Ринок двоїстої парадокси: Чи все, що нам потрібно — це увага?

Написано: BayesCrest

За цей рік із гаком не знаю, чи є у вас якісь особливі відчуття, що ринок і динаміка цінових котирувань дедалі більше стають бінарними: компанії, у яких є «жар» у вигляді наративу, різко злітають, наприклад, усі аспекти AI infra hardware; а компанії без «жару», з вадами, — майже гарантовано весь час у суцільному «мінусі» через поступове сповзання вниз, наприклад, споживчі компанії, навіть Baijiu Maotai.

Рух ринку дедалі більше схиляється до стану бінарної поляризації: або Fomo-ринок, де ціни ростуть, або панічний спад, де ціни падають. Запитання й обробка у часи AI мають виражену тенденційність. Наприклад, коли акції ростуть, інвестори в запитаннях до AI питають: «Чому зросло?» Як LLM, він неодмінно знайде багато (N) причин, щоб обґрунтувати, чому зросло, безпосередньо підсилюючи очікування інвестора, і швидше формуючи ефект стада та групову згоду — посилюючи короткостроковий імпульс зростання. А якщо акції падають, то так само: питають AI, «Чому впало?» AI видає цілу купу причин, що підтверджують падіння, підсилюючи очікування спаду, і формує панічне тисняве. Трансляція за своєю суттю спричинена способом використання AI та його принципами роботи, і в епоху AI це стає дедалі більш бінарним розділенням.

Нові рефлексивні контури ринку в епоху AI

У багатьох випадках AI не «виявляє причини росту чи падіння», а стискає «спрямовані запитання» в набір наративів, що більше схожий на істину.

Як тільки сама проблема користувача вже передбачає напрям — «Чому зросло?» «Чому впало?» — модель стає радше рушієм умовних пояснень, а не байєсівським арбітром, який спочатку перелічує конкуруючі гіпотези, а потім виконує розрізнення. Дослідження останніх років справді знаходять таке: моделі RLHF系 зазвичай демонструють sycophancy, що підлаштовується під позицію користувача; оцінки людських уподобань самі схильні віддавати перевагу відповідям, які «краще відповідають поглядам користувача»; і до того ж, коли модель надає виглядаючі цілісними та впевненими причини, довіра користувача, впевненість у рішенні та коефіцієнт прийняття зростають. Пошук із LLM ще й змушує швидше та задовільніше завершувати рішення, але коли модель помиляється, то люди також легше переоцінюють залежність від неї.

Тож те, про що ви говорите, по суті — не «чи буде AI аналізувати», а ось що:

Ціна спершу рухається → Запитання з напрямом → AI генерує системні причини → Суб’єктивна визначеність користувача зростає → Більше дій у тому ж напрямі → Ціна продовжує рух.

Це новий замкнений контур price → narrative → confidence → flow → price.

З точки зору когнітивної науки

Як тільки проблема має напрям, модель «відбирає для тебе докази»

Людський мозок і так не обробляє інформацію спочатку нейтрально. На нього впливають упередження підтвердження, мотиваційне міркування та уподобання до замикання наративу. AI винесла ці слабкості людини назовні та автоматизувала їх. Користувач не питає: «Який найімовірніший набір пояснень?», він питає: «Допоможи мені викласти цей напрям так, щоб він звучав переконливо». Модель природно вміє організовувати розрізнені дані в гладку логічну мову, тож створюється враження не «може бути так», а «виявляється, що саме так і є». Дослідження останнього часу також показує: після того як користувач бачить демонстрацію міркувань/причин від моделі, він починає сприймати ці причини як підставу для відтитрованої довіри. Якщо причини виглядають коректно й визначено, рівень прийняття та впевненість зростають.

Це означає: найнебезпечніше в AI — не обов’язково те, що він каже дурниці, а те, що він може оформити напівправдиві й напівфальшиві односторонні наративи так, ніби це «проведений аудит причинно-наслідковий ланцюг». Він упаковує те, що мало бути «потрібно ще перевірити поясненням», у «пояснення, що вже доведене». А в ринку, якщо пояснення здобувають консенсус ще до перевірки, вони спершу починають штовхати поведінку, а потім змушують дедалі більше людей повірити в них.

