低波动或难维持，高波动将有配置价值；收益来源从信息快转向框架先；AI共识可能带来新的尾部风险

工银国际首席经济学家 程实 

工银国际高级经济学家 徐婕

AI正在打破市场的信息茧房，但市场波动并没有出现显著降低。原因在于，信息差下降之后，决定价格分歧的变量正从信息差转向认知差。

数据上，我们可以看到两只代表性股票的卖方EPS预测分散度在ChatGPT发布后明显下降，说明信息层的差异正在快速收敛。然而，同期S&P 500指数60日已实现波动率、VIX中枢都只是小幅回落，并未出现显著下降。更重要的是，衡量标普500成分股隐含波动分散程度的DSPX指数反而上升30.6%，说明波动并未消失，而是从系统性波动转向异质性波动。这意味着，AI时代的收益来源正在发生迁移。

过去，市场研究更多依赖谁更快获得信息、处理信息和解释信息。未来，差异将更多来自谁能提出更好的问题、建立更合理的框架、形成更具穿透力的非共识判断。

AI可以提高答案的生产效率，却难以替代提问的能力，也难以消除世界观的差异。不仅如此，随着全市场越来越多机构使用相似的AI工具，模型趋同还可能带来新的尾部风险，共识形成更快，瓦解也更快，波动或将进一步放大。因此，未来值得重视的方向将从获取信息的能力转向提高认知差异化的能力。

信息茧房逐渐消失。过去十年，人类处理信息的能力大幅提升，但市场波动并未随之消失。以S&P 500指数波动为例，VIX中枢并没有随着信息效率提升而结构性下降。以ChatGPT发布前后比较，VIX均值仅从18.49降至17.48，回落5.5%。市场并没有变得更稳定，只是变得更快速。如果信息是定价的源头，信息效率的飞跃本应让价格更接近基本面，也让波动随之收敛。但现实并非如此。在AI可以用30秒总结一套财务报表、用3分钟跑完一套估值模型的时代，市场的波动并没有同步消失。

我们观察了苹果（AAPL.US）和腾讯（700.HK）两只全球分析师覆盖最密集的代表性股票，并以卖方分析师对其EPS预期的标准差衡量信息分散度。数据显示，从2022年初至2026年5月，苹果EPS预测分散度较ChatGPT发布前均值下降38.0%，腾讯下降48.3%。以2022年上半年均值为基准100，两条分散度指数曲线自ChatGPT发布日2022年11月30日前后开始，整体进入趋势性下行通道。中间虽有阶段性反弹，但信息分散度收敛的方向较为清晰。

图1：卖方分析师EPS预测分散度收敛

资料来源：Bloomberg、工银国际计算（注：月度数据并以2022年上半年均值为基准100）

图2：苹果EPS预测分散度与股价波动率

资料来源：Bloomberg、工银国际计算（注：日度数据且分散度指数以2022年上半年均值为基准100）

图3：腾讯EPS预测分散度与股价波动率

资料来源：Bloomberg、工银国际计算（注：日度数据且分散度指数以2022年上半年均值为基准100）

表1：苹果、腾讯EPS预测分散度与股价波动率

资料来源：Bloomberg、工银国际计算（注：日度数据）

但这并非偶然。从反例来看，Bertomeu等（2025）的研究利用2023年3月至4月意大利临时禁用ChatGPT这一自然实验发现，禁令期间，意大利国内分析师相对覆盖同一公司的外国分析师，预测数量下降幅度约相当于样本标准差的21%。同时，预测准确度下降，对行业层面信息的依赖增加，投资者对盈余公告的反应更为剧烈，买卖价差也随之扩大。

换言之，当AI被禁用时，市场信息处理效率出现倒退。这从反面说明，AI确实在压缩信息层面的方差。从直接证据来看，Lopez-Lira等（2025）构建了一个基于ChatGPT情绪分析的多空策略，让模型阅读新闻头条、判断情绪，并据此买入正面情绪股票、卖空负面情绪股票。

在样本期内，随着GPT模型能力和使用率迅速上升，基于ChatGPT策略的表现整体下降。该策略的年化Sharpe ratio从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月进一步降至1.22。这些证据共同指向同一个判断。信息差正在快速收敛，但波动并未随之消失。S&P 500指数60日已实现波动率在ChatGPT发布后均值为14.6%，较发布前均值15.8%仅低约1.3个百分点，VIX中枢也只是从18.49降至17.48，并未随着信息效率提升而出现结构性下降。

与此同时，衡量标普500成分股隐含波动分散程度的DSPX指数反而上行30.6%。这说明，波动没有消失，而是正在从系统性波动转向异质性波动。

剩下的波动从哪里来？我们的答案是，从信息茧房到认知茧房。AI压缩了知道什么的方差，却放大了如何解读的方差，而这样的波动来源于三个方面。

第一，AI给的是答案，但市场奖励的是问题。把任何一份财报交给AI，它都能在很短时间内生成一份完整的分析。但真正决定收益的，往往不是如何回答一个已经被提出的问题，而是能否提出一个别人还没有意识到的问题。提问能力依赖世界观、分析框架和对未来的非共识假设，这也是目前AI难以替代的部分。

第二，AI无法消除反身性规律。价格会反作用于基本面，这一点在AI时代可能更加突出。每一次预测都会改变被预测的系统本身。分析师集体看多某只股票，可能带来资金流入、估值抬升和融资成本下降，进而反过来改善公司基本面。这是一个典型的内生反馈。AI可以让这个反馈环运行得更快、影响更大，但无法消除它。AI越强，共识形成越快，反身性的冲击力反而可能更强。

第三，AI共识本身正在制造新的认知差。当全市场分析师都使用相似的底层模型处理相似的数据，并得出相似的结论，预测分散度收敛本身就是同质化的市场表达。在一个越来越同质化的市场里，谁能跳出AI共识，谁就可能拥有更稀缺的超额收益。换言之，AI越普及，非AI视角越值钱。那些能在模型一致判断下坚持不同假设的投资者，其认知溢价未必来自更多信息，而是来自更独立的框架和更有韧性的非共识判断。

图4：DSPX上行，VIX中枢稳定

资料来源：Bloomberg、工银国际计算（注：图中DSPX指数、VIX指数均为日度数据并以各自2014-2019年均值标准化为100。）

表2：DSPX上行，VIX中枢稳定

资料来源：Bloomberg、工银国际计算（注：日度数据）

对投资的三个判断。如果信息差逐渐消失，认知差成为主因，那么它对资产定价的影响将不再是边际的。由此，我们提出三个判断。

判断一：低波动或难维持，高波动将有配置价值。即使信息更加透明、分析师覆盖更加充分，认知层面的分歧也不会完全消失。波动正在从系统性转向异质性，因此波动率并不容易被长期压到极低水平。低波动在AI时代将更难维持，长期波动和分散度可能是被低估的策略方向。

判断二：收益来源从信息快转向框架先。过去二十年，市场研究的投入重点是更快获取信息。但随着AI提升信息处理效率，这类投入的边际价值正在下降。下一阶段的收益，可能不再来自更早地获取信息，而是来自更早地形成一个框架。从单纯的数据采集转向非共识场景构建。

判断三：AI共识可能带来新的尾部风险。当量化模型、分析师工具和风险管理系统越来越多地建立在相似的LLM底座上，市场对同一信息的反应可能更加同步，而这可能成为杠杆和流动性之外的新尾部风险来源。因此，在组合构建中，反AI共识的思路或应被纳入独立的对冲框架。

参考文献

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.