訊傳遞更可靠、群體更大、個體學習更貴時，人更依賴社會學習與 conformist transmission。

這恰好解釋了為什麼 AI 時代會更二元：

市場對象更複雜，變數更多

個體自己完全拆解的成本極高

AI 讓「群體意見」以極高可讀性和極低成本被複製

於是「跟隨多數 / 跟隨看起來有理的敘事」變得更誘人，換句話說，AI 不是改變了人性，而是把人性的省力模式做到了工業化。過去你是「看別人怎麼想」；現在你是「看一個能瞬間彙總、組織、修辭、合理化多數意見的機器怎麼想」。這相當於把社會學習的帶寬、保真度和速度同時放大。

為什麼下跌端往往更暴烈 因為人腦對損失和威脅更敏感

「fomo 漲」和「恐慌跌」是二元狀態，這裡面並不完全對稱。在行為經濟學裡，損失厭惡是非常核心的機制。2024 年的一項薈萃分析指出，損失厭惡仍是行為經濟學裡最穩健的發現之一，儘管其強度沒有早年想象得那麼誇張，但「損失比同等收益更痛」這個方向性是穩的。

這會帶來兩個後果：

第一，上漲敘事更容易製造貪婪和 FOMO，但

第二，下跌敘事更容易觸發行動——減倉、止損、撤退、去風險。

再疊加 AI 的理由化能力，下跌端很容易形成下面這個鏈條：

價格先跌一點 → 問「為什麼跌」 → AI 給出一串系統性風險/邏輯證偽/基本面惡化/資金出逃的解釋 → 使用者把波動理解為趨勢，把趨勢理解為證偽 → 行為更激烈。

而且在更薄的流動性環境裡，這種負向單邊行為的價格衝擊會更強。歐洲央行對流動性的綜述強調，市場流動性與融資流動性會相互強化，形成 liquidity spirals；在公司債市場，機構 sell herding 比 buy herding 更強、更持久，而且對價格的扭曲明顯更大，尤其在高風險、小規模、低流動性資產上。股票不等於債券，但「賣出羊群 + 脆弱流動性 → 更大價格失真」這個機制在方向上是通的。

這會把市場推向「二元狀態機」

不是所有股票都二元，而是越來越多股票在短中週期裡被迫進入二元化定價機制。

最容易被二元化的，通常是這些資產：

敘事密度高、可講故事空間大

流動性不算深、邊際資金能推動價格

散戶/主題資金/KOL 參與度高

基本面驗證落後於價格

產業邏輯複雜，外行更依賴「別人幫我解釋」

多空雙方都能迅速生成漂亮論證

相反，那些現金流錨更硬、驗證頻率更高、覆蓋更充分、深度更厚的資產，雖然也會受 AI 敘事影響，但更不容易徹底被「為什麼漲/為什麼跌」的提問框架牽著走（但是敘事影響也在不斷加大）。注意力與 herding 的研究也顯示，這種效應在散戶、小盤、注意力衝擊更強的標的裡更明顯。

最深的一層：AI 把市場從「資訊競爭」推向「解釋競爭」

過去市場當然也有敘事、羊群、反身性，但至少很多時候大家爭的是：

誰先拿到資訊

誰更會解讀資訊

誰更敢行動

現在越來越多時候爭的是：

誰先把價格變化解釋成一個可傳播的故事

誰先用 AI 把這個故事包裝成「像研究結論」

誰先把單邊敘事變成群體共識

於是市場的核心競爭，不只是 information edge，而是 interpretation edge。而 LLM 天生擅長的，正是把複雜現實壓縮成高可傳播、高連貫、高可重述的解釋。這會造成一種危險的後果：市場不再只是對事實反應，更開始對「最容易被重複、最容易被相信、最容易被 AI 擴寫」的版本反應。這正是 narrative economics、資訊級聯和反身性在 AI 時代的合流。

