使用人工智能（AI）进行投资管理的优势显而易见：处理速度更快、信息覆盖面更广、研究成本更低。但有一个日益增长的认识盲点，投资专业人士不应忽视。
大型语言模型（LLMs）越来越多地影响着投资组合经理、分析师、研究人员、量化分析师，甚至首席投资官如何总结信息、产生想法以及制定交易决策。然而，这些工具学习的数据来自同一个高度偏斜的金融信息生态系统。那些吸引更多媒体关注、分析师关注、交易量和网络讨论的股票主导着 AI 训练所依赖的数据。
因此，LLMs 可能会系统性地偏爱那些规模大、知名度高的公司，因为它们在股票市场上的流动性高，但这并非因为基本面支撑，而是因为注意力机制。这为现代投资引入了一种新的、尚未被充分认识的行为偏差来源：即嵌入在技术本身中的偏差。
AI 预测：我们自身偏见的镜像
LLMs 通过文本收集信息并学习：新闻文章、分析师评论、网络讨论以及财务报告。但金融世界在股票上的文本生成并非均匀分布。有些公司被持续不断地讨论，从多个角度、由众多声音进行，而另一些公司则偶尔被提及。大型公司主导分析师报告和媒体覆盖，而科技公司则占据头条新闻。交易量大的股票会引发持续的评论，而模因股票则会吸引社交媒体的高度关注。当 AI 模型从这种环境中学习时，它们会吸收覆盖和讨论中的不对称性，这些不对称性随后可能会反映在预测和投资建议中。
近期研究表明确实如此。当被要求预测股票价格或发布买入/持有/卖出建议时，LLMs 在其输出中表现出系统性的偏好，包括与公司规模和行业敞口相关的潜在偏见（Choi 等人，2025 年）。对于将 AI 作为交易决策输入的投资者来说，这创造了一种微妙但真实的风险：投资组合可能无意中倾向于已经拥挤的领域。
确实，Aghbabali、Chung 和 Huh（2025 年）发现证据表明这种拥挤已经开始：在 ChatGPT 发布后，投资者越来越多地朝同一方向交易，这表明 AI 辅助解读正在推动观点趋同而非观点多样化。
可能隐藏在您 AI 工具中的四种偏见
其他近期研究记录了基于 LLM 的金融分析中的系统性偏见，包括跨境预测中的外国偏见（Cao、Wang 和 Xiang，2025 年），以及投资建议中的行业和规模偏见（Choi、Lopez-Lira 和 Lee，2025 年）。基于这一新兴文献，对投资从业者特别相关的四个潜在渠道：
1. 规模偏差： 大型公司获得更多分析师覆盖和媒体关注，因此 LLMs 拥有更多关于它们的文本信息，这可以转化为更自信且通常更乐观的预测。相比之下，小型公司可能因为训练数据中信息较少而被保守对待。
2. 行业偏差： 科技和金融股票主导商业新闻和在线讨论。如果 AI 模型内化了这种乐观情绪，它们可能会系统性地为这些行业分配更高的预期回报或更有利的市场建议，而不管估值或周期风险如何。
3. 交易量偏差： 高流动性股票产生更多交易评论、新闻流和价格讨论。AI 模型可能隐含地偏爱这些股票，因为它们在训练数据中出现的频率更高。
4. 注意力偏差： 在社交媒体上表现强劲或搜索活动频繁的股票往往容易吸引不成比例的投资者关注。基于互联网内容训练的 AI 模型可能会继承这种炒作效应，强化流行度而非基本面。
这些偏见很重要，因为它们会扭曲想法产生和风险配置。如果人工智能工具过分重视熟悉的名字，投资者可能会在不知不觉中减少多元化，并忽视研究不足的机会。
这如何在实际投资流程中体现
许多专业人士已经将 AI 整合到日常工作中。模型总结申报文件，提取关键指标，比较同行，并提出初步建议。这些效率非常有价值。但如果 AI 持续强调大型、高流动性或热门股票，投资组合可能会逐渐倾向于拥挤的板块，而没有人有意识地做出这种选择。
考虑一家市值较小、利润率改善且分析师关注度较低的行业公司。一个基于稀疏网络讨论训练的 AI 工具，可能在不佳的基本面情况下生成谨慎的语言或较弱的推荐。与此同时，一家备受关注、媒体曝光率高的科技股，即使估值风险上升，也可能持续受到乐观的报道。随着时间的推移，由这种输出塑造的观点管道可能会使机会集变窄，而不是拓宽。
相关证据表明，AI 生成的投资建议可能通过增持主导行业和热门资产来增加投资组合集中度和风险（Winder 等人，2024 年）。表面上看似乎有效，但可能暗中放大羊群行为。
准确性只是故事的一半
关于金融领域中的人工智能，讨论往往集中在模型能否准确预测价格上。但偏见带来了不同的关注点。即使平均预测准确度看似合理，错误也可能在股票的横截面中分布不均。
如果人工智能系统性地低估了规模较小或关注度低的公司，它可能会持续错失潜在的超额收益。如果它高估了高关注度公司，它可能会加剧拥挤交易或动量陷阱。
风险并不仅仅在于 AI 做出错误的预测。风险在于它以可预测且集中的方式做出错误预测——这恰恰是专业投资者试图管理的风险敞口类型。
随着 AI 工具逐渐接近一线决策，这种分布风险变得日益重要。那些在潜移默化中编码了注意力偏见的筛选模型，可能在人类判断介入之前就塑造了投资组合的构建。
从业者如何应对
如果谨慎使用，AI 工具可以显著提高生产力和分析广度。关键在于将它们视为输入而非权威。AI 的最佳作用是作为起点——提出想法、组织信息、加速常规任务——而最终判断、估值纪律和风险管理仍然牢牢掌握在人类手中。
在实践中，这意味着不仅要关注 AI 产生的内容，还要关注其输出中的模式。如果 AI 生成的想法反复聚集在大盘股、主导行业或高知名度股票周围，这种聚集本身可能是一个嵌入性偏见的信号，而不是机会。
定期对 AI 输出进行压力测试，通过扩展屏幕至覆盖不足的公司、较少关注的行业或关注度较低的板块，有助于确保效率提升不会以牺牲多元化或差异化洞察力为代价。
真正的优势将不属于最积极地使用 AI 的投资从业者，而是属于那些理解其信念是如何形成的，以及它们反映的是注意力而非经济现实的人。
所有文章均为作者观点。因此，不应将其解释为投资建议，且所表达的观点不一定反映 CFA Institute 或作者雇主的看法。
韭菜热线原创版权所有，发布者：风生水起，转载请注明出处：https://www.9crx.com/97317.html