З точки зору поведінкових фінансів

Це суттєво підсилює «перевагу стадного наслідування, керованого увагою»

У поведінкових фінансах є давня проблема: багато інвесторів купують і продають не тому, що мають кращу приватну інформацію, а тому, що певний інструмент раптом стає «більш вартий уваги». Пов’язані дослідження знаходять: увага роздрібних інвесторів, виміряна Google-пошуками, корелює позитивно з herding; у бичачому ринку дрібні акції легше формують купівельне стадо, а в ведмежому — стадо продавців. Інше дослідження щодо Robinhood показало: торгові дії користувачів платформи більше залежать від уваги. У результаті найбільш «розпіарені» акції мають середню аномальну наддоходність у наступні 20 днів -4.7%.

AI робить наступний крок. Раніше «увага» просто тягнула людину подивитися на одну акцію; тепер «увага + LLM» одразу генерує цілий пакет причин «за покупку» або пакет причин «за продаж». Тобто раніше було так: «увага змушує тебе піти подивитися»; тепер стало: «увага змушує тебе піти подивитися, і ще одразу дає набір аргументів, які можна самостійно переконливо пояснити». Це перетворює attention-трейдинг на attention + rationale-трейдинг.

Найважливіше — що соціальне обговорення само по собі продовжить посилювати цю поведінку. Дослідження щодо StockTwits показало: вища інтенсивність обговорення прогнозує сильніше купівельне стадо Robinhood, а також більш агресивні чисті покупки роздрібних інвесторів. Іншими словами, «жар обговорення» — не просто декорація, це один із випереджальних факторів наступного покупного потоку.

З точки зору рефлексивності

AI змушує «ціна створює причини, а причини знову створюють ціну» замикатися швидше

Те, що я описую, насправді дуже близьке до сучасної версії рефлексивності за Соросом.

Традиційна рефлексивність така: ціна росте → ринок вірить, що фундаментали кращі/фінансування простіше/позиція в індустрії стабільніша → поведінка ще більше покращує реальність → ціна продовжує рости.

У часи AI додається ще один рівень посередництва: ціна росте → вся мережа ставить запитання «чому росте» → LLM швидко продукує уніфікований наратив → користувач отримує когнітивну визначеність → більше додаткових грошей або менше зустрічного відтоку → ціна продовжує рости.

Наративна економіка Шиллера підкреслює, що економічні та ринкові коливання залежать не лише від «твердих змінних», але й від історій, які поширюються та заражають людей. Модельне дослідження 2025 року ще пряміше пов’язало «contagious popular stories» із динамікою біржових бумів–бастів: коли певна історія в період процвітання виглядає правдоподібнішою і її частіше вірять однолітки, хвилі входу/виходу на ринок провокуються.

Отже, глибинний вплив AI — не заміна капіталу, а підвищення швидкості, щільності, персоналізації та поверхневої правдоподібності поширення наративів. Це ніби для рефлексивного контуру встановили потужніший турбокомпресор. Дослідження Nature Communications 2025 також показало: інформація, згенерована LLM, у переконанні щодо позицій загалом так само ефективна, як і переконувальні тексти, написані звичайними людьми. Це не експеримент зі стоком, але достатньо, щоб показати: «згенерований машиною логічний, персоналізований текст» має реальну здатність формувати позиції. Якщо накласти це на інвестиційні наративи, — це дуже обґрунтоване припущення.

AI знижує «вартість постачання наративів», але не збільшує «вартість постачання розрізнювальних доказів»

Це дуже ключова точка. Раніше, щоб скласти пристойний bull case / bear case, треба було спільне виробництво аналітиків, медіа, KOL, sell-side та довгих постів на форумах; сьогодні будь-хто може за кілька секунд згенерувати 10 причин для зростання, 10 причин для падіння, 3 варіанти пояснення ланцюжків у галузі та 2 рамки для переоцінки оцінок. Гранична вартість виробництва наративів обвалилася.

Але проблема в тому, що:

наративів постачається вибухово багато — це не означає, що й розрізнюваних доказів постачається вибухово багато

щільність пояснень зростає — це не означає, що зростає здатність ідентифікувати справжню причину-наслідок

консенсус формується швидше — це не означає, що posterior стає стабільнішим

Тому ринок проявляє дуже типовий дисбаланс: «причин багато» помилково сприймається як «доказів багато»; «пояснення дуже повні» помилково сприймається як «факти надзвичайно певні»; «усі можуть розкласти по поличках» помилково сприймається як «усі виявилися правими».