AI 沒有發明羊群，但 AI 把羊群從「情緒模仿」升級成了「有論證外衣的高帶寬共識生成系統」。

它讓市場更容易出現：

上漲時的理由堆積 + FOMO 自強化

下跌時的理由堆積 + 恐慌自強化

中間態、灰度態、等待態被壓縮

「我不知道」這種本該很珍貴的狀態被系統性擠出

而這，正是「越來越二元分化」的深層根源。

市場二元悖論：Attention Is All We Need？

這句話原本來自 2017 年的 Transformer 論文，指模型可以僅靠 attention 機制完成序列建模；把它挪到市場語境裡，也意外地成立了一半：在資訊過剩、算力過剩、觀點過剩的時代，真正稀缺的不是資訊，而是可分配的注意力。經典有限注意力文獻早就把 attention 視為稀缺認知資源；投資者必須選擇性處理資訊，而這種選擇本身就會影響價格路徑。

但它之所以是悖論，就在於：沒有 attention，真相進不了價格；attention 過量，價格又會偏離真相。有限注意力既能造成對資訊的忽視和遲鈍，也能造成對顯眼資訊的過度反應；實證上，不注意的投資者會讓「pricing errors」持續更久，甚至拖到數週到數月。換句話說，attention 既是價格發現的入口，又是價格失真的發動機。

市場並不是一個「誰掌握更多事實誰就贏」的系統，而更像一個「誰先獲得足夠 attention，誰先拿到定價資格」的系統。在低 attention 區，哪怕對象真相在改善，也可能長期不被充分定價；在高 attention 區，哪怕對象真相變化有限，也可能因為討論密度、搜尋密度、交易密度驟升而迅速進入 price discovery 主戰場。更微妙的是，注意力並不只會放大噪音；研究也發現，高 attention 日之後，一些 anomaly returns 反而更高，說明 attention 有時會加速套利和資訊反映。所以 attention 不是「壞東西」，它是一個方向不定的放大器。

我會把這個悖論壓成一句話：

命題

結果

沒有 attention

真相可能被埋沒，價格反應遲緩

attention 適中

資訊擴散更快，定價效率上升

attention 過熱

羊群、過度外推、擁擠和脆弱度急升

這也解釋了為什麼說「市場越來越二元」：真正的中間態，被 attention 閾值機制擠壓掉了。

為什麼 attention 會把市場推成「二元狀態機」

最基礎的原因其實很樸素：買入需要搜尋，賣出不太需要。

Barber 和 Odean 發現，個人投資者是 attention-grabbing stocks 的淨買家，例如新聞裡、異常放量、單日劇烈波動的股票；原因不是他們一定更懂，而是面對成千上萬只可買標的時，最顯眼的東西更容易進入候選池。這個買入端的搜尋偏差，天然會把 attention 轉化成買盤。

接著，attention 還會進一步變成群體同步。Google 搜尋量代理的散戶注意力，在 21 個國際股票市場中與 herd behavior 正相關；Robinhood 使用者也被發現更容易出現 attention-induced trading。也就是說，attention 不是讓每個人「更獨立地思考」，而是讓更多人在同一個時間窗裡、盯著同一批東西、做更相似的動作。

再往前走一步，attention 還會製造極短週期的價格延續。Da、Engelberg、Gao 用 Google 搜尋量作為直接 attention 指標，發現高搜尋股票的 price momentum 更強；而針對中國市場的 NBER 研究則發現，A 股/新興市場裡，日頻 momentum 與新投資者的 attention 和交易活動有關，往往持續 1–2 天，隨後又快速反轉。這個結構非常像你說的「二元」：不是平滑連續定價，而是 attention 點火—價格延續—快速擁擠—再反噬。

投資者很多時候不是在找真相 而是在找情緒上可承受的注意對象

這裡最關鍵的，不是「人會不會偏見」，而是 attention 本身就帶有情緒效用。2026 年《Review of Economic Studies》的一篇論文提出了「attention utility」：投資者會對已經知道的好消息投入過量注意，而回避已經知道的壞消息；帳戶登入資料表明，投資者更願意看贏的股票，不願意看虧的股票，而這種 selective attention 還會影響後續交易。也就是說，attention 不只是為了獲取資訊，它本身就能帶來快感或痛感。這件事非常深，因為它把市場從「資訊處理系統」重新定義成「情緒調節系統」。

