认知差距放大机制与深度案例

问题陈述。 AI到底会缩小投资者之间的差距，还是扩大差距？

答案是：

两者同时发生，但发生在不同层级。

AI大概率会缩小“基础能力差距”，却放大“高阶系统能力差距”。

为什么基础差距会缩小

过去，理解DCF、财务报表、期权Greeks、行业术语、上市公司公告或者英文研究，需要大量教育和时间投入。今天普通投资者通过LLM即可获得解释、翻译、摘要、初步建模和数据分析。

这意味着：

知识获取 → 越来越便宜。 文本加工 → 越来越便宜。 基础研究 → 越来越便宜。

这也是为什么AI可以被视为一种金融研究“平权”技术。

但问题随之而来：

当所有人都拥有便宜的基础分析能力以后，基础分析本身就更难构成优势。

Page与Siemroth的实验性研究所揭示的“公开信息更容易进入价格”机制，以及LLM新闻预测研究中观察到的“采用增加后策略收益下降”，都支持这一方向。citeturn17search8turn21search12

为什么高阶差距反而可能扩大

真正高阶的AI投资系统需要六种能力同时存在：

问题定义 × 高质量数据 × 模型选择 × 因果验证 × 决策纪律 × 现实反馈。

AI可以把人的初始方向放大。

一个研究者提出：

“找出证明某股票值得买的证据。”

另一个提出：

“分别建立多头、空头和基准情景，寻找最可能证伪当前投资逻辑的事实。”

两个人使用同一个模型，得到的不是相同能力，而是不同认知结构被放大后的结果。

2026年的NBER研究已经提供了非常直接的警告：当研究者告诉LLM最终目标，例如“这个指标用于预测收益”，模型生成的中间情绪和竞争指标会向目标发生系统性偏移；这种“purpose leakage”可以提高知识截止日前样本的拟合，却没有带来截止日后的预测优势。citeturn17search4

换句话说：

AI不仅能放大正确认知，也能把人的确认偏误工业化。

这可能是“AI时代认知差距放大”最重要的机制之一。

深度案例：BloombergGPT——护城河首先可能是数据，而不是模型

背景。 Bloomberg长期拥有专业金融终端、新闻、证券、公司与市场数据库，其面对的问题并不是“互联网有没有金融知识”，而是如何让机器理解金融语言和专业语境。

AI技术。 2023年公开的BloombergGPT是一个约500亿参数的自回归语言模型，采用金融领域语料和通用语料混合训练。citeturn18academia48

数据来源。 论文披露约3630亿金融领域token，再加约3450亿通用语料token；这说明金融大模型最重要的资产之一，本身就是经过长期积累、清洗和组织的领域数据。citeturn18academia48turn18search2

效果/指标。 论文在公开金融任务、通用LLM任务和Bloomberg内部任务上测试模型，并报告其在多项金融任务上显著优于当时可比通用模型，同时没有明显牺牲通用语言能力。citeturn18academia48

局限。 这是金融NLP能力，而不是投资Alpha证明；大量内部数据和内部测试集无法完全由外部研究者独立复现；而且2023年的模型能力排名在高速发展的LLM行业中很快会过时。

真正值得研究的结论不是“BloombergGPT是不是最强模型”，而是：

当通用模型越来越商品化时，Bloomberg真正难复制的可能不是500亿参数，而是数十年金融数据、实体关系、实时信息、客户工作流和专业分发网络。

这是一个非常重要的产业判断。

深度案例：Morgan Stanley——AI把“少数专家的知识”变成组织能力

背景。 大型财富管理机构面临一个非常典型的问题：公司内部拥有大量优秀研究和专业知识，但普通顾问不可能记住所有文档，更不可能实时知道哪份材料能回答某一个客户的问题。

AI技术。 Morgan Stanley把GPT-4等模型嵌入内部知识检索、Advisor Assistant、会议总结和Research工作流，同时建立专家评估与持续eval体系，而不是允许顾问直接无约束地调用通用聊天机器人。citeturn18search0turn18search10

数据来源。 Assistant连接的是内部审核过的知识资产；AskResearchGPT则用于搜索和总结Morgan Stanley Research每年发布的超过7万份自有研究报告。citeturn22search6

效果/指标。 Morgan Stanley披露，财富管理顾问团队对其AI Assistant的采用率达到98%；OpenAI与Morgan Stanley联合案例称，系统使可有效访问的内部文档比例由约20%升至80%。这些指标来自公司/供应商自身披露，应视为生产案例证据，而不是独立审计的因果ROI研究。citeturn18search0turn18search10

局限。 98%“采用率”并不等于投资回报率提高，也不证明客户最终收益更高；AI主要提高知识获取和工作效率。系统价值还高度依赖Morgan Stanley已有的数据治理、研究质量、合规体系和内部流程。