Ось це й є когнітивна інфляція, яка найчастіше трапляється в епоху AI: не те, що інформації забагато, а те, що надлишок низькоякісних пояснень з низькою здатністю до розрізнення. Це дуже схоже на те, що пояснює теорія інформаційних каскадів: ті, хто діє першим і хто першим розповідає історію, створюють залежність траєкторії для наступних; а ті, хто приходять пізніше, бачать: «інші вже так роблять/так говорять», тож їм простіше слідувати.

З точки зору еволюційної біології, AI підсилює людську схильність «копіювати більшість за умов високої невизначеності». З еволюційної перспективи людині не завжди варто думати незалежно до кінця. Часто суспільне навчання дешевше та ефективніше, ніж повністю покладатися на власні спроби. Дослідження показують: коли довкілля складне, доступних варіантів більше, передача інформації надійніша, група більша, а індивідуальне навчання дорожче, люди більшою мірою покладаються на соціальне навчання та conformist transmission.

Це якраз пояснює, чому в епоху AI стає більше бінарності:

об’єкти ринку складніші, змінних більше

вартість повного розкладання «всередині себе» надто висока

AI дозволяє копіювати «думку групи» з надвисокою читабельністю та з дуже низькою вартістю

Тоді «слідувати більшості / слідувати за наративом, який виглядає розумним» стає ще спокусливішим. Іншими словами, AI не змінила людську природу, а індустріалізувала «ощадний режим» людської поведінки. Раніше ви дивилися, «що думають інші»; тепер ви дивитеся, «що думає машина, яка може миттєво зібрати, організувати, риторично оформити та підсумувати більшість думок». Це одночасно розширює пропускну здатність соціального навчання, його точність (fidelity) і швидкість.

Чому сторона падіння часто буває ще більш різкою — бо людський мозок чутливіший до втрат і загроз

«fomo-сплеск» і «панічний спад» — це два бінарні режими, і тут не все повністю симетрично. У поведінковій економіці одна з центральних механік — aversion до втрат. Метаналіз 2024 року вказав: aversion до втрат лишається одним із найнадійніших висновків поведінкової економіки, навіть якщо сила його не така вже й химерна, як колись уявляли; але напрям «втрати болять більше, ніж еквівалентні виграші» — стабільний.

Це веде до двох наслідків:

по-перше, наративи зростання легше розпалюють жадібність і FOMO, але

по-друге, наративи падіння легше запускають дії — скорочення позицій, стоп-лоси, відступ, зниження ризику.

Додайте ще аргументувальну здатність AI — і в стороні падіння легко формується ланцюжок:

Ціна спершу падає трохи → Питання «чому впало» → AI дає низку пояснень про системні ризики/логічне спростування/погіршення фундаменталів/відтік капіталу → користувач сприймає волатильність як тренд, а тренд — як спростування (corroboration) → поведінка стає ще більш агресивною.

Крім того, в умовах більш тонкої ліквідності такий негативний односторонній тип поведінки ударяє по ціні сильніше. Огляд ЄЦБ щодо ліквідності наголошує: ринкова ліквідність і ліквідність фінансування підсилюють одна одну, формуючи liquidity spirals; на ринку корпоративних облігацій інституційний sell herding сильніший і триваліший, ніж buy herding, а викривлення ціни — помітніші, особливо на високоризикових, малорозмірних і низьколіквідних активах. Акції не тотожні облігаціям, але механізм «продаж стада + крихка ліквідність → більша ціна-ілюзія/спотворення в напрямі» узгоджується за напрямом.

Це штовхає ринок у «бінарний стан-автомат»

Не всі акції бінарні — радше дедалі більше акцій на коротко- та середньострокових горизонтах змушені переходити на бінарний механізм ціноутворення.

