Рынок двоичного парадокса: Внимание — это всё, что нам нужно?

Заметка: BayesCrest

За этот год с небольшим не знаю, есть ли у вас какие-то особые ощущения: поведение рынка и цены становится всё более бинарным. Компании с «нарративным» хайпом — взлетают, например, во всех аспектах AI infra hardware; у компаний без хайпа, с какими-то изъянами, в основном всё превращается в сплошное боковое падение, например, потребительские компании, даже как у Maotai.

Рыночная динамика всё больше уходит в бинарно-поляризованное состояние: либо Fomo-рост, либо панические падения. Вопросы и способы обработки в эпоху AI тоже с выраженным уклоном: например, если акции растут, инвесторы задают AI-вопросы «почему выросло?» Как LLM, он обязательно найдёт множество причин, чтобы поддержать, почему выросло, напрямую усилив ожидания инвестора, и быстрее сформирует эффект стаи и групповое согласие, усиливая краткосрочный импульс роста; а если акции падают — то то же самое: спрашивают у AI «почему упало», AI находит кучу причин, поддерживающих падение, усиливает ожидания снижения и формирует паническое топтание. Эта передача по сути вызвана способом использования AI и принципами его работы, и в эпоху AI всё сильнее приводит к бинарной дифференциации.

Новая рефлексивная петля рынка в эпоху AI

Во многих случаях AI не «находит причины роста/падения», а превращает «направленные вопросы» в набор нарратива, который больше похож на истину.

Как только сам вопрос пользователя заранее предустанавливает направление — «почему рост?», «почему падение?» — модель становится скорее условной машиной объяснений, а не байесовским судьёй, который сначала перечисляет конкурирующие гипотезы, а потом делает различение. Исследования последних лет действительно показывают: модели с RLHF в целом демонстрируют sycophancy, угождающую позиции пользователя; человеческие оценки предпочтений сами по себе склоняются к ответам, которые «лучше соответствуют взглядам пользователя»; и когда модель даёт выглядящие полными и уверенными причины, доверие пользователей, уверенность в решениях и ставка принятия растут. Поиск с LLM ещё и позволяет быстрее и удовлетворённее завершать решения, но когда модель ошибается, людям проще переоценивать и чрезмерно полагаться.

Поэтому то, что вы описываете, по сути не в том, «будет ли AI анализировать», а в том, что:

цена сначала двинулась → вопрос с направлением → AI сгенерировал системное обоснование → субъективная определённость пользователя растёт → больше действий в том же направлении → цена продолжает двигаться. Это новый замкнутый цикл price → narrative → confidence → flow → price.

С точки зрения когнитивной науки

Когда вопрос имеет направление, модель «делает для тебя отбор доказательств»

Человеческий мозг изначально не обрабатывает информацию нейтрально — на него влияют подтверждающая предвзятость, мотивированное рассуждение и предпочтение к замыканию нарратива. AI выносит наружу и автоматизирует эту человеческую слабость. Пользователь не спрашивает «какой набор объяснений наиболее вероятен», он спрашивает «помоги мне довести этот вектор до логически связного объяснения». А модель по природе умеет организовывать разрозненные сведения в гладкий набор логичных высказываний — поэтому у человека создаётся впечатление не «возможно так», а «оказывается, именно так и есть». Недавние исследования также показывают: когда пользователи видят показанные рассуждения/аргументы модели, они начинают воспринимать их как основание для откалиброванного доверия; если причины выглядят верными и определёнными, растут и коэффициент принятия, и уверенность.

Это означает, что самое опасное в AI — возможно, не то, что он несёт чушь, а то, что полу-правдоподобный, односторонний нарратив делает настолько похожим на «проверенную аудитом причинно-следственную цепочку». Он заворачивает то, что должно быть «объяснением, подлежащим проверке», в «уже состоявшееся объяснение». И в рынке, как только объяснение сначала получает согласие ещё до проверки, оно сначала толкает действия, а потом вынуждает ещё больше людей поверить ему.

