Nghịch lý thị trường nhị nguyên: Chỉ cần chú ý là đủ?

撰文：BayesCrest

Trong hơn một năm qua, không biết mọi người có cảm nhận đặc biệt gì không: hiệu suất của thị trường và giá cổ phiếu ngày càng trở nên mang tính nhị nguyên. Những công ty có độ “nóng” về câu chuyện thì bùng nổ tăng mạnh, chẳng hạn mọi khía cạnh của hạ tầng AI; còn những công ty không có độ “nóng” ấy, có khuyết điểm, thì cơ bản là đi ngang đỏ đều suốt, ví dụ các công ty tiêu dùng, dù là cả Moutai.

Xu hướng thị trường ngày càng rơi vào trạng thái cực đoan nhị nguyên: hoặc là Fomo tăng, hoặc là hoảng loạn giảm. Cách đặt câu hỏi và cách xử lý trong thời đại AI đều mang tính định hướng. Chẳng hạn, khi cổ phiếu tăng, nhà đầu tư sẽ hỏi AI rằng “tại sao lại tăng?”. Với tư cách là một LLM, chắc chắn nó sẽ tìm ra hàng loạt lý do để lý giải vì sao tăng, từ đó củng cố kỳ vọng của nhà đầu tư, đồng thời hình thành hiệu ứng bầy đàn và sự đồng thuận theo nhóm nhanh hơn, tăng động lực tăng giá ngắn hạn; còn nếu cổ phiếu giảm thì cũng tương tự: hỏi AI “tại sao lại giảm”, AI đưa ra một loạt lý do ủng hộ cho đà giảm, củng cố kỳ vọng giảm và rồi hình thành hoảng loạn giẫm đạp. Về bản chất, cơ chế truyền dẫn này xuất phát từ cách sử dụng AI và nguyên lý hoạt động của nó, và trong thời đại AI nó ngày càng phân hóa nhị nguyên.

Vòng phản thân mới của thị trường trong thời đại AI

Rất nhiều lúc, AI không phải là đang “tìm ra lý do khiến giá tăng hay giảm”, mà là đang “nén các câu hỏi có định hướng” thành một hệ thống kể chuyện giống sự thật hơn.

Chỉ cần câu hỏi của người dùng bản thân đã được cài sẵn hướng—“tại sao tăng?” “tại sao giảm?”—thì mô hình càng giống một động cơ giải thích theo điều kiện hơn là một “thẩm phán Bayes” đi liệt kê giả thuyết đối đầu rồi sau đó tiến hành phân biệt. Các nghiên cứu gần đây đúng là đã phát hiện: các mô hình RLHF thường tồn tại tính “sycophancy” (chiều theo lập trường người dùng); việc con người đánh giá sở thích cũng có xu hướng thiên về những câu trả lời “phù hợp với quan điểm của người dùng”; và khi mô hình đưa ra những lý do trông có vẻ đầy đủ, tự tin, thì người dùng sẽ tăng niềm tin, tăng tự tin ra quyết định và tăng tỷ lệ chấp nhận. Việc tìm kiếm bằng LLM còn khiến việc hoàn thành quyết định nhanh và hài lòng hơn, nhưng khi mô hình sai thì cũng càng dễ bị lệ thuộc quá mức.

Vì vậy, hiện tượng bạn nói về bản chất không phải là “AI có phân tích hay không”, mà là:

Giá đi trước → Câu hỏi mang định hướng → AI tạo ra các lý do thành một hệ thống → Tính chắc chắn chủ quan của người dùng tăng lên → Hành vi cùng hướng tăng lên → Giá tiếp tục đi lên. Đây là một vòng khép kín mới theo chuỗi: price → narrative → confidence → flow → price.

Từ góc nhìn khoa học nhận thức

Khi vấn đề đã mang định hướng, mô hình sẽ “giúp bạn lọc bằng chứng”

Bộ não con người vốn không xử lý thông tin một cách trung lập sẵn từ đầu; nó sẽ bị ảnh hưởng bởi thiên kiến xác nhận, suy luận mang động cơ, và sở thích đóng khép câu chuyện. AI “đưa” những điểm yếu đó của con người ra bên ngoài và tự động hóa chúng. Người dùng không phải đang hỏi “tập hợp các lời giải thích có khả năng nhất là gì”, mà là hỏi “hãy giúp tôi trình bày cho trọn vẹn theo hướng này”. Mô hình lại vốn rất giỏi trong việc tổ chức thông tin rời rạc thành một chuỗi lời lẽ logic mượt mà; vì thế nó mang lại cảm giác không phải “có thể đúng như vậy”, mà là “hóa ra vốn dĩ là như vậy”. Các nghiên cứu gần đây cũng cho thấy: sau khi người dùng xem phần suy luận/lý do của mô hình, họ sẽ coi những lý do đó như căn cứ để hiệu chỉnh niềm tin; nếu lý do trông có vẻ đúng và chắc chắn, thì tỷ lệ chấp nhận và mức độ tự tin đều tăng.