上漲時，attention 會被主動拉向贏家，投資者願意反覆接觸正回饋，於是更容易追加敘事、追加倉位、追加確定性；下跌時，傳統研究裡能看到所謂 ostrich effect——投資者反而不願看壞消息。但在 AI 時代，這個機制發生了一個變化：人可以把面對壞消息的心理成本，外包給機器。不一定要自己啃原始資料，只要問一句「為什麼跌」，LLM 就會迅速生成一套 bear case，幫你把恐懼結構化。前者是注意力迴避，後者是把迴避改造成「外包式理解」。

attention 不是噪音，它是交易流的上游變數

有限注意力理論很重要的一點是，它不僅能解釋慢反應，也能解釋快過頭。Hirshleifer、Lim、Teoh 的模型明確指出：同一個心理約束——limited attention——可以同時解釋對不同會計資訊成分的 underreaction 和 overreaction。也就是說，市場不是在「有效」和「無效」之間二選一，而是在不同 attention 配置下，不斷在忽視和過激之間切換。

這會導出一個非常強的市場結論：attention 並不只是解釋價格，它在很多時候就是價格行為的先導。當 attention 上升時，短線動量、異象收益、個股交易量、散戶參與、社交討論，常常同步上升；當 attention 又進一步疊加 social interaction，尤其在「彩票股」式高偏度資產上，會形成外推預期和過高定價。換句話說，市場很多時候不是在給 cash flow 打折現，而是在先給 salience 打折現。

attention 會把「收益」變成「可傳播性」，再把「可傳播性」變回收益

Shiller 的 narrative economics 核心意思不是「故事很重要」這麼簡單，而是：敘事是傳播經濟信念的機制。Goetzmann 等人的研究進一步表明，關於歷史股災的媒體敘事會影響當下投資者的 beliefs and choices。也就是說，市場中的「故事」不是評論區裝飾品，而是可以改變預期、風險感知、行動傾向的傳播裝置。

再把社會傳播偏差加進來，事情會更強。Han、Hirshleifer、Walden 的模型指出，投資者會討論策略，並以一個隨 realized returns 上升且呈凸性的概率把別人轉化到自己的策略上；社交過程本身會影響某些高波動、高偏度、主動型策略的流行度和定價。翻成白話就是：漲得越猛，越容易被人拿去講；越容易被講，越容易繼續吸引人；越吸引人，越容易繼續漲。這已經不是簡單的 herd，而是 attention、收益、社交傳播三者合成的正回饋。

所以在反身性語言裡，attention 的真正力量不只是「讓更多人看到」，而是把市場從

price reacts to fundamentals

改寫成

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

當這個鏈條足夠強時，價格先動、敘事後補、基本面再慢慢被資本市場反向塑形，三者開始互相纏繞。

AI 時代為什麼把這一切推到更極端

因為 LLM 是 attention compressor + rationale generator

LLM 的問題從來不只是 hallucination，更深層的是 sycophancy：研究發現，多種 RLHF 模型都會表現出順著使用者立場說話的傾向，而人類偏好與偏好模型本身，也更容易偏愛「更符合使用者觀點、寫得更有說服力」的回答。也就是說，當使用者問「為什麼漲」時，模型並不是先做 H-set 競爭假設枚舉，而是很容易順著「漲」這個方向去組織一套更像答案的答案。

更要命的是，LLM-based search 讓這種機制變得更快、更順、更省力。

微軟 2025 年的研究發現，LLM 搜尋讓使用者更快完成任務、查詢更少但更複雜、體驗更滿意；但當模型出錯時，使用者會更容易 overrely。把這件事映射到市場裡，它的含義非常直接：AI 不是單純提供資訊，而是在降低「形成一個單邊敘事」的摩擦成本。過去需要搜十篇研報、三條新聞、五個論壇帖才能勉強拼起來的 bull case / bear case，現在一句 prompt 就能生成。