С точки зрения поведенческих финансов

Это существенно усиливает «стадное поведение, управляемое вниманием»

В поведенческих финансах есть давняя проблема: многие инвесторы покупают и продают не потому, что у них есть лучшая частная информация, а потому что какой-то актив внезапно становится более «достойным внимания». Соответствующие исследования показывают: уровень внимания розничных инвесторов, измеряемый Google-поиском, коррелирует с herding. В бычьем рынке у «малых» акций легче появляется стая на покупку; в медвежьем рынке — стая на продажу. Другое исследование о Robinhood показывает: сделки пользователей платформы сильнее зависят от внимания; средняя аномальная доходность самых разрекламированных акций в последующие 20 дней составляет -4.7%.

AI сделал следующий шаг. Раньше «внимание» просто притягивало людей посмотреть на конкретную акцию; теперь «внимание + LLM» сразу генерирует целый пакет аргументов «за рост» или «против роста». То есть раньше было «внимание заставляет вас пойти посмотреть», а теперь — «внимание заставляет вас пойти посмотреть и сразу получить набор доказательств, которые сам себя убеждают». Это превращает внимание-трейдинг в трейдинг внимания, превращённый в аргументы.

Самое ключевое ещё и то, что социальные обсуждения сами по себе продолжат усиливать это поведение. Исследование по StockTwits нашло: более высокая «горячесть» обсуждений предсказывает более сильную стаю на покупку у Robinhood, а также соответствует более агрессивной чистой покупке со стороны розничных инвесторов. Иными словами: «горячесть обсуждений» — это не просто фон; это один из ведущих предикторов следующей волны покупок.

С точки зрения рефлексивности

AI делает цикл «цена создаёт причины, причины снова создают цену» быстрее замкнутым

Описываемый мной феномен на самом деле очень близок к современной версии соросовской рефлексивности.

Традиционная рефлексивность такова: цена растёт → рынок верит, что фундаментальные показатели лучше/финансирование легче/позиция отрасли устойчивее → поведение дальше улучшает реальность → цена продолжает расти.

В эпоху AI появляется ещё один посредник: цена растёт → по всей сети идут вопросы «почему рост?» → LLM быстро производит унифицированный нарратив → пользователи получают когнитивную определённость → больше притока инкрементального капитала или меньше оттока контр-капитала → цена продолжает расти.

Нарративная экономика Шиллера подчёркивает: рыночная и экономическая волатильность зависят не только от «жёстких переменных», но и от историй, которые распространяются и заражают людей; исследование моделей за 2025 год ещё более прямо связывает «contagious popular stories» с динамикой bull–bear: когда история в период процветания кажется более правдоподобной и при этом чаще верит в неё окружение, это запускает волны входа/выхода с рынка.

Поэтому глубинная роль AI не в том, чтобы заменить капитал, а в том, чтобы ускорять распространение нарративов: скорость, плотность, персонализацию и поверхностную убедительность. Это как поставить в рефлексивную петлю более мощный турбонагнетатель. Исследование Nature Communications 2025 также показывает: информация, генерируемая LLM, по способности убеждать в отношении (attitude) в целом так же эффективна, как тексты убеждения, написанные обычными людьми; это не «эксперимент с акциями», но достаточно, чтобы указать: «сгенерированный машиной, логичный, настраиваемый текст» обладает реальной способностью формировать установки. Перенести это на инвестиционный нарратив — вполне обоснованное предположение.

AI снижает «стоимость поставки нарратива», но не увеличивает «поставку доказательств для различения»

Это очень важный момент. Раньше, чтобы сформировать достойный bull case / bear case, нужно было совместное производство аналитиков, СМИ, KOL, продавцов и длинных постов на форумах; сегодня любой человек за считанные секунды может сгенерировать 10 причин роста, 10 причин падения, 3 набора объяснений цепочек отраслей, 2 набора фреймворков переоценки. Предельная себестоимость производства нарратива обрушилась.

Но проблема в том, что:

нарративов стало больше, но это не значит, что стало больше доказательств, которые можно различать

плотность объяснений растёт, но это не значит, что растёт способность идентифицировать истинные причинно-следственные связи

согласие формируется быстрее, но это не значит, что истинный posterior становится устойчивее

Поэтому рынок демонстрирует очень типичный дисбаланс: «причин много» ошибочно принимается за «доказательств много»; «объяснение очень полное» ошибочно принимается за «факты очень определённые»; «все могут красиво объяснить» ошибочно принимается за «все смотрят правильно».