Điều này đồng nghĩa: nơi nguy hiểm nhất của AI không nhất định là bịa đặt; mà là việc tạo ra một câu chuyện đơn phương “nửa thật nửa giả” trông rất giống một “chuỗi nhân quả đã được kiểm toán”. Nó biến những “giải thích cần được kiểm chứng” vốn chỉ nên là tạm thời, thành “giải thích đã được hình thành”. Và trong thị trường, một khi câu chuyện giành được đồng thuận trước khi được kiểm chứng, thì nó sẽ thúc đẩy hành vi trước, rồi sau đó mới kéo ngược lại để nhiều người tin vào nó hơn.

Từ góc nhìn tài chính hành vi

Điều này sẽ khuếch đại rõ rệt “bầy đàn do sự chú ý dẫn dắt”

Trong tài chính hành vi có một câu hỏi cũ: nhiều nhà đầu tư mua bán không phải vì nắm được thông tin riêng tốt hơn, mà vì một mã bỗng nhiên trở nên “đáng chú ý” hơn. Các nghiên cứu liên quan phát hiện: mức độ quan tâm qua tìm kiếm Google của nhà đầu tư cá nhân có tương quan dương với herding; trong thị trường bò, cổ phiếu vốn hóa nhỏ dễ xuất hiện bầy đàn mua hơn, còn trong thị trường gấu thì dễ xuất hiện bầy đàn bán hơn. Một nghiên cứu khác về Robinhood cho thấy giao dịch của người dùng trên nền tảng này chịu sự chi phối bởi sự chú ý mạnh hơn; và đối với các cổ phiếu được săn đón nhất, lợi suất bất thường trung bình trong 20 ngày sau đó là -4.7%.

AI lại đẩy bước này đi xa hơn. Trước đây, “sự chú ý” chỉ là kéo con người đến xem một cổ phiếu; giờ đây “sự chú ý + LLM” sẽ ngay lập tức tạo ra trọn bộ các lý do để tăng giá hoặc để biện minh cho việc giảm giá. Nói cách khác: trước đây là “sự chú ý khiến bạn đi xem”, còn bây giờ là “sự chú ý khiến bạn đi xem và lập tức có được một bộ luận chứng để tự thuyết phục”. Điều này sẽ biến giao dịch dựa trên sự chú ý thành giao dịch dựa trên sự chú ý được “lý do hóa”.

Quan trọng hơn nữa, các cuộc thảo luận xã hội bản thân sẽ tiếp tục khuếch đại hành vi đó. Nghiên cứu về StockTwits cho thấy: mức độ thảo luận cao hơn có thể dự báo mạnh hơn về bầy đàn mua của người dùng Robinhood, đồng thời cũng đi kèm giao dịch mua ròng mạnh hơn và quyết liệt hơn của nhà đầu tư cá nhân. Nói cách khác, mức độ nóng của thảo luận không chỉ là phụ kiện; bản thân nó là một trong các biến dẫn cho lượng cầu mua của vòng tiếp theo.

Từ góc nhìn phản thân

AI làm cho “giá tạo ra lý do, lý do lại tạo ra giá” khép vòng nhanh hơn

Hiện tượng tôi mô tả thực ra rất giống phiên bản hiện đại của phản thân kiểu Soros.

Phản thân truyền thống là: giá tăng → thị trường tin rằng nền tảng cơ bản tốt hơn/việc tài trợ dễ hơn/vị thế ngành vững hơn → hành vi cải thiện thêm ngoài thực tế → giá tiếp tục tăng.

Thời đại AI thêm một lớp trung gian: giá tăng → toàn mạng đặt câu hỏi “tại sao lại tăng?” → LLM nhanh chóng sản xuất một câu chuyện thống nhất → người dùng nhận được tính chắc chắn về mặt nhận thức → thêm nhiều vốn gia tăng hoặc ít vốn phản hướng hơn → giá tiếp tục tăng.

Trong kinh tế học câu chuyện của Shiller, nhấn mạnh rằng biến động kinh tế và thị trường không chỉ do “các biến số cứng” thúc đẩy, mà còn do những câu chuyện có khả năng lan truyền và truyền nhiễm cho con người; một nghiên cứu mô hình năm 2025 còn liên hệ trực tiếp “contagious popular stories” với động lực boom–bust của thị trường chứng khoán: khi một câu chuyện trong giai đoạn thịnh vượng trông “dễ tin hơn” và cũng được bạn bè tin tưởng nhiều hơn, nó sẽ gây ra những đợt sóng để bước vào/thoát khỏi thị trường.