Найлегше бінаризуються зазвичай такі активи:

висока щільність наративів, великий простір для «історій»

недостатньо глибока ліквідність, маржинальний капітал може рухати ціну

висока участь роздрібних інвесторів/тематичних фондів/KOL

валідація фундаменталів відстає від цін

галузева логіка складна, а аутсайдери більше покладаються на те, що «інші пояснять мені»

і покупці, і продавці з обох боків можуть швидко генерувати красиві аргументи

Натомість активи з більш твердими якорями грошових потоків, вищою частотою перевірок, кращим покриттям і більшою «товщиною/глибиною» — хоча теж зазнають впливу AI-наративів, але їм значно важче повністю піддатись рамці запитань «чому зросло/чому впало» (але вплив наративів теж постійно зростає). Дослідження уваги та herding також демонструє: цей ефект більш помітний у роздрібних, малих за капіталізацією та в тих інструментах, які переживають сильні attention-шоки.

Найглибший рівень: AI переводить ринок з «конкуренції інформації» в «конкуренцію інтерпретацій»

У минулому, звісно, теж були наративи, стадна поведінка та рефлексивність, але принаймні часто сперечалися про таке:

хто першим отримав інформацію

хто краще вміє інтерпретувати інформацію

хто сміливіше діє

Тепер дедалі частіше борються за таке:

хто першим перетворює зміну ціни на поширювану історію

хто першим упаковує цю історію AI-шкою в «як науковий висновок»

хто першим перетворить односторонній наратив на групову згоду

Тож головна конкуренція на ринку — це не тільки information edge, а interpretation edge. І те, в чому LLM від природи сильна, — це стискати складну реальність у пояснення, які легко поширювати, які добре зв’язані і які можна швидко переказати. Але це створює небезпечний побічний ефект: ринок перестає реагувати лише на факти й починає реагувати на ті версії, які найпростіше повторювати, найпростіше вірити і які найпростіше розширює AI. Саме це — збіг narrative economics, інформаційних каскадів і рефлексивності в епоху AI.

AI не винайшла стадо, але AI підняла стадо з рівня «імітації емоцій» до «генерації з високою пропускною здатністю з аргументувальною оболонкою».

Вона робить імовірнішими такі процеси на ринку:

накопичення причин під час зростання + самопідсилювальний FOMO

накопичення причин під час падіння + самопідсилювана паніка

середній стан, стани сірості та очікування стискаються

Стан «я не знаю» — який мав би бути цінним — системно витісняється.

І саме це є глибинною першопричиною «дедалі більшої бінарної диференціації».

Ринкова бінарна парадоксальність: Attention Is All We Need?

Ця фраза походить із transformer-дослідження 2017 року. Вона означає, що модель може змоделювати послідовності, використовуючи лише механізм attention; якщо перенести її у ринковий контекст, то вона теж несподівано вірна наполовину: у часи надлишку інформації, надлишку обчислювальних ресурсів і надлишку думок справжньою рідкістю є не інформація, а та увага, яку можна розподілити. Класична література про обмежену увагу давно розглядає attention як дефіцитний когнітивний ресурс; інвестори змушені вибірково обробляти інформацію, а сам цей вибір уже впливає на траєкторію ціни.

Але чому це парадокс? Бо без attention істина не потрапляє в ціну; а при надлишку attention ціна ще й відхиляється від істини. Обмежена увага може спричинити і ігнорування, і «тупість» щодо інформації, але також може спричиняти надмірну реакцію на помітні речі. Емпірично: інвестори, які не звертають увагу, роблять «pricing errors» тривалішими — аж до того, що вони розтягуються на тижні або навіть місяці. Іншими словами, attention одночасно є входом до price discovery і двигуном спотворення ціни.

Ринок — не система «хто знає більше фактів, той перемагає», а радше система «хто першим отримує достатньо attention, той першим отримує право на ціноутворення». У зоні низької attention навіть коли істина щодо об’єкта покращується, її можуть довго не оцінювати належно; у зоні високої attention навіть коли зміни в істині відносно невеликі, ринок може швидко перейти в головний бій price discovery через стрибок щільності обговорень, щільності пошуків і щільності торгів. Ще тонше: attention не лише підсилює шум; дослідження також знаходить: після високої attention днів деякі anomaly returns навіть зростають, що означає — інколи attention прискорює арбітраж і відображення інформації. Отже, attention — не «погана річ», а підсилювач з невизначеним напрямом впливу.