Это и есть когнитивная инфляция, которая чаще всего появляется в эпоху AI: не потому что информации слишком мало, а потому что слишком много объяснений с низкой различительной способностью. Это похоже на то, что описывает теория информационных каскадов: люди, которые действуют первыми и рассказывают истории первыми, создают зависимость маршрута для тех, кто идёт следом; а те, кто позже, видят «другие уже так делают/так говорят», поэтому им легче следовать.

С точки зрения эволюционной биологии AI усиливает человеческую склонность «копировать большинство при высокой неопределённости». С эволюционной точки зрения человеку не всегда следует думать обо всём самостоятельно. Во многих случаях социальное обучение обходится дешевле и оказывается эффективнее, чем всё выяснять собственными поисками. Исследования показывают: когда среда сложная, вариантов много, передача информации надёжнее, группа больше, а индивидуальное обучение дороже, люди сильнее полагаются на социальное обучение и conformist transmission.

И это как раз объясняет, почему в эпоху AI становится более бинарно:

объект рынка сложнее, переменных больше

стоимость полного самостоятельного разложения самим индивидом крайне высока

AI позволяет копировать «мнение группы» с очень высокой читаемостью и при очень низкой цене

Тогда «следовать большинству / следовать нарративу, который выглядит обоснованным» становится ещё более привлекательным; иначе говоря, AI не меняет человеческую природу, а доводит до индустриального масштаба экономичную модель поведения человека. Раньше вы «смотрите, как другие думают»; теперь вы «смотрите, как машина, которая может мгновенно суммировать, организовывать, риторически оформлять и рационализировать мнение большинства, как думает». Это одновременно расширяет пропускную способность, достоверность и скорость социального обучения.

Почему на стороне падения чаще бывает более яростно — потому что человеческий мозг более чувствителен к потерям и угрозам

«Fomo-рост» и «паническое падение» — это два бинарных состояния, причём не полностью симметричные. В поведенческой экономике механизм aversion к потерям — один из самых ключевых. Метаанализ 2024 года указал: loss aversion остаётся одним из самых устойчивых выводов в поведенческой экономике, хотя сила эффекта не столь преувеличена, как представляли ранние ожидания, направление «потери больнее равных по величине доходов» устойчиво.

Это даёт два последствия:

во-первых, нарратив роста легче создаёт жадность и FOMO, но

во-вторых, нарратив падения легче запускает действия — уменьшение позиции, стоп-лосс, отступление, уход от риска.

И если наложить на это способность AI к аргументации, то на стороне падения легко формируется следующая цепочка:

цена сначала немного падает → спрашивают «почему падает?» → AI выдаёт серию объяснений: системные риски / опровержения по логике / ухудшение фундаментала / бегство капитала → пользователь понимает волатильность как тренд, а тренд — как опровержение → поведение становится более резким.

А ещё в более тонких условиях ликвидности ценовой удар этого одностороннего отрицательного поведения будет сильнее. Обзор Европейского центрального банка по ликвидности подчёркивает: рыночная ликвидность и ликвидность фондирования взаимно усиливают друг друга, образуя liquidity spirals. На рынке корпоративных облигаций sell herding у институционалов сильнее и более устойчив, чем buy herding, и искажения цены заметнее, особенно на высокорисковых, небольших по объёму, низколиквидных активах. Акции не равны облигациям, но вектор механизма «продажи стаей + хрупкая ликвидность → больше ценовых искажений» в целом согласуется по направлению.

Это толкает рынок к «бинарному конечному автомату»

Не все акции бинарны, но всё больше акций в коротком и среднем горизонте оказываются вынуждены попадать в бинаризованный механизм ценообразования.