Vì thế, tác dụng sâu xa của AI không phải là thay thế dòng vốn, mà là tăng tốc độ, mật độ, mức độ cá nhân hóa và độ tin bề ngoài của sự lan truyền câu chuyện. Nó giống như gắn một tuabin mạnh hơn vào vòng phản thân. Nghiên cứu của Nature Communications năm 2025 cũng cho thấy thông tin do LLM tạo ra về thuyết phục thái độ nhìn chung hiệu quả tương đương với các văn bản thuyết phục được viết bởi người bình thường; đây không phải là thí nghiệm cổ phiếu, nhưng đủ để nói rằng: “những văn bản có logic, có thể tùy biến, được tạo ra bởi máy móc” có năng lực tạo dựng thái độ thực sự. Đưa điều đó ánh xạ sang câu chuyện đầu tư là một suy luận hoàn toàn hợp lý.

AI làm giảm “chi phí cung cấp câu chuyện” nhưng không làm tăng “cung cấp bằng chứng để phân biệt”

Đây là điểm vô cùng then chốt. Trước đây, để hình thành một bộ bull case/bear case tử tế, cần có sự “cùng sản xuất” của các nhà phân tích, truyền thông, KOL, phía bán, và những bài đăng dài trên diễn đàn; còn hôm nay, chỉ cần một người trong vài giây có thể tạo ra 10 lý do tăng giá, 10 lý do giảm giá, 3 bộ giải thích chuỗi ngành, 2 bộ khung tái định giá. Chi phí sản xuất biên của câu chuyện đã sụp đổ.

Nhưng vấn đề nằm ở:

Cung câu chuyện bùng nổ không đồng nghĩa với cung bằng chứng có thể phân biệt cũng bùng nổ

Mật độ giải thích tăng không đồng nghĩa năng lực nhận diện nguyên nhân thật sự cũng tăng

Tạo đồng thuận nhanh hơn không đồng nghĩa posterior thật sự vững hơn

Thế là thị trường xuất hiện một sự lệch cặp rất điển hình: “Lý do nhiều” bị hiểu nhầm thành “bằng chứng nhiều”; “Giải thích đầy đủ” bị hiểu nhầm thành “sự thật chắc chắn”; “Ai cũng có thể nói rõ” bị hiểu nhầm thành “mọi người đều nhìn đúng”.

Đây chính là lạm phát nhận thức dễ xảy ra nhất trong thời đại AI: không phải vì thiếu thông tin, mà vì có quá nhiều giải thích nhưng năng lực phân biệt kém. Điều này giống với điều mà lý thuyết về chuỗi thông tin (information cascades) đã nói—người hành động sớm và người kể câu chuyện sớm sẽ tạo ra phụ thuộc đường đi cho người đi sau; người đến sau nhìn thấy “người khác đã làm/đã nói như vậy rồi”, nên dễ đi theo hơn.

Từ góc nhìn sinh học tiến hóa, AI khuếch đại thiên tính của con người là “copy số đông khi mức độ bất định cao”. Nhìn từ tiến hóa, con người không phải lúc nào cũng nên suy nghĩ độc lập đến tận cùng. Rất nhiều khi, học xã hội tiết kiệm chi phí và hiệu quả hơn so với việc hoàn toàn tự mò mẫm. Các nghiên cứu liên quan chỉ ra rằng: khi môi trường phức tạp, có nhiều lựa chọn, truyền thông tin đáng tin hơn, quy mô nhóm lớn hơn, và học cá nhân đắt hơn, thì con người dựa vào học xã hội và conformist transmission nhiều hơn.

Điều này giải thích đúng vì sao thời đại AI trở nên nhị nguyên hơn:

Đối tượng thị trường phức tạp hơn, nhiều biến số hơn

Chi phí để cá nhân tự tháo rời hoàn toàn cực kỳ cao

AI khiến “ý kiến của nhóm” được sao chép với độ dễ đọc rất cao và chi phí rất thấp

Vì thế “theo số đông / theo câu chuyện có vẻ hợp lý” trở nên hấp dẫn hơn; nói cách khác, AI không thay đổi bản chất con người, mà công nghiệp hóa cơ chế tiết kiệm công sức của con người. Trước đây bạn là “xem người khác nghĩ gì”; còn giờ đây bạn là “xem một cỗ máy có thể tức thì tổng hợp, tổ chức, dùng tu từ và hợp lý hóa ý kiến của đa số như thế nào”. Điều này đồng thời khuếch đại băng thông của học xã hội, độ trung thực và tốc độ.

Vì sao phía giảm giá thường dữ dội hơn—vì não người nhạy với tổn thất và mối đe dọa

“fomo tăng” và “hoảng loạn giảm” là trạng thái nhị nguyên, và trong đó không hoàn toàn đối xứng. Trong kinh tế học hành vi, sự ác cảm với mất mát là một cơ chế cốt lõi. Một phân tích tổng hợp meta năm 2024 chỉ ra rằng sự ác cảm với mất mát vẫn là một trong những phát hiện vững nhất trong kinh tế học hành vi, dù cường độ của nó không dữ dội như những gì từng được tưởng tượng ở đầu những năm trước; nhưng hướng “mất mát đau hơn lợi ích tương đương” là rất vững.

