CFA协会：2026算法市场假说：AI 时代资本市场信息效率研究报告（

核心观点

• LLM 对信息不对称的影响：LLM 通过快速分析复杂文档、民主化金融专业知识以及降低会议前准备和比较分析的成本，实质性地压缩了信息不对称。然而，这种压缩是不完全和不均衡的，LLM 无法消除基于专有信息、特权访问或经验知识的结构性优势，可能导致信息景观的分层，某些不对称性被压缩，而另一些则被保留甚至可能被放大。
• AI 驱动的交易和因素动态：在 AI 主导的市场中，传统因素模型失效，因为因素本身成为 AI 交易活动的内生变量。形成了一个自我强化的反馈循环：AI 模型使用因素收益来预测股票收益，基于这些预测的 AI 交易产生因素收益，这些收益反馈到 AI 模型，并循环放大。
• 市场与经济基本面脱钩的风险：AI 驱动的市场可能最终导致元模型的出现，这些模型纯粹基于 AI 行为模式预测收益，从而与经济基本面完全脱钩。在这种情况下，股票价格将由“人工大脑”的集体心理决定，而不是由基本面商业指标决定，投资分析将从研究公司转变为逆向工程竞争 AI 系统的学习表示和决策边界。
• AI 使效率变得脆弱：AI 并没有通过使市场完全有效来解决 Grossman–Stiglitz 悖论，而是使效率变得高度依赖、脆弱和自我颠覆。加速向相似基础模型的收敛正在培养 AI 单一文化，侵蚀了曾经提供流动性和允许知情者获利的高度异质性。需要采取实际措施，包括相关性惩罚集成、反射性压力测试和对抗性验证协议。

关键数据和研究结论

• 信息处理成本的降低：LLM 极大地降低了信息处理成本，理论上应提高市场效率。然而，这导致了数据挖掘的激增，并可能加剧市场效率低下，因为大量数据和算法交互创造了新的误解和虚假关联的机会。
• 虚假阳性问题：数据挖掘的兴起导致了虚假阳性的激增，这些虚假阳性可能随后在市场上传播，导致暂时性的价格扭曲，并最终导致市场效率低下。
• 算法市场假说 (AMH)：AMH 认为，当前价格反映了占主导地位的算法对信息的解释。不同的 AI 架构处理根本不同的信息集，从而在估值中创造系统性差异，即使所有参与者都能获得相同的数据。
• 时间序列模型和 NLP 模型的动态差异：时间序列模型展示了检测价格数据中统计模式、自相关和格局变化的非凡能力，可能导致微观秒级的效率，但也会产生新的不效率。NLP 模型通过处理新闻、收益电话、社交媒体和非结构化数据来预测价格变动，从而创造了一种根本不同的市场动态，但也带来了新的脆弱性。
• 元模型和与经济基本面脱钩：AI 驱动的市场的演变可能导致元模型的出现，这些模型纯粹基于 AI 行为模式预测收益，从而与经济基本面完全脱钩。在这种情况下，股票价格将由“人工大脑”的集体心理决定，而不是由基本面商业指标决定，投资分析将从研究公司转变为逆向工程竞争 AI 系统的学习表示和决策边界。
• 算法单一文化和反制措施：随着信息处理成本的暴跌，稀缺资源从原始计算转向差异化的认识论。然而，监管和行业证据表明，领先的机构投资者越来越多地依赖相似的 AI 基础模型，导致 AI 单一文化。这明确侵蚀了曾经解决 Grossman–Stiglitz 悖论的高度异质性，即存在独特的“噪音交易者” whose 不完善、多样化的信念提供了流动性和允许知情者获利。为了对抗这些发展，需要采取实际措施，包括相关性惩罚集成、对抗性验证协议等。