市場の二元パラドックス：Attention Is All We Need？

寄稿：BayesCrest

この1年あまり、皆さんには市場と株価の動きがますます二元化してきたように感じる特別な感覚はありますか。物語の熱がある企業は大暴騰します。たとえばAIインフラのハードウェアのあらゆる側面です。熱がなく、瑕疵のある企業は基本的にずっと陰落ちです。たとえば消費関連企業、たとえマオタイであっても。

市場の推移はますます二元的な極化状態になっています。つまり、Fomoで上がるか、恐慌で下がるかです。AI時代の問いの立て方と処理の仕方には傾向性があります。たとえば株が上がると、投資家はAIに「なぜ上がったのか」を問う。LLMとしては、彼がなぜ上がったのかを支える理由をN個も見つけてしまう。それによって投資家の期待が直接強化され、より早く群衆効果と集団のコンセンサスが形成され、短期の上昇モメンタムが強化されます。一方で株が下がれば、同じです。「なぜ下がったのか」と聞く。AIは下落を支持する一連の理由を見つけ、下落の予期を強化し、さらに恐慌の踏みつけ（パニック）を形成する。この伝導の本質は、AIの使い方と動作原理がそうさせていることであり、AI時代にはますます二元的な分化が進んでいます。

AI 時代の市場における新型の反身性回路

多くの場合、AIは「上げ下げの理由を発見している」のではなく、「方向性のある問い」を、より真実らしい物語の一式に圧縮しているのです。

一度ユーザーの問い自体が方向を前提としてしまうと――「なぜ上がるのか？」「なぜ下がるのか？」――モデルは、競合する仮説を先に列挙してから識別するベイズの裁判官というより、条件づけられた説明エンジンのようになります。近年の研究では確かに次のことが見つかっています。RLHF 系モデルは全般的に、ユーザーの立場に迎合する sycophancy を抱えやすい。人間の嗜好の評価そのものも、「ユーザーの見解により合致した」回答に偏りやすい。そしてモデルが、見た目に完全で自信のある理由を提示すると、ユーザーの信頼、意思決定の自信、採用率が上がる。LLMの検索は、意思決定をより速く、より満足度高く完了させもするが、モデルが誤ると、過度な依存が起きやすくもなります。

だから、あなたが言う現象の本質は「AIが分析するかどうか」ではなく、こうです：

価格が先に動く → 方向性のある問い → AIが体系立った理由を生成 → ユーザーの主観的確実性が上がる → さらに同方向の行動 → 価格が続けて動く。これが price → narrative → confidence → flow → price という新しい閉ループです。

認知科学から見ると

問題に方向性が付くと、モデルは「あなたのために証拠の選別をする」

人間の脳はそもそも情報を先天的に中立に処理するわけではなく、確証バイアス、動機づけられた推論、物語の閉じ方（narrative closure）の嗜好などの影響を受けます。AIはこの人間の弱点を、外部化し、さらに自動化します。ユーザーは「最もあり得る説明の集合は何か」を問うのではなく、「この方向性をきちんと一つの筋の通った話にして」と問うのです。モデルはさらに本来、バラバラの情報を論理的に滑らかな語りの一式へと組織化するのが得意です。だから人に与える印象は「そうかもしれない」ではなく「もともとそうだった」です。最近の研究でも、ユーザーはモデルの推理／理由の提示を見た後、それらの理由を信頼のキャリブレーションの根拠として扱うようになること、そして理由が正しく、確かなものに見えるほど、採用率と自信が上がることが示されています。

これは、AIの最も危険な点が、でたらめを言うことそのものではない可能性を示します。半分本当で半分嘘の片方向の物語を、「監査済みの因果チェーン」みたいに非常にそれらしく仕立ててしまうところです。本来「検証待ちの説明」であるものを、「すでに成立した説明」に包んでしまう。そして市場では、説明が一度検証に先んじてコンセンサスを得ると、まず行動を押し進め、その後でさらに多くの人がそれを信じるように逆圧力をかけます。

行動ファイナンスから見ると

これは「注意力駆動の羊群（herding）」を大きく強化する

行動ファイナンスには昔からある問題があります。多くの投資家の売買は、より良い私的情報を持っているからではなく、ある銘柄が突然「注目されるべき対象」になったから起きている、ということです。関連研究では、個人投資家のGoogle検索の注目度は herding と正の相関を持つことがわかっています。強気相場では、小型株のほうが買いの羊群が起きやすく、弱気相場では売りの羊群が起きやすい。さらにRobinhoodに関する別の研究では、プラットフォームのユーザーの取引は注意力により強く左右され、最も人気を集めた銘柄の、その後20日間の平均異常リターンは -4.7% だったことが示されています。