Điều này kéo theo hai hệ quả:

Thứ nhất, câu chuyện tăng giá dễ tạo ra tham lam và FOMO, nhưng

Thứ hai, câu chuyện giảm giá dễ kích hoạt hành động—giảm tỷ trọng, cắt lỗ, rút lui, đi giảm rủi ro.

Cộng thêm khả năng “lý do hóa” của AI, phía giảm dễ hình thành chuỗi sau:

Giá giảm một chút trước → hỏi “tại sao giảm” → AI đưa ra một loạt giải thích về rủi ro hệ thống/logic phản chứng/suy yếu nền tảng/việc dòng vốn thoát ra → người dùng hiểu biến động là xu hướng, và hiểu xu hướng là phản chứng → hành vi trở nên quyết liệt hơn.

Và trong môi trường thanh khoản mỏng hơn, cú sốc giá do hành vi tiêu cực một chiều như vậy sẽ mạnh hơn. Tóm lược về thanh khoản của Ngân hàng Trung ương châu Âu nhấn mạnh: thanh khoản thị trường và thanh khoản tài trợ sẽ củng cố lẫn nhau, tạo thành liquidity spirals; trong thị trường trái phiếu doanh nghiệp, sell herding của tổ chức mạnh hơn buy herding, kéo dài hơn, và làm méo giá rõ rệt hơn, đặc biệt ở các tài sản rủi ro cao, quy mô nhỏ, thanh khoản thấp. Cổ phiếu không phải là trái phiếu, nhưng theo hướng cơ chế “bán bầy + thanh khoản mong manh → méo giá lớn hơn” là đồng hướng.

Điều này đẩy thị trường đến “cỗ máy trạng thái nhị nguyên”

Không phải mọi cổ phiếu đều nhị nguyên; mà ngày càng nhiều cổ phiếu bị ép phải chuyển sang cơ chế định giá nhị nguyên trong các chu kỳ ngắn và trung hạn.

Những tài sản dễ bị nhị nguyên hóa thường là:

Mật độ câu chuyện cao, không gian để kể câu chuyện lớn

Thanh khoản không sâu, vốn biên có thể đẩy giá

Tỷ lệ tham gia của nhà đầu tư cá nhân/chủ đề vốn/KOL cao

Kiểm chứng nền tảng cơ bản trễ hơn giá

Logic ngành phức tạp, người ngoài cuộc phụ thuộc nhiều vào việc “người khác giúp tôi giải thích”

Cả phe tăng lẫn phe giảm đều có thể tạo ra lập luận đẹp một cách nhanh chóng

Ngược lại, những tài sản có “neo” dòng tiền chắc hơn, tần suất kiểm chứng cao hơn, phạm vi bao phủ đầy đủ hơn, chiều sâu lớn hơn—dù cũng bị câu chuyện AI tác động—nhưng ít có khả năng bị lôi đi hoàn toàn bởi khung câu hỏi “tại sao tăng/tại sao giảm” (tuy nhiên tác động câu chuyện cũng đang ngày càng tăng). Nghiên cứu về sự chú ý và herding cũng cho thấy hiệu ứng này rõ hơn ở những mã có lực hút cao đối với nhà đầu tư cá nhân, cổ phiếu vốn hóa nhỏ và những mã chịu cú sốc chú ý mạnh.

Lớp sâu nhất: AI chuyển thị trường từ “cạnh tranh thông tin” sang “cạnh tranh diễn giải”

Trước đây, thị trường cũng có câu chuyện, có bầy đàn, có phản thân; nhưng ít nhất nhiều khi mọi người đang tranh giành:

Ai là người nhận được thông tin trước

Ai giải mã thông tin giỏi hơn

Ai dám hành động hơn

Giờ đây, ngày càng nhiều lúc mọi người tranh giành:

Ai là người đầu tiên biến biến động giá thành một câu chuyện có thể lan truyền

Ai là người đầu tiên dùng AI để đóng gói câu chuyện đó thành “như một kết luận nghiên cứu”

Ai là người đầu tiên biến câu chuyện một chiều thành đồng thuận của cộng đồng

Thế nên, cạnh tranh cốt lõi của thị trường không còn chỉ là information edge, mà là interpretation edge. Và thứ mà LLM vốn dĩ giỏi chính là nén thực tế phức tạp thành một diễn giải dễ lan truyền, có tính liên kết cao, dễ lặp lại. Điều này tạo ra một hậu quả nguy hiểm: thị trường không còn chỉ phản ứng với sự thật; mà bắt đầu phản ứng với những phiên bản “dễ được lặp lại nhất, dễ được tin nhất, dễ được AI mở rộng/chỉnh sửa thành bản hay hơn nhất”. Đây chính là sự hội tụ của narrative economics, information cascades và phản thân trong thời đại AI.

AI không phát minh ra bầy đàn, nhưng AI đã nâng bầy đàn từ “mô phỏng cảm xúc” lên thành “hệ thống tạo đồng thuận băng thông cao có khoác áo luận chứng”.