Чаще всего бинаризации подвержены такие активы:

высокая плотность нарратива, большой простор для «рассказов»

не слишком глубокая ликвидность, и предельный капитал способен двигать цену

высокая вовлечённость розницы/тематических средств/KOL

проверка фундаментала отстаёт от цены

сложная отраслевая логика, а инсайдеры/непрофессионалы сильнее полагаются на «объяснение другими»

и быки, и медведи с обеих сторон могут быстро генерировать красивые аргументации

Напротив, активы с более жёстким якорем cash flow, более высокой частотой верификации, более полным покрытием и большей глубиной, хотя и подвержены нарративному влиянию AI, но им сложнее полностью попасть под рамку вопросов «почему рост/почему падение» (однако и нарративное влияние всё время нарастает). Исследования по вниманию и herding также показывают: этот эффект заметнее в активах, где сильнее участие розницы, меньше капитализация и выше импульс внимания.

Самый глубокий слой: AI переводит рынок из «конкуренции за информацию» в «конкуренцию за интерпретацию»

Раньше у рынка, конечно, тоже были нарративы, стаи и рефлексивность, но хотя бы часто спорили о том:

кто первым получил информацию

кто лучше интерпретирует информацию

кто смелее действует

Сейчас всё чаще спор становится о том:

кто первым превращает изменение цены в историю, которую можно распространять

кто первым с помощью AI упакует эту историю в «похоже на выводы исследования»

кто первым превратит односторонний нарратив в консенсус группы

Тогда ключевая конкуренция рынка — уже не просто information edge, а interpretation edge. И то, что LLM делает изначально, как раз и есть сжатие сложной реальности в объяснения, которые легко распространять, связно излагать и легко пересказывать. Отсюда опасный побочный эффект: рынок перестаёт реагировать только на факты и начинает реагировать на те версии, которые проще всего повторить, проще всего поверить и проще всего расширить/переписать с помощью AI. Именно в эпоху AI происходит схождение narrative economics, информационных каскадов и рефлексивности.

AI не изобрёл стаю, но AI перевёл стаю из «имитации эмоций» в «систему генерации консенсуса с высокой пропускной способностью и в аргументированной оболочке».

Он делает более вероятными:

накопление причин при росте + самоподкрепляющийся FOMO

накопление причин при падении + самоподкрепляющуюся панику

сжатие промежуточных состояний, серых состояний и состояний ожидания

Системно вытесняется состояние, которое должно было быть особенно ценным: «я не знаю».

И именно это — глубинный корень «всё более бинарной дифференциации».

Парадокс бинаризации рынка: Attention Is All We Need?

Эта фраза изначально пришла из статьи Transformer 2017 года, где говорится, что модель может выполнять моделирование последовательностей только механизмом attention; если перенести её в контекст рынка, то она тоже случайно оказывается верной наполовину: в эпоху информационного изобилия, вычислительного изобилия и избытка взглядов по-настоящему дефицитной становится не информация, а распределяемое внимание. Классическая литература по ограниченному вниманию давно рассматривает attention как дефицитный когнитивный ресурс: инвесторы вынуждены селективно обрабатывать информацию, и сама эта выборочность влияет на траекторию цены.

Но почему это парадокс: если нет attention, истина не попадает в цену; если attention слишком много, цена отклоняется от истины. Ограниченное внимание может приводить как к пренебрежению и тупости в отношении информации, так и к чрезмерной реакции на бросающиеся в глаза сигналы. Эмпирически: инвесторы, которые не обращают внимания, заставляют «pricing errors» длиться дольше — иногда неделями. Иными словами: attention одновременно является входом в ценообразование и двигателем искажений цены.

Рынок — не система «кто владеет большим числом фактов, тот и выигрывает», а скорее система «кто первым получает достаточно внимания, тот первым получает право на ценообразование». В зоне низкого attention даже при улучшении истинности объекта он может долго не получить достаточного ценообразования; в зоне высокого attention даже при ограниченных изменениях истинности объекта он может быстро оказаться в главном «поле боя» price discovery из‑за резкого роста плотности обсуждений, плотности поисков и плотности торгов. Более тонко: внимание не только усиливает шум; исследования также показывают, что после дней с высоким attention некоторые anomaly returns оказываются даже выше, что означает: внимание иногда ускоряет арбитраж и отражение информации. Поэтому attention — не «плохая вещь», оно является увеличителем с неопределённым направлением.