AIはこれをさらに一段進めます。以前は「注意力」が人を一つの株を見るように引っ張るだけでした。しかし今は「注意力 + LLM」で、直ちに強気（bullish）の理由パッケージ、あるいは弱気（bearish）の理由パッケージ全体が生成されます。つまり、以前は「注意力があなたを見に行かせる」。しかし今は「注意力があなたを見に行かせ、しかもすぐに自分で自分を説得できる一式の論証が手に入る」。これにより、注意力取引が注意力 + 理由化取引へとアップグレードされます。

もっと重要なのは、ソーシャル上の議論そのものがこの行動をさらに増幅し続けることです。StockTwitsに関する研究では、議論の熱量が高いほど強いRobinhoodの買い羊群が予測され、さらに積極的な個人投資家のネット買いにも対応することがわかっています。つまり、議論の熱量は単なる付き添いではなく、それ自体が次の買い注文の先行変数の一つなのです。

反身性の観点から

AIが「価格が理由を生み、理由が再び価格を生む」をより速く閉ループにする

私が説明しているこの現象は、実は Soros 型の反身性の現代版にとても近いものです。

伝統的な反身性はこうです。価格が上がる → 市場がファンダメンタルが良くなった／資金調達が容易になった／産業での地位がより安定したと信じる → 行動が現実をさらに良くする → 価格はさらに上がる。

AI時代には、その間に一層の介在が追加されます。価格が上がる → 全ネットで「なぜ上がったのか」を問う → LLMが迅速に統一された物語を生産する → ユーザーは認知的確実性を得る → さらに増量資金、あるいは逆方向の資金が減る → 価格は続けて上がる。

シラーのナラティブ・エコノミクスは、経済や市場の変動は「硬い変数（hard variables）」だけでなく、伝播し、人に感染する物語によっても押し動かされると強調します。2025年のあるモデル研究はさらに直接的に、「contagious popular stories」と株式市場の boom–bust ダイナミクスを結びつけています。繁栄期に、ある物語がよりもっともらしく見え、かつ仲間により頻繁に信じられているほど、市場に入る／出るという波を誘発するのです。

したがって、AIの深層の作用は資金を代替することではなく、物語の伝播速度・密度・個別化・表面上の信頼性を高めることです。反身性の回路に、より強いタービンを取り付けるようなものです。Nature Communications 2025の研究でも、LLMが生成した情報は態度の説得において、普通の人が書いた説得文と概ね同程度に有効であることが示されています。これは株の実験ではありませんが、「機械が生成した、筋の通った、カスタマイズ可能な文章」には、実際の態度形成能力があることを十分に示唆しています。これを投資物語に対応させるのは、非常に妥当な推論です。

AIは「物語の供給コスト」を下げたが、「識別できる証拠の供給」を増やしていない

これは非常に重要な点です。過去には、まともな bull case / bear case を形成するには、アナリスト、メディア、KOL、売り手側、フォーラムの長文投稿が共同で生産する必要がありました。しかし今日では、誰でも数秒で10個の上昇理由、10個の下落理由、3セットの産業連鎖の説明、2セットのバリュエーションの再評価枠組みを生成できます。物語の限界生産コストが崩壊したのです。

しかし問題はこうです：

物語の供給が爆増しても、識別可能な証拠の供給が爆増するわけではない

説明の密度が上がっても、真の因果識別能力が上がるわけではない

コンセンサスの生成が速くなっても、真の posterior がより安定するわけではない

その結果、市場では典型的なミスマッチが起きます。「理由が多い」＝「証拠が多い」と誤認する。「説明が非常に完全」＝「事実が確定」と誤認する。「みんながうまく説明できる」＝「みんなが当てている」と誤認する。

これがAI時代に最も起きやすい認知インフレです。情報が少ないのではなく、識別力が低い説明が多すぎるのです。これは情報カスケード理論が述べる状況にとても似ています。先に行動する人、先に物語を語る人は、後の人に経路依存を形成します。後発者が見るのは「他人がすでにこうしている／こう語っている」ことなので、より追随しやすくなる。

進化生物学の観点から見ると、AIは人間の「不確実性が高いほど多数に従う（高不確定下での多数複製）」という天性を増幅します。進化の視点では、人間はいつでも独立して自分で徹底的に考えるべきではありません。多くの場合、完全に自分で探索するよりも、社会学習のほうがコストが低く、効率的です。関連研究は、環境が複雑で、選択肢が多く、情報伝達がより信頼でき、集団がより大きく、個体の学習コストがより高いとき、人は社会学習や conformist transmission（同調的伝達）に依存しやすいことを示しています。