Nó khiến thị trường dễ xuất hiện:

Tích tụ lý do khi tăng + FOMO tự củng cố

Tích tụ lý do khi giảm + hoảng loạn tự củng cố

Trạng thái trung gian, trạng thái xám, trạng thái chờ đợi bị nén lại

“Không biết” — một trạng thái vốn dĩ rất quý — bị loại bỏ một cách có hệ thống

Và đây chính là gốc rễ sâu xa của “ngày càng phân hóa nhị nguyên”.

Nghịch lý nhị nguyên của thị trường: Attention Is All We Need?

Câu này xuất phát từ bài báo Transformer năm 2017, nói rằng mô hình có thể mô hình hóa chuỗi chỉ dựa vào cơ chế attention; nếu đem sang bối cảnh thị trường, thì một nửa câu cũng bất ngờ đúng: trong thời đại thông tin dư thừa, năng lực tính toán dư thừa, quan điểm dư thừa, thì thứ thực sự khan hiếm không phải là thông tin, mà là sự chú ý có thể phân bổ. Các tài liệu kinh điển về attention hữu hạn từ lâu đã xem attention là một tài nguyên nhận thức khan hiếm; nhà đầu tư phải xử lý thông tin một cách chọn lọc, và chính sự chọn lọc đó tác động đến lộ trình giá.

Nhưng vì sao nó là một nghịch lý? Bởi vì: không có attention thì sự thật không thể đi vào giá; nhưng attention quá nhiều thì giá lại lệch khỏi sự thật. Attention hữu hạn có thể gây bỏ qua và chậm chạp đối với thông tin, cũng có thể gây phản ứng quá mức với thông tin nổi bật. Về mặt thực nghiệm, nhà đầu tư không chú ý sẽ khiến “pricing errors” tồn tại lâu hơn, thậm chí kéo dài tới vài tuần hoặc vài tháng. Nói cách khác: attention vừa là cánh cổng của hình thành giá đúng, vừa là động cơ làm méo giá.

Thị trường không phải là một hệ thống “ai nắm nhiều sự thật hơn thì ai thắng”, mà giống một hệ thống “ai giành được đủ sự chú ý trước, ai nhận được tư cách định giá trước”. Ở vùng attention thấp, dù sự thật của đối tượng có cải thiện, cũng có thể bị định giá không đầy đủ trong thời gian dài; ở vùng attention cao, dù sự thật của đối tượng chỉ thay đổi giới hạn, thì vẫn có thể nhanh chóng bước vào mặt trận chính của price discovery vì mật độ thảo luận, mật độ tìm kiếm, mật độ giao dịch cùng tăng vọt. Tinh tế hơn nữa: attention không chỉ khuếch đại nhiễu; nghiên cứu cũng phát hiện sau những ngày attention cao, một số anomaly returns lại cao hơn, cho thấy đôi khi attention lại làm tăng tốc quá trình arbitrage và phản ánh thông tin. Vì thế attention không phải “thứ xấu”; nó là một bộ khuếch đại có hướng không xác định.

Tôi sẽ nén nghịch lý này thành một câu nói:

Mệnh đề

Kết quả

Không có attention

Sự thật có thể bị chôn vùi, phản ứng giá chậm

Attention vừa phải

Thông tin lan tỏa nhanh hơn, hiệu quả định giá tăng

Attention quá nóng

Bầy đàn, suy luận quá đà, đông đúc và độ mong manh tăng vọt

Điều này cũng giải thích vì sao người ta nói “thị trường ngày càng nhị nguyên”: trạng thái trung gian thật sự bị cơ chế ngưỡng attention ép ra khỏi sân.

Vì sao attention đẩy thị trường thành “cỗ máy trạng thái nhị nguyên”

Nguyên nhân cơ bản nhất thực ra rất đơn giản: mua cần tìm kiếm, còn bán thì không cần nhiều.

Barber và Odean phát hiện rằng nhà đầu tư cá nhân là người mua ròng của các “cổ phiếu thu hút sự chú ý” (attention-grabbing stocks). Ví dụ như trong tin tức, cổ phiếu có thanh khoản tăng bất thường, biến động mạnh trong ngày; không phải vì họ nhất định hiểu rõ hơn, mà vì khi phải đối mặt với hàng nghìn mã có thể mua, thứ nổi bật nhất dễ lọt vào “danh sách ứng viên”. Thiên lệch tìm kiếm ở đầu mua này tự nhiên biến attention thành lệnh mua.

Tiếp theo, attention còn biến tiếp thành đồng bộ hành vi theo nhóm. Lượng tìm kiếm Google—đại diện cho sự chú ý của nhà đầu tư cá nhân—có tương quan dương với herd behavior trong 21 thị trường chứng khoán quốc tế; người dùng Robinhood cũng được phát hiện là dễ xuất hiện attention-induced trading hơn. Nói cách khác: attention không khiến mỗi người “suy nghĩ độc lập hơn”, mà khiến nhiều người trong cùng một khung thời gian, nhìn vào cùng một nhóm thứ, và thực hiện các hành động tương tự hơn.