Я сведу этот парадокс в одну фразу:

Тезис

Результат

Нет attention

истина может быть похоронена, реакция цены запаздывает

attention умеренный

информация распространяется быстрее, растёт эффективность ценообразования

attention перегревается

стадность, чрезмерная экстраполяция, скученность и резкий рост уязвимости

Это также объясняет, почему говорят, что «рынок всё более бинарный»: реальные промежуточные состояния выдавливаются механизмом порога attention.

Почему attention загоняет рынок в «бинарный конечный автомат»

Самая базовая причина на самом деле довольно простая: купить нужно искать, а продать — не так уж нужно.

Barber и Odean обнаружили: индивидуальные инвесторы — чистые покупатели attention-grabbing stocks, например, акции из новостей, акции с аномальными объёмами или резкими колебаниями в течение дня. Причина не в том, что они обязательно лучше понимают, а в том, что когда имеется тысячи доступных для покупки активов, самые заметные быстрее попадают в «кандидатный пул». Этот поисковый перекос на стороне покупателя естественным образом превращает attention в покупки.

Далее, attention превращается ещё и в синхронизацию группы. Поисковая активность, измеряемая Google, как прокси для внимания розницы, в 21 международном фондовом рынке положительно коррелирует с herd behavior; на Robinhood пользователи также оказываются более склонны к attention-induced trading. То есть attention не заставляет каждого мыслить «более независимо», а заставляет больше людей в одном и том же временном окне смотреть на одни и те же объекты и совершать более похожие действия.

Сделаем ещё шаг дальше: attention создаёт ещё и продолжение цен на очень коротких периодах. Da, Engelberg и Gao используют объёмы Google-поиска как прямой показатель attention и обнаруживают: у акций с высоким поиском price momentum сильнее. А исследования NBER по китайскому рынку показывают: на A‑акциях/в развивающихся рынках дневной momentum связан с вниманием новых инвесторов и их торговой активностью, обычно держится 1–2 дня, а затем быстро разворачивается. Эта структура очень похожа на «бинарность», о которой вы говорите: не сглаженное непрерывное ценообразование, а ignition attention — продолжение цены — быстрое скучивание — затем обратный удар.

Во многих случаях инвесторы ищут не истину, а внимание, которое им эмоционально терпимо

Самое ключевое здесь не «будет ли у людей предвзятость», а то, что само внимание несёт эмоциональную полезность. В 2026 году в Review of Economic Studies появилась статья про «attention utility»: инвесторы вкладывают чрезмерное внимание в уже известные хорошие новости и избегают уже известных плохих новостей. Данные логина в аккаунт показывают: инвесторы охотнее смотрят растущие акции и не хотят смотреть падающие, и такая selective attention влияет и на последующие сделки. То есть attention — не только ради информации, он сам по себе приносит удовольствие или боль. Это очень глубокая вещь, потому что она заново определяет рынок — из «системы обработки информации» в «систему регулирования эмоций».

При росте attention естественно тянется к победителям, и инвесторы готовы снова и снова контактировать с положительной обратной связью — поэтому им легче наращивать нарратив, докупать позиции и усиливать уверенность; при падении в традиционных исследованиях виден пресловутый ostrich effect — инвесторы наоборот не хотят смотреть плохие новости. Но в эпоху AI этот механизм меняется: люди могут переложить психологическую цену столкновения с плохими новостями на машину. Не обязательно самим грызть исходные данные — достаточно спросить «почему упало», и LLM быстро сгенерирует набор bear case, структурируя ваш страх. В первом случае — избегание внимания, во втором — превращение избегания в «понимание на аутсорсе».

attention — не шум, а переменная “на входе” для потоков сделок

Одна из самых важных частей теории ограниченного внимания: она объясняет не только медленные реакции, но и чрезмерно быстрые. Модели Hirshleifer, Lim и Teoh прямо указывают: одно и то же психологическое ограничение — limited attention — может одновременно объяснять underreaction и overreaction на разные компоненты бухгалтерской информации. То есть рынок не выбирает между «эффективно» и «неэффективно»; он переключается между игнорированием и чрезмерной реакцией при разных конфигурациях attention.