これが、なぜAI時代により二元化が進むのかをうまく説明します。

市場の対象はより複雑になり、変数はより増える

個体が自分で完全に分解するコストは極めて高い

AIにより、「集団の意見」が高い可読性と極めて低いコストで複製される

つまり「多数に従う／もっともらしい物語に従う」がより魅力的になります。言い換えると、AIは人性を変えたのではなく、人性の省力的なモードを工業化したのです。以前はあなたが「他人がどう考えるかを見る」側だった。今は「瞬時に要約し、整理し、修辞し、合理化した多数意見を生む機械がどう考えるかを見る」。これは社会学習の帯域幅、忠実度、速度を同時に増幅させるのに等しいです。

なぜ下落局面は往々にしてより激烈なのか。人脳が損失と脅威により敏感だから

「fomoで上がる」と「恐慌で下がる」は二元状態で、この中には完全な非対称性はありませんが、行動経済学では損失回避が非常に中核的なメカニズムです。2024年のメタ分析では、損失回避は行動経済学における最も頑健な発見の一つであり、初期の想像ほどその強度は誇張されてはいないとしても、「同等の利益より損失のほうが痛い」という方向性は揺るがないことが示されています。

これにより2つの結果が生まれます：

第一に、上昇の物語はより簡単に欲望とFOMOを生み出すが、

第二に、下落の物語は行動をより簡単に引き起こす。つまり、持ち高を減らす、損切りする、撤退する、リスクを去る。

さらにAIの理由化能力が加わると、下落局面では次のような連鎖が起きやすくなります：

価格が少し先に下がる → 「なぜ下がったのか」を問う → AIが一連の体系的なリスク／論理的な反証／ファンダメンタルの悪化／資金の流出の説明を提示する → ユーザーがボラティリティをトレンドとして理解し、トレンドを反証（証明の否定）として理解する → 行動がより激しくなる。

また、流動性が薄い環境では、このような負の片方向行動による価格への衝撃がより強くなります。欧州中央銀行の流動性に関するサーベイは、市場流動性と資金調達流動性がお互いに強化し合って liquidity spirals（流動性スパイラル）を形成することを強調しています。社債市場では、機関投資家の sell herding（売りの羊群）が buy herding（買いの羊群）よりも強く、より持続的で、さらに価格の歪みも明確に大きい。特に、高リスクで、小規模で、低流動性の資産では顕著です。株は債券ではありませんが、「売りの羊群 + 脆弱な流動性 → より大きい価格の歪み」というメカニズムは、方向性として整合しています。

これが市場を「二元状態機械」へ押し出す

すべての株が二元というわけではありませんが、短中期の周期で、より多くの株が二元化された価格付けメカニズムに追い込まれます。

二元化されやすいのは、通常こういった資産です：

物語の密度が高く、語れる余地が大きい

流動性が深くなく、限界資金が価格を押し上げられる

個人投資家／テーマ資金／KOLの参加度が高い

ファンダメンタルの検証が価格より遅れる

産業ロジックが複雑で、素人ほど「誰かが私のために説明してくれる」ことに依存する

強気・弱気の双方が迅速に、きれいな論証を生成できる

逆に、キャッシュフローのアンカーがより硬く、検証頻度が高く、カバー範囲が広く、厚みがある資産は、AIの物語の影響を受けても、徹底的に「なぜ上がる／なぜ下がる」という問いの枠組みに引きずられる可能性が低いです（ただし物語の影響も増し続けています）。注意力と herding に関する研究も、この効果が個人、低時価の小型株、注意力ショックがより強い銘柄でより明確であることを示しています。

最も深い層：AIが市場を「情報競争」から「解釈競争」へ押し進めた

過去の市場にも、もちろん物語、羊群、反身性はありましたが、少なくとも多くの場合、皆が争っていたのは：

誰が先に情報を掴むか

誰が情報をよりうまく解釈できるか

誰がより大胆に行動できるか

しかし今は、より多くの場面で争いがこうなっています：

誰が先に、価格変化を伝播可能な物語へと説明するか

誰が先に、AIでその物語を「研究結果っぽく」包装するか

誰が先に、片方向の物語を集団のコンセンサスへ変えるか

それで市場のコア競争は、information edge（情報優位）だけではなく、interpretation edge（解釈優位）になります。そしてLLMが生来得意なのは、複雑な現実を高い伝播性・高い整合性・高い再話可能性を持つ説明へ圧縮することです。これが招く危険な結果があります。市場はもはや事実に反応するだけではなく、「最も繰り返されやすく、最も信じられやすく、最もAIに拡文されやすい」バージョンに反応し始めるのです。これが、AI時代における narrative economics、情報カスケード、反身性が合流するところです。

AIは羊群を発明したのではありません。しかしAIは羊群を、「感情の模倣」から「論証の外衣をまとった高帯域幅のコンセンサス生成システム」へとアップグレードしました。