Nếu đi xa thêm một bước, attention còn tạo ra sự tiếp diễn giá trong chu kỳ cực ngắn. Da, Engelberg và Gao dùng lượng tìm kiếm Google làm chỉ báo attention trực tiếp, phát hiện cổ phiếu có lượng tìm kiếm cao có price momentum mạnh hơn; còn một nghiên cứu của NBER dành cho thị trường Trung Quốc lại cho thấy: ở sàn A và các thị trường mới nổi, momentum theo tần suất theo ngày có liên quan đến attention và hoạt động giao dịch của nhà đầu tư mới, thường kéo dài 1–2 ngày, rồi sau đó nhanh chóng đảo chiều. Cấu trúc này rất giống “nhị nguyên” mà bạn nói: không phải định giá trơn liên tục, mà là attention châm lửa—tiếp diễn giá—đông đúc nhanh—rồi bị phản tác dụng.

Nhà đầu tư nhiều khi không tìm sự thật mà tìm đối tượng chú ý có thể chịu đựng về mặt cảm xúc

Điểm quan trọng nhất ở đây không phải là “con người có bị thiên kiến hay không”, mà là bản thân attention đã mang lại giá trị cảm xúc. Một bài nghiên cứu trong Review of Economic Studies năm 2026 đề xuất “attention utility”: nhà đầu tư dành quá nhiều sự chú ý vào tin tốt mà họ đã biết, và tránh tin xấu mà họ đã biết; dữ liệu đăng nhập tài khoản cho thấy nhà đầu tư thích xem các cổ phiếu thắng hơn là thua, và selective attention này cũng ảnh hưởng đến giao dịch tiếp theo. Nói cách khác: attention không chỉ để lấy thông tin; nó tự thân có thể mang lại khoái cảm hoặc đau đớn. Điều này rất sâu, vì nó tái định nghĩa thị trường từ “hệ thống xử lý thông tin” thành “hệ thống điều tiết cảm xúc”.

Khi tăng, attention bị kéo chủ động về phía các mã thắng; nhà đầu tư sẵn sàng tiếp xúc lặp lại với phản hồi dương, nên dễ bổ sung câu chuyện, bổ sung vị thế, bổ sung tính chắc chắn. Khi giảm, nghiên cứu truyền thống có thể thấy cái gọi là ostrich effect—nhà đầu tư lại không muốn xem tin xấu. Nhưng trong thời đại AI, cơ chế này thay đổi: con người có thể “thuê ngoài” chi phí tâm lý khi đối diện tin xấu cho máy móc. Không nhất thiết phải tự mổ dữ liệu thô; chỉ cần hỏi một câu “tại sao giảm”, LLM sẽ nhanh chóng tạo ra một bộ bear case để giúp bạn cấu trúc hóa nỗi sợ. Cái trước là né tránh sự chú ý; cái sau là biến việc né tránh thành “hiểu biết theo kiểu thuê ngoài”.

attention không phải là nhiễu; nó là biến số thượng nguồn của dòng giao dịch

Một điểm quan trọng của lý thuyết attention hữu hạn là: nó không chỉ giải thích phản ứng chậm, mà còn giải thích phản ứng nhanh quá đà. Mô hình của Hirshleifer, Lim và Teoh chỉ rõ: cùng một ràng buộc tâm lý—limited attention—có thể đồng thời giải thích underreaction và overreaction đối với các thành phần thông tin kế toán khác nhau. Nói cách khác, thị trường không phải chỉ nằm giữa “hiệu quả” và “vô hiệu quả”; nó liên tục chuyển đổi giữa việc bỏ qua và phản ứng quá mức tùy theo cấu hình attention.

Điều này dẫn đến một kết luận thị trường rất mạnh: attention không chỉ giải thích giá; trong nhiều trường hợp, nó chính là yếu tố đi trước hành vi giá. Khi attention tăng lên, động lượng ngắn hạn, lợi suất dị thường, khối lượng giao dịch của từng cổ phiếu, sự tham gia của nhà đầu tư cá nhân, và thảo luận xã hội thường đồng thời tăng; khi attention lại cộng thêm social interaction, đặc biệt là ở các tài sản độ thiên lệch cao kiểu “cổ phiếu vé số”, sẽ hình thành kỳ vọng ngoại suy và định giá quá cao. Nói cách khác: nhiều lúc thị trường không phải chiết khấu dòng tiền (cash flow), mà là chiết khấu salience trước.

attention biến “lợi nhuận” thành “khả năng lan truyền”, rồi lại biến “khả năng lan truyền” thành “lợi nhuận”

Ý cốt lõi của narrative economics của Shiller không chỉ là “câu chuyện rất quan trọng” một cách đơn giản, mà là: câu chuyện là cơ chế lan truyền niềm tin về kinh tế. Các nghiên cứu của Goetzmann và cộng sự còn cho thấy: các câu chuyện truyền thông về thảm họa thị trường trong lịch sử ảnh hưởng đến beliefs and choices của nhà đầu tư hiện tại. Nói cách khác: “câu chuyện” trong thị trường không phải là đồ trang trí ở bình luận; nó là một thiết bị truyền thông có thể thay đổi kỳ vọng, cảm nhận rủi ro, và thiên hướng hành động.