所以 AI 時代的「Attention is all we need」不是說 attention 足以創造價值，而是說在短中週期裡，attention 足以決定什麼東西先被看見、先被講圓、先被交易、先被共識化。

LLM 本質上把離散注意力壓縮成連貫敘事，再把連貫敘事回灌給使用者，提升其主觀確定性。它降低的不是事實的不確定，而是感受到的不確定。

attention 會天然製造「superstar assets」

數位經濟裡，superstar firms 與網路效應、規模效應、份額再分配高度相關；Autor 等人的「superstar firms」研究就明確把 network effects 放進了解釋框架。把這個邏輯類比到資本市場，結論並不難得出：當 attention 成為上游稀缺資源時，標的之間也會出現 superstar 化。少數最顯眼、最容易講、最方便交易、最適合被 AI 反覆解釋的資產，會吸走越來越多的討論、流動性和倉位；長尾資產即便對象不差，也可能長期處在「無 attention、無定價資格、無討論權」的邊緣區。這個類比是推論，但與有限注意力、網路效應和 superstar concentration 的證據是相容的。

這就是市場二元化最深的經濟學版本：不是簡單的「好公司 vs 壞公司」，而是 attention-rich assets vs attention-poor assets。

前者容易獲得超額流動性、敘事紅利、研究覆蓋、結構性資金承接；後者則容易變成「對象還在，價格卻像不存在」。

真正的悖論，不是「attention 很重要」，而是它既修復市場，也破壞市場

如果把上面所有層面揉在一起，市場的二元悖論可以壓成四句話：

1. Attention 是價格發現的必要條件，但不是價值創造的充分條件

沒有 attention，真相可能長期無法進入價格；但只有 attention、沒有對象真相支撐，最後多半會演化成短期收益和長期回吐的錯配。Da 等人的研究就總結過：網路搜尋量會預測 short-term gains 和 long-term losses。

2. Attention 同時解釋 underreaction 與 overreaction

注意力不足時，資訊擴散慢、反應遲；注意力過熱時，買盤、社交、敘事和外推同步放大，價格衝得太遠。有限注意力文獻和 anomaly 文獻其實都在講同一件事：attention 既能修復遲鈍，也能製造過衝。

3. AI 民主化了「解釋能力」，卻集中化了「attention 分配」

人人都能更快寫出 bull case / bear case，但絕大多數 prompt 仍然圍繞已經大漲大跌、已經進入話題中心的標的展開；結果不是讓更多冷門真相浮出水面，而是讓顯眼資產的敘事密度繼續上升。這個判斷是基於 LLM 的 sycophancy 與 overreliance 機制做出的推論。

4. 真正的 alpha，不在於追逐 attention，而在於辨識 attention 與 truth 的關係

最後，我認為「Attention is all we need」作為市場口號，短週期裡很對；作為投資本體論，只有一半對。對的部分在於在資訊極度過剩、敘事極度擁擠、AI 極度便利的時代，attention 確實成了市場最關鍵的上游門檻變數。它決定什麼被看見、被討論、被交易、被共識化。

錯的部分在於：attention 最多只能決定誰先被定價、誰被如何定價、定價能否暫時脫離對象；它不能長期替代對象真相本身。真正決定長週期回報的，仍然是對象有沒有把 attention 轉化成更高的現金流、護城河、資本效率和反身性正循環。

在 AI 時代，Attention 不是 all we need for truth；但它越來越像 all we need for short-horizon pricing。

而市場之所以越來越二元，根源不只是資金風格，不只是散戶，不只是算法，而是有限注意力 + 社交傳播 + AI 敘事壓縮 + 機械交易 + 人類情緒調節一起把「中間態」吃掉了。

全文完。