背景与问题定义

执行摘要

AI对资本市场最深刻的改变，不是“机器更会选股”，而是重写信息处理的成本、速度、规模与组织方式。公共信息的获取和理解正在快速商品化，竞争优势将从“知道更多”迁移到“拥有更时点化/独占的数据、更好的问题定义与因果验证、更强的执行和反馈闭环”。因此，AI会同时缩小基础知识差距、放大高阶认知与机构能力差距。未来真正的竞争单位不是人或模型，而是人×数据×模型×工作流×执行×治理的完整系统。citeturn16search0turn17search0turn16search1

背景：资本市场是信息处理系统

问题陈述。 研究“AI如何改变资本市场”，最容易犯的错误，是从“有哪些AI工具”“哪些模型能预测股票”开始。更底层的问题其实是：

资本市场本身就是一个巨大的、动态的信息处理系统；AI改变的首先是这个系统处理信息的能力，随后才通过价格发现、资产配置、交易执行和财富管理改变竞争规则。

BIS在2024年的专题研究中采用了几乎相同的分析入口：金融体系的核心功能之一，就是把大量分散信息加工、聚合为价格与资源配置信号；历史上的记账、计算机、机器学习到生成式AI，本质上都是金融信息处理能力的技术升级。citeturn16search0

这意味着，我们真正应该研究的对象不是：

AI → 股票预测

而是：

现实世界 → 信息 → 机器/人理解 → 假设 → 判断 → 组合 → 交易 → 市场价格 → 反馈 → 新一轮认知

AI正在介入整条链，而不是一个节点。

最重要的几个概念必须首先分开

金融AI研究至少存在四个不能混淆的层次：

信息处理能力 ≠ 预测能力 ≠ 因果认识 ≠ 可实现投资收益。

机器学习可以提高预测能力。Gu、Kelly、Xiu发表于《Review of Financial Studies》的经典研究发现，在股票风险溢价预测中，树模型和神经网络能够利用传统线性模型遗漏的非线性交互，在部分策略中显著提高投资表现；但作者同时明确指出，机器学习预测本身并不能告诉我们经济机制是什么，更不能自动建立因果关系。citeturn17search0

第二，即使产生了统计预测，也不等于存在可以交易的Alpha。真实投资还要经过：

发布时间 → 信息可得性 → 模型计算时间 → 信号生成 → 下单 → 成交 → 滑点 → 冲击成本 → 税费 → 容量约束 → 风险约束。

任何一个环节没有进入回测，论文中的“预测能力”都可能无法转化为现实收益。2026年的NBER研究进一步指出，使用在全互联网语料上训练的大模型进行历史金融研究，会天然面临未来信息泄漏；这也是他们构建“point-in-time language models（时点一致语言模型）”的直接原因。citeturn17search1turn17search2

第三，市场存在一个更深层的反馈机制：

一项信息处理技术越成功、越普及，它本身越可能消灭原来的信息优势。

Page与Siemroth在受控实验市场中发现，公开信息几乎被价格完全吸收，而私人信息的吸收程度低于50%；虽然实验市场不能直接等同真实证券市场，但它很好地说明了一个机制：容易被所有人获得和加工的信息，比稀缺信息更容易进入价格。citeturn17search8

近期关于LLM与新闻交易的研究也观察到类似现象：随着LLM使用增加，基于同类LLM新闻理解所获得的策略收益趋于下降，研究者将其解释为信息吸收效率提高的表现。citeturn21search12

因此，本报告提出一个用于后续研究的核心模型：

可持续投资优势
≈（信息独占性 × 信号质量 × 因果/验证质量 × 执行能力 × 反馈学习速度）
÷（信息成本 + 模型风险 + 交易成本 + 策略拥挤度）

这不是已有学术论文中的公式，而是本文根据现有证据抽象出的分析框架。

关键结论。

资本市场中真正稀缺的东西正在发生迁移：

过去稀缺的是“获得信息”；互联网之后稀缺的是“处理信息”；AI普及之后，越来越稀缺的将是“提出正确问题、拥有独占数据、识别因果、验证真实性、把判断转化为交易，并持续从现实反馈中修正系统”。

这也是理解未来十年金融AI竞争最重要的最小区别。

可执行建议。 以后研究任何“AI投资能力”，不要首先问“准确率多少”，而必须同时问五个问题：模型当时究竟知道什么？信号来自什么数据？它发现的是相关还是因果？扣除真实交易成本后还能不能做？当市场都使用同类AI以后这个优势是否仍然存在？ 其中任何一个问题回答不了，都不应该直接升级为投资结论。citeturn17search1turn17search2turn17search4