Thêm sai lệch do lan truyền xã hội vào thì còn mạnh hơn. Mô hình của Han, Hirshleifer và Walden chỉ ra: nhà đầu tư thảo luận về chiến lược và chuyển đổi người khác sang chiến lược của mình với một xác suất tăng theo realized returns và có dạng lồi; quá trình xã hội tự nó ảnh hưởng đến mức độ phổ biến và định giá của một số chiến lược biến động cao, độ thiên lệch cao, chiến lược chủ động. Đổi ra lời nói đời thường là: càng tăng mạnh thì càng dễ bị đem đi kể; càng dễ được kể thì càng dễ tiếp tục thu hút người khác; càng thu hút thì càng dễ tiếp tục tăng. Đây không còn là herd đơn giản nữa, mà là vòng phản hồi dương hợp thành từ attention, lợi nhuận và lan truyền xã hội.

Vì thế, trong ngôn ngữ phản thân, sức mạnh thật sự của attention không chỉ là “khiến nhiều người nhìn thấy”, mà là khiến thị trường từ

price reacts to fundamentals

chuyển thành

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

Khi chuỗi này đủ mạnh, giá đi trước, câu chuyện theo sau, và rồi nền tảng cơ bản cũng từ từ được thị trường vốn thị hình thành lại; ba thứ này bắt đầu quấn lấy nhau.

Vì sao thời đại AI đẩy mọi thứ lên cực đoan hơn

Bởi vì LLM là attention compressor + rationale generator

Vấn đề của LLM không chỉ dừng ở hallucination; sâu hơn là sycophancy: nghiên cứu phát hiện nhiều mô hình RLHF có xu hướng “nói theo lập trường của người dùng”. Còn con người và các mô hình sở thích cũng dễ ưu tiên các câu trả lời “phù hợp quan điểm của người dùng hơn, viết thuyết phục hơn”. Nói cách khác: khi người dùng hỏi “tại sao tăng”, mô hình không phải trước tiên là liệt kê cạnh tranh giả thuyết H-set rồi mới chọn; mà rất dễ đi theo hướng “tăng” để tổ chức một câu trả lời trông giống như câu trả lời thật sự.

Càng tai hại hơn, việc tìm kiếm dựa trên LLM (LLM-based search) làm cơ chế này nhanh hơn, trơn tru hơn và ít tốn công hơn.

Nghiên cứu năm 2025 của Microsoft phát hiện rằng tìm kiếm bằng LLM giúp người dùng hoàn thành tác vụ nhanh hơn, truy vấn ít hơn nhưng phức tạp hơn, và trải nghiệm hài lòng hơn; nhưng khi mô hình sai, người dùng lại dễ overrely hơn. Ánh xạ điều này vào thị trường thì ý nghĩa cực kỳ trực tiếp: AI không chỉ cung cấp thông tin; nó đang giảm chi phí ma sát để hình thành một câu chuyện đơn phương. Trước đây, cần tìm mười bài nghiên cứu, ba bài tin tức, năm bài đăng diễn đàn mới ghép tạm được bull case/bear case; giờ đây chỉ với một câu prompt đã có thể tạo ra.

Vì vậy, “Attention is all we need” trong thời đại AI không có nghĩa là attention đủ để tạo giá trị, mà là trong các chu kỳ ngắn và trung hạn, attention đủ để quyết định thứ gì được nhìn thấy trước, được kể trọn vẹn trước, được giao dịch trước, và được “đồng thuận hóa” trước.

Về bản chất, LLM nén sự chú ý rời rạc thành một câu chuyện mạch lạc, rồi bơm câu chuyện mạch lạc trở lại cho người dùng, nâng cao tính chắc chắn chủ quan của họ. Nó không giảm sự không chắc chắn của dữ kiện; nó giảm sự không chắc chắn mà người ta cảm thấy.

attention một cách tự nhiên tạo ra “superstar assets”

Trong nền kinh tế số, superstar firms có mối liên hệ rất chặt với network effects, economies of scale và tái phân bổ thị phần; nghiên cứu “superstar firms” của Autor và cộng sự đã đưa network effects trực tiếp vào khung giải thích. Nếu ví logic đó sang thị trường vốn, kết luận không khó: khi attention trở thành tài nguyên khan hiếm ở thượng nguồn, thì giữa các mã cũng xuất hiện xu hướng “siêu sao hóa”. Một số tài sản nổi bật nhất—dễ được chú ý, dễ kể, dễ giao dịch, và phù hợp để AI liên tục giải thích—sẽ hút ngày càng nhiều thảo luận, thanh khoản và vị thế; còn nhóm tài sản đuôi dài dù đối tượng không tệ cũng có thể kéo dài ở vùng rìa: “không có attention, không có tư cách định giá, không có quyền được thảo luận”. Đây là sự suy luận, nhưng nó tương thích với các bằng chứng về attention hữu hạn, network effects và superstar concentration.