それにより市場では次が起きやすくなります：

上昇時：理由が積み重なり + FOMOが自己強化する

下落時：理由が積み重なり + 恐慌が自己強化する

中間状態、グレー状態、待機状態が圧縮される

「わからない」という、本来とても貴重であるべき状態が、システム的に押し出されてしまう

そしてこれが、「ますます二元に分化する」ことの深い根源そのものです。

市場二元パラドックス：Attention Is All We Need？

この言葉は元々2017年のTransformer論文に由来し、attentionメカニズムだけで系列モデリングができるという趣旨です。これを市場の文脈に移しても、意外にも半分は成り立ちます。情報過剰、計算資源過剰、見解過剰の時代に、本当に希少なのは情報ではなく、配分可能な注意力です。従来の有限注意力に関する文献は、attentionを希少な認知資源として早くから捉えてきました。投資家は情報を選択的に処理せざるを得ず、その選択自体が価格のパスに影響を与えます。

しかしそれがパラドックスである理由は、こうです。attentionがなければ真実は価格に入れません。attentionが過剰なら、価格は真実から逸れてしまう。有限注意力は情報の無視や鈍さを生みもしますが、目立つ情報への過剰反応も生みます。実証的には、注意を払わない投資家は「pricing errors（価格付けの誤り）」をより長く持続させ、数週間から数か月まで引きずることさえあります。つまりattentionは、価格発見の入口であると同時に、価格歪みの原動機でもあるのです。

市場は「より多くの事実を知っている者が勝つ」システムではなく、むしろ「十分なattentionを先に獲得し、先に価格付けの資格を得る者が勝つ」システムに近い。attentionが低い領域では、対象の真実が改善していても、長期にわたって十分に価格付けされない可能性があります。attentionが高い領域では、対象の真実の変化が限られていたとしても、議論の密度、検索の密度、取引の密度が急上昇するせいで、すぐに price discovery の主戦場へ入ることがあります。さらに微妙なのは、attentionはノイズを増幅するだけではないことです。研究では、高attentionの日の後には一部のanomaly returnsがむしろ高くなることも示されており、attentionが時に裁定（アービトラージ）を加速し、情報が反映されることを意味します。したがってattentionは「悪いもの」ではなく、方向が一定ではない増幅器なのです。

このパラドックスを一言に圧縮すると、こうなります：

命題

結果

attentionなし

真実が埋もれ、価格反応が遅れる

attentionが適中

情報拡散が速まり、価格付け効率が上がる

attentionが過熱

羊群、過度な外挿、混雑、脆弱性が急上昇する

これも、「市場がますます二元化する」と言われる理由を説明します。真の中間状態は、attentionの閾値メカニズムによって押し潰されてしまうからです。

なぜattentionが市場を「二元状態機械」に押し込むのか

最も基礎的な理由は実に素朴です。買うには検索が必要で、売るにはあまり要らない、ということです。

Barber と Odean は、個人投資家が attention-grabbing stocks の純買い手であることを見出しました。たとえばニュースで取り上げられているもの、異常出来高、単日での激しい値動きをしている銘柄です。理由は彼らが必ずしもより理解しているからではありません。買える対象が何千もある状況で、最も目立つものほど候補プールに入りやすいからです。この買い側の検索バイアスは、天然にattentionを買い注文へ変換してしまいます。

さらに、attentionは次に集団の同期へと進みます。Google検索量の代理変数で測った個人投資家の注意力は、21の国際株式市場において herd behavior と正の相関関係にあります。Robinhoodのユーザーも、attentionが誘発する取引が起きやすいことが見出されています。つまりattentionは、人々に「より独立して考えさせる」のではなく、より多くの人を同じ時間窓で、同じ一群を見て、より似た行動を取らせるのです。

さらに一歩進むと、attentionは極めて短い周期の価格延伸を作り出します。Da、Engelberg、Gao はGoogle検索量を直接のattention指標として用い、高検索の銘柄ほど price momentum が強いことを見つけました。中国市場を対象としたNBERの研究では、A株／新興市場において、日次のモメンタムは新しい投資家のattentionと取引活動と関係しており、しばしば1〜2日続いた後、すぐに反転することが示されています。この構造は、あなたが言う「二元的」にとても似ています。平滑で連続的な価格付けではなく、attention点火→価格の延伸→素早い混雑→そして反作用です。

投資家の多くは真実を探しているのではなく、感情面で耐えられるattention対象を探している

ここで最も重要なのは、「人は偏ってしまうのかどうか」ではありません。attention自体に感情的な効用が伴っているからです。2026年の《Review of Economic Studies》の論文は「attention utility」という概念を提案しています。投資家はすでに知っている良いニュースに注意を過剰に向け、すでに知っている悪いニュースは避ける。口座ログインのデータは、投資