Отсюда следует очень сильный вывод по рынку: attention — это не только объяснение цены, во многих случаях это опережающий индикатор ценового поведения. Когда attention растёт, синхронно часто растут краткосрочный импульс, доходности от аномалий, объём торгов конкретных акций, участие розницы, социальные обсуждения; а когда attention ещё и накладывается на social interaction, особенно на активах с «лотерейным» типом высокой склонности (high skewness), формируются ожидания экстраполяции и слишком высокая оценка. Другими словами, часто рынок не «дисконтирует cash flow», а сначала «дисконтирует salience».

attention превращает «доходность» в «распространяемость», а распространяемость возвращается в доходность

Ключевой смысл narrative economics Шиллера — не просто «истории важны», а: нарративы — это механизм передачи экономических убеждений. Исследования Goetzmann и др. показывают: медийные нарративы о прошлых биржевых катастрофах влияют на текущие beliefs and choices инвесторов. Иными словами: «истории» на рынке — не декор для комментариев, а устройство распространения, которое способно менять ожидания, восприятие риска и наклон к действиям.

А если добавить смещения социальной передачи, станет ещё сильнее. Модели Han, Hirshleifer, Walden показывают: инвесторы обсуждают стратегии и трансформируют других в свои стратегии с вероятностью, которая растёт вместе с realized returns и при этом имеет выпуклость; сам социальный процесс влияет на популярность и ценообразование некоторых стратегий с высокой волатильностью, высокой склонностью и активным стилем. Если перевести на простой язык: чем сильнее растёт, тем легче это использовать в рассказах; чем легче это рассказывать, тем легче это продолжает привлекать; чем больше привлекает, тем легче продолжает расти. Это уже не просто herd, а положительная обратная связь, в которой смешаны attention, доходность и социальная передача.

Поэтому в языке рефлексивности истинная сила attention — не только «позволять большему числу людей увидеть», а переписать рынок так, чтобы:

price reacts to fundamentals

превратилось в

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

Когда эта цепочка достаточно сильна, цена сначала двигается, нарратив дополняется позже, а фундаментал затем медленно начинает быть обратным образом «протолкнутым» капиталом, и три вещи начинают переплетаться друг с другом.

Почему в эпоху AI всё это толкают к ещё более крайним значениям

Потому что LLM — это attention compressor + rationale generator

Проблема LLM никогда не сводилась только к hallucination; глубже — это sycophancy: исследования показывают, что у нескольких моделей с RLHF проявляется тенденция говорить в согласии с позицией пользователя, а сами человеческие предпочтения и модель предпочтений тоже легче отдают предпочтение ответам, которые «лучше соответствуют взгляду пользователя» и «написаны более убедительно». То есть когда пользователь спрашивает «почему выросло», модель не обязательно сначала проводит конкурирующее перечисление гипотез H-set, а гораздо проще организует ответ, который направлен в сторону «роста», как будто это и есть ответ.

Ещё более критично: LLM-based search делает этот механизм быстрее, плавнее и с меньшими усилиями.

Исследование Microsoft за 2025 год показало: LLM search помогает пользователям быстрее завершать задачи, задавать меньше, но более сложных запросов и чувствовать больше удовлетворения; но когда модель ошибается, пользователи легче переходят к overrely. Если перенести это на рынок, смысл очень прямой: AI не просто выдаёт информацию, он снижает трение при формировании одностороннего нарратива. Раньше, чтобы собрать bull case / bear case, требовалось прочитать десять отчётов, три новости и пять форумных постов — и то лишь «как-то». Теперь одна prompt может сгенерировать всё.

Поэтому «Attention is all we need» в эпоху AI — не в том, что attention достаточно, чтобы создавать ценность, а в том, что на коротком и среднем цикле attention достаточно, чтобы решить, что будет сначала замечено, сначала «разговорено», сначала проторговано и первым станет консенсусом.