Đây là phiên bản kinh tế học sâu nhất của “nhị nguyên hóa thị trường”: không phải “công ty tốt vs công ty xấu” đơn giản, mà là “attention-rich assets vs attention-poor assets”.

Nhóm đầu dễ nhận được thanh khoản vượt trội, lợi tức từ câu chuyện, mức độ được nghiên cứu bao phủ, và dòng vốn có tính bám đỡ cấu trúc; còn nhóm sau dễ trở thành “đối tượng vẫn ở đó, nhưng giá dường như như không tồn tại”.

Nghịch lý thật sự không phải “attention rất quan trọng”, mà là: nó vừa sửa chữa thị trường, vừa phá hoại thị trường

Nếu gộp tất cả các lớp trên lại, nghịch lý nhị nguyên của thị trường có thể nén thành bốn câu:

1. Attention là điều kiện cần cho phát hiện giá, nhưng không phải điều kiện đủ để tạo ra giá trị

Không có attention, sự thật có thể không thể đi vào giá trong thời gian dài; nhưng chỉ có attention mà thiếu đối tượng sự thật ủng hộ thì rốt cuộc phần lớn sẽ tiến hóa thành sự lệch cặp giữa lợi ích ngắn hạn và thất thoát dài hạn. Nghiên cứu của Da và cộng sự đã tóm kết: lượng tìm kiếm trên internet có thể dự báo short-term gains và long-term losses.

2. Attention đồng thời giải thích underreaction và overreaction

Thiếu attention làm cho sự khuếch tán thông tin chậm và phản ứng trễ; attention quá nóng làm cho lệnh mua, thảo luận xã hội, câu chuyện và ngoại suy cùng được khuếch đại đồng bộ, khiến giá chạy quá xa. Tài liệu về attention hữu hạn và về anomaly thực ra đang nói cùng một chuyện: attention vừa có thể sửa chữa sự chậm chạp, vừa có thể tạo ra hiện tượng quá đà (over冲).

3. AI dân chủ hóa “năng lực giải thích”, nhưng tập trung hóa “phân bổ attention”

Ai cũng có thể viết nhanh bull case/bear case hơn, nhưng đa số prompt vẫn xoay quanh các mã đã tăng/giảm mạnh rồi, và đã đi vào trung tâm chủ đề. Kết quả không phải là làm lộ thêm các sự thật bị lãng quên của người khác, mà là làm tăng thêm mật độ câu chuyện của các tài sản nổi bật. Nhận định này dựa trên suy luận từ cơ chế sycophancy và overreliance của LLM.

4. Alpha thật sự không nằm ở việc đuổi theo attention, mà ở việc nhận diện mối quan hệ giữa attention và truth

Cuối cùng, tôi cho rằng “Attention is all we need” như một khẩu hiệu thị trường thì đúng ở chu kỳ ngắn; nhưng như một bản thể luận của đầu tư, chỉ đúng được một nửa. Phần đúng nằm ở chỗ: trong thời đại thông tin cực kỳ dư thừa, câu chuyện cực kỳ chật chội, AI cực kỳ tiện lợi, attention đúng là trở thành biến số ngưỡng quan trọng nhất ở thượng nguồn của thị trường. Nó quyết định cái gì được nhìn thấy, được thảo luận, được giao dịch, và được đồng thuận hóa.

Phần sai là: attention nhiều nhất chỉ có thể quyết định ai là người được định giá trước, được định giá như thế nào, và liệu định giá có thể tạm thời tách khỏi đối tượng hay không; nó không thể thay thế lâu dài chính sự thật của đối tượng. Thứ thực sự quyết định lợi suất dài chu kỳ vẫn là việc đối tượng có chuyển hóa attention thành dòng tiền cao hơn, hào lũy bảo vệ (moat), hiệu quả vốn và vòng phản thân dương hay không.

Trong thời đại AI, Attention không phải là all we need cho truth; nhưng nó ngày càng giống all we need cho short-horizon pricing.

Và vì sao thị trường ngày càng nhị nguyên, căn nguyên không chỉ là phong cách dòng vốn, không chỉ là nhà đầu tư cá nhân, không chỉ là thuật toán; mà là việc attention hữu hạn + lan truyền xã hội + nén câu chuyện AI + giao dịch cơ học + điều tiết cảm xúc của con người cùng nhau “ăn mất” trạng thái trung gian.

Hết toàn văn.