深层意义在于：

过去：

顶级组织里最优秀的人知道什么，取决于你能不能找到他。

AI之后：

一部分专家知识可以被组织化、检索化、规模化。

于是企业的“组织记忆”本身开始成为AI可调用资本。

深度案例：Nasdaq Dynamic M-ELO——AI开始进入市场规则与执行基础设施

背景。 Nasdaq原有Midpoint Extended Life Order采用相对固定的等待期，用等待时间降低不利选择。但市场状态不断变化，静态等待时间并不总是最优。

AI技术。 Dynamic M-ELO利用机器学习根据实时市场状态动态调整holding period；系统针对每一只证券分析140多个因素，并大约每30秒重新评估。citeturn19search0turn19search8

数据来源。 数据来自实时市场微观结构，包括与流动性、价格、交易环境相关的大量市场状态变量。Nasdaq并未公开全部特征和模型细节。citeturn19search0

效果/指标。 Nasdaq公布的测试结果显示，相较原M-ELO，Dynamic M-ELO实现约20.3%的fill-rate提高以及约11.4%的markout改善；SEC于2023年9月批准相关规则修改，Nasdaq于2024年4月15日在美国现金股票市场上线。citeturn19search1turn19search5turn19search8

局限。 20.3%和11.4%主要来自Nasdaq自身模型测试与披露，不能直接解释为客户投资收益提高；执行质量提升与方向性Alpha完全不是一回事。

但它代表了一个非常深刻的变化：

AI不再只是帮助“投资者理解市场”，它已经开始直接改变订单怎样进入市场。

这意味着AI竞争最终会深入：

研究 → 组合 → 执行 → 交易所基础设施。

深度案例：LLM新闻理解——“会预测”为什么仍不等于“能赚钱”

Lopez-Lira与Tang研究使用知识截止日之后的新闻标题测试GPT类模型，因此比大量存在训练集泄漏风险的金融LLM研究更加严格；其最新版本及出版商页面显示，GPT-4对不可交易的初始市场反应能够实现约90%的portfolio-day方向命中，同时LLM评分还可以预测此后的价格漂移，尤其在小市值股票和负面新闻中更明显。citeturn21search12turn21search5

这里最容易被自媒体错误传播成：

“GPT-4炒股准确率90%。”

实际上这并不成立。论文特别区分了不可交易的初始价格反应和之后可能被交易的漂移，因此90%不能直接理解成“实盘方向胜率90%”。更值得关注的结果反而是：更大的模型表现更好，而随着LLM采用扩大，相关策略收益下降，这与市场更快吸收文本信息的机制相符。citeturn21search12

这个案例恰好说明本报告最核心的原则：

预测能力 → Alpha → 可交易Alpha → 净收益，是四次不同的验证。

案例共同指向的“认知放大器”

四个案例放在一起，会出现一条非常清楚的主链：

BloombergGPT：数据规模化 → 信息理解能力。

Morgan Stanley：内部知识规模化 → 组织认知能力。

LLM新闻分析：语义理解规模化 → 信息更快进入价格。

Nasdaq Dynamic M-ELO：市场状态识别规模化 → 执行能力。

于是AI真正放大的不是某一种投资方法，而是：

有效认知能力 = 信息覆盖 × 理解压缩 × 关系建立 × 验证质量 × 决策纪律 × 反馈速度

其中AI目前对前三项提升最明显，对第四项可以辅助但不能代替，对第五和第六项只有嵌入完整机构工作流之后才可能真正实现。

关键结论。

未来最危险的投资者不是不会用AI的人，而是“拥有很强AI能力，却没有验证体系的人”。

因为低水平错误过去受到人的时间约束；AI之后，错误假设也可以一分钟生成100页“证据”。

NBER甚至已经展示了AI可以自动生成数百篇完整金融研究论文，其中会出现貌似合理却并不存在的参考文献，这说明“语言完整性”和“事实正确性”之间的鸿沟并没有因为AI更强而消失。citeturn17search5

FinanceBench也曾对早期金融LLM提出类似警告：其10,231个金融问答任务中，对抽样150题测试16种模型配置，2023年版本的GPT-4-Turbo加检索系统仍在81%的案例中答错或拒答。这个数字不能代表2026年的最新模型能力，但它证明了一个长期有效的问题——金融AI必须有独立验证系统，不能依靠语言流畅度验收。citeturn21academia49

可执行建议。 内容和研究不应建立“AI答案库”，而应建立AI证据系统。每一条重大结论至少保存：原始来源、发布日期、数据截止期、模型knowledge cutoff、样本内/样本外、回测/实盘、交易成本、是否独立复现、反方证据和当前未知。这本身就可以逐渐变成研究壁垒。