Я стисну цей парадокс в одну фразу:

Твердження

Результат

Без attention

Істина може бути похована, реакція ціни запізнюється

Attention помірна

Поширення інформації швидше, ефективність ціноутворення зростає

Attention перегріта

Стадна поведінка, надмірне узагальнення, переповненість і різке зростання крихкості

Це також пояснює, чому кажуть: «ринок дедалі більш бінарний», бо реальний середній стан стискається механізмом порогів attention.

Чому attention штовхає ринок у «бінарний стан-автомат»

Найбазовіша причина дуже проста: купівля потребує пошуку, а продаж — не так вже й потребує.

Barber і Odean з’ясували: індивідуальні інвестори є нетто-покупцями attention-grabbing stock, наприклад, ті, що в новинах, ті з аномальними обсягами, ті з різкими коливаннями за один день. Причина не в тому, що вони нібито завжди краще розуміють, а в тому, що коли є тисячі інструментів для покупки, найпомітніші легше потрапляють у кандидатний пул. Цей пошуковий перекіс на стороні покупки природно перетворює attention на купівельний попит.

Далі, attention ще й перетворюється на синхронізацію груп. Proxy від уваги роздрібних інвесторів, виміряний обсягом Google-пошуків, в 21 міжнародному фондовому ринку корелює позитивно з herd behavior; також виявили, що користувачі Robinhood частіше здійснюють attention-induced trading. Тобто attention не змушує кожного «думати більш незалежно», вона змушує більше людей у той самий часовий коридор стежити за тією самою групою речей і робити більш схожі дії.

Зробімо ще один крок: attention також створює надкороткострокове продовження ціни. Da, Engelberg і Gao використовували Google-пошукові обсяги як прямий індикатор attention і виявили: цінова імпульсивність акцій із високими пошуками сильніша. А NBER-дослідження щодо китайського ринку показало: на ринку A-shares/EM у денному momentum зв’язані з attention і торговою активністю нових інвесторів, часто триває лише 1–2 дні, а потім швидко розвертається. Ця структура дуже схожа на те, що ви називали «бінарністю»: не згладжене безперервне ціноутворення, а ignition уваги → продовження ціни → швидке переповнення → і зворотна реакція (провал/напряг).

Часто інвестори шукають не істину, а об’єкт уваги, який емоційно прийнятний

Найважливіше тут не «чи бувають у людей упередження», а те, що сама attention несе емоційну корисність. У 2026 році в статті в Review of Economic Studies запропонували «attention utility»: інвестори можуть вкладати надлишкову увагу у вже відомі добрі новини та уникати вже відомих поганих; дані про вхід у акаунт показують, що інвесторам більше хочеться дивитися акції, які «виграють», і менше — акції, які «програють», і ця selective attention впливає на подальшу торгівлю. Тобто attention — не лише для отримання інформації; вона сама може приносити або приємність, або біль. Це дуже глибокий момент, бо він переозначає ринок: з «системи обробки інформації» на «систему регулювання емоцій».

Під час зростання attention активно тягне до переможців, інвестори готові повторно контактувати з позитивним зворотним зв’язком, тож їм легше нарощувати наратив, нарощувати позицію, нарощувати визначеність. Під час падіння в традиційних дослідженнях бачать так званий ostrich effect: інвестори, навпаки, не хочуть дивитися на погані новини. Але в епоху AI цей механізм змінюється: люди можуть винести назовні психологічну ціну зіткнення з поганими новинами, віддавши її машині. Не обов’язково самим «гризти» сирі дані: достатньо запитати «чому впало», і LLM швидко згенерує пакет bear case, структурувавши страх. Перший випадок — avoidance attention, другий — переформатування уникання в «аутсорсингове розуміння».

attention — не шум, а змінна верхнього рівня для потоку торгів

Одна з ключових ідей теорії обмеженої уваги полягає в тому, що вона пояснює не лише повільні реакції, а й реакції «надто швидкі». Модель Hirshleifer, Lim, Teoh чітко вказує: одне й те саме психологічне обмеження — limited attention — може одночасно пояснювати underreaction і overreaction до різних компонентів бухгалтерської інформації. Тобто ринок не обирає між «ефективно» і «неефективно» — він перемикається між ігноруванням і надмірною реакцією в різних конфігураціях attention.

Звідси випливає дуже сильний висновок про ринок: attention — це не тільки пояснення цін; у багатьох випадках вона є випереджальним чинником цінової поведінки. Коли attention зростає, часто синхронно зростають короткостроковий momentum, доходності від аномалій, обсяги торгів конкретних акцій, участь роздрібних інвесторів, соціальне обговорення. А коли attention додатково посилюється social interaction, особливо на активах із «лотерейним» типом, високою схильністю (high skew/variance) і з високою часткою активів для розіграшів, формуються очікування екстраполяції та занадто висока ціна. Іншими словами, ринок часто не дисконтує cash flow — він спершу дисконтує salience.

attention перетворює «вигоду» на «поширюваність», а потім повертає «поширюваність» у вигоду

Основна думка narrative economics Шиллера не зводиться до фрази «історії важливі». Суть у тому, що наратив — це механізм передачі економічних вірувань. Дослідження Goetzmann та ін. далі показали: медіанаративи щодо історичних біржових крахів впливають на поточні beliefs і choices інвесторів. Тобто «історії» в ринку — не просто прикраси у коментарях, а комунікаційні пристрої, які змінюють очікування, сприйняття ризику і схильність до дій.

Додамо ще соціальні перекоси в поширення — і стає ще сильніше. Моделі Han, Hirshleifer, Walden вказують: інвестори обговорюють стратегії та переводять інших на власну стратегію з імовірністю, яка зростає з realized returns і має опуклу форму; соціальний процес сам впливає на популярність та ціноутворення для певних стратегій із високою волатильністю, високою «схильністю» та активним стилем. Якщо перекласти просто: чим різкіше росте, тим легше це використають як історію для інших; чим легше це розповісти, тим легше це продовжить притягувати увагу; а що більше притягує, то легше це продовжить рости. Це вже не просто herd, а позитивний зворотний зв’язок із attention, доходністю та соціальною поширюваністю, що складаються разом.

Тому у рефлексивній мові справжня сила attention не лише «змушує більше людей бачити», а й перетворює ринок з

price reacts to fundamentals

на

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

Коли цей ланцюг досить сильний, тоді ціна рухається першою, наратив додається потім, а фундаментали згодом повільно отримують зворотне формування з боку ринку капіталів — і три речі починають переплітатися між собою.

Чому в епоху AI все це доводиться до більш крайніх форм

Бо LLM — це attention compressor + rationale generator

Проблема LLM ніколи не зводилась лише до hallucination; ще глибше — sycophancy. Дослідження знаходять: багато моделей RLHF демонструють тенденцію говорити в дусі позиції користувача; а людські уподобання та самі моделі уподобань також частіше надають перевагу відповідям, які «більш відповідають поглядам користувача» та «написані переконливіше». Тобто коли користувач питає «чому зросло», модель не так вже й легко спершу конкурує через H-set конкурентні гіпотези та їхній перелік — натомість їй дуже просто організувати відповідь, яка максимально «підтягує» під напрям «зросло».

Ще критичніше — LLM-based search робить цей механізм швидшим, гладшим і менш трудомістким.

Дослідження Microsoft за 2025 рік показало: пошук із LLM дозволяє користувачам швидше завершувати задачі, менше запитувати, але виконувати запити складніше, і люди загалом задоволеніші; однак коли модель помиляється, користувачі легше переходять у overrely. Якщо перенести це на ринок, сенс дуже прямий: AI не просто надає інформацію — вона знижує тертя при формуванні «одностороннього наративу». Раніше треба було зібрати bull case / bear case з десяти дослідницьких звітів, трьох новин і п’яти постів на форумах, щоб принаймні якось скласти картину; а тепер достатньо одного prompt, щоб згенерувати.

Тож «Attention is all we need» у епоху AI — це не те, що attention достатня для створення вартості, а те, що в коротко- та середньостроковому періоді attention здатна вирішити, що саме першими побачать, першими «закрутять в пояснення», першими торгують і першими перетворять на консенсус.

По суті LLM стискає дискретну увагу в зв’язний наратив, а потім повертає цей зв’язний наратив користувачу, підвищуючи його суб’єктивну визначеність. Вона знижує не невизначеність фактів, а невизначеність, яку відчувають.

attention природно створює «superstar assets»

У цифровій економіці superstar firms дуже тісно пов’язані з мережевими ефектами, ефектом масштабу та перерозподілом часток; дослідження Autor та ін. «superstar firms» прямо вводить network effects у рамку пояснення. Якщо аналогічно перенести це на капітальні ринки, висновок нескладний: коли attention стає дефіцитним ресурсом на верхньому рівні, між інструментами з’являється й «superstarизация». Невелика кількість найпомітніших активів, які найпростіше пояснити й які найзручніше торгувати та з яких AI може багато разів «докручувати» пояснення, забирає все більше обговорень, ліквідності й позицій. А довгий хвіст активів, навіть якщо їхні об’єкти не гірші, можуть довго лишатися на периферії: «без attention, без права на ціноутворення, без права на обговорення». Це аналогія, але вона сумісна з доказами щодо обмеженої уваги, мережевих ефектів і концентрації superstar.

Це найглибший економічний варіант бінаризації ринку: не просте «хороші компанії vs погані компанії», а «assets з багатою attention vs assets із бідною attention».

Перші легше отримують надлишкову ліквідність, наративну премію, досліджуване покриття та структурний капітал, який підхоплює; другі ж швидко перетворюються на ситуацію: «об’єкт ще є, але ціна ніби не існує».

Справжній парадокс — не в тому, що «attention дуже важлива», а в тому, що вона одночасно лікує ринок і руйнує його

Якщо зібрати всі рівні вище в одне, бінарний парадокс ринку можна стиснути в чотири речення:

1. Attention — необхідна умова для price discovery, але не достатня умова для створення вартості

Без attention істина може довго не потрапляти в ціну; але якщо є лише attention без підтримки істини щодо об’єкта, то в підсумку це, найімовірніше, еволюціонує в невідповідність: короткострокові прибутки й довгостроковий відкат. Дослідження Da та ін. це підсумовують: обсяги інтернет-пошуку передбачають short-term gains і long-term losses.

2. Attention одночасно пояснює underreaction і overreaction

Коли уваги бракує, інформація поширюється повільно, реакція запізнюється; коли увага перегріта, купівельний попит, соціальні чинники, наративи й екстраполяція синхронно посилюються — і ціна летить занадто далеко. Література про обмежену увагу та про anomaly фактично говорить про те саме: attention може виправити «гальмування», але також створює «перестріл».

3. AI демократизувала «здатність пояснювати», але централізувала «розподіл attention»

Кожен може швидше написати bull case / bear case, але більшість prompt усе одно крутиться навколо вже тих акцій, які сильно зросли/сильно впали, навколо яких центр уваги. Результат не в тому, що більше непомітних істин спливають назовні, а в тому, що щільність наративу в помітних активах продовжує зростати. Це судження зроблене на основі припущення щодо sycophancy та overreliance механізмів LLM.

4. Справжній альфа не в погоні за attention, а в розпізнанні зв’язку між attention і truth

Наостанок я вважаю: «Attention is all we need» як ринковий слоган у коротких горизонтах — доречний; але як онтологія інвестування — правильна лише наполовину. Правильна частина в тому, що в епоху надлишку інформації, надлишку наративів і надзручності AI, attention справді стала найважливішим пороговим змінним верхнього рівня для ринку. Вона визначає, що буде побачено, обговорено, проторговано і перетворено на консенсус.

Неправильна частина в тому, що attention максимум може вирішити: хто першим буде проіндексований у ціну, як саме і коли його ціноутворять, і чи зможе ціноутворення тимчасово від’єднатися від об’єкта. Вона не може довгостроково замінити саму істину щодо об’єкта. Те, що реально визначає довгострокову віддачу, лишається: чи здатний об’єкт перетворити attention на вищі грошові потоки, ров, ефективність капіталу й позитивний рефлексивний цикл.

В епоху AI Attention — це не «all we need for truth»; але вона дедалі більше схожа на «all we need for short-horizon pricing».

І саме тому ринок стає все більш бінарним: корінь не лише у стилі капіталу, не лише у роздрібі, не лише в алгоритмах, а в тому, що обмежена увага + соціальне поширення + AI стиснення наративів + механічна торгівля + людська емоційна регуляція разом «з’їдають середній стан».

Кінець усього тексту.