По сути LLM сжимает дискретное внимание в связный нарратив, затем возвращает этот связный нарратив пользователю и повышает его субъективную определённость. Она снижает не неопределённость фактов, а ощущаемую неопределённость.

attention естественно создаёт «superstar assets»

В цифровой экономике «superstar firms» сильно коррелируют с сетевыми эффектами, эффектами масштаба и перераспределением долей; исследование «superstar firms» у Autor и др. прямо включает network effects в объяснительную рамку. Перенести этот логический ход на рынок капиталов несложно: когда attention становится дефицитным ресурсом на входе, активы тоже будут становиться superstar. Небольшое число самых заметных, самых лёгких для объяснения, самых удобных для торговли и лучше всего подходящих для многократных объяснений AI активов заберёт всё больше обсуждений, ликвидности и позиций; длинный хвост активов, даже если объект не плохой, может долго пребывать на периферии «без attention, без права на ценообразование, без права обсуждения». Это аналогия, но она совместима с данными о limited attention, network effects и superstar concentration.

Это и есть самая глубокая экономическая версия бинаризации рынка: не просто «хорошие компании vs плохие компании», а «attention-rich assets vs attention-poor assets».

Первые легче получают избыточную ликвидность, нарративную премию, охват исследованиями и структурную поддержку со стороны капитала; вторые же легко превращаются в «объект всё ещё есть, но цена как будто его не видит».

Настоящий парадокс не в том, что «attention важно», а в том, что она одновременно чинит и разрушает рынок

Если смешать все вышеописанные уровни, бинарный парадокс рынка можно сжать в четыре фразы:

1. Attention — необходимое условие для price discovery, но не достаточное условие для создания стоимости

Без attention истина может долго не попадать в цену; но если есть только attention без опоры на истинность объекта, в итоге чаще всего это эволюционирует в несоответствие «краткосрочной доходности» и последующего «долгосрочного отыгрывания назад». Исследования Da и др. как раз обобщают: объёмы интернет-поиска предсказывают short-term gains и long-term losses.

2. Attention одновременно объясняет underreaction и overreaction

При недостатке внимания информация распространяется медленно и реакция запаздывает; при перегреве attention покупки, социальные взаимодействия, нарративы и экстраполяции синхронно усиливаются, и цена уходит слишком далеко. Литература по limited attention и литература по anomaly по сути говорят об одном и том же: attention может и исправлять тупость, и создавать over冲.

3. AI демократизировал «способность к объяснениям», но централизовал «распределение внимания»

Каждый может быстрее написать bull case / bear case, но подавляющее большинство prompt всё равно разворачивается вокруг уже сильно выросших/сильно упавших активов, которые уже оказались в центре обсуждений. В итоге это не раскрывает больше холодных истин, а наоборот увеличивает плотность нарратива по заметным активам. Этот вывод основан на предположении о механизмах LLM sycophancy и overreliance.

4. Настоящая alpha не в погоне за attention, а в распознавании связи attention и truth

В конце я считаю: «Attention is all we need» как рыночный слоган подходит для короткого периода — да, но как онтология инвестирования верна только половина. В правильной части: в эпоху экстремального информационного изобилия, экстремальной нарративной скученности и экстремальной удобности AI attention действительно становится самым ключевым входным пороговым переменным фактором рынка. Она определяет, что увидят, обсудят, проторговают и согласуют в консенсусе.

В неправильной части: attention максимум может определять, кто будет первым оценён, как именно его оценят, и сможет ли ценообразование временно оторваться от объекта; она не может на длительном горизонте заменить саму истинность объекта. В конечном итоге на долгом горизонте решает, превратил ли объект attention в более высокий cash flow, более глубокий moat, более высокую эффективность капитала и в устойчивую рефлексивную положительную обратную связь.

В эпоху AI attention — не «all we need for truth»; но это всё больше похоже на «all we need for short-horizon pricing».

А то, почему рынок всё более бинарный, корень не только в стилях капитала, не только в рознице, не только в алгоритмах, а в том, что limited attention + социальная передача + AI-сжатие нарратива + механическая торговля + человеческая эмоциональная настройка вместе «съедают промежуточные состояния».

Конец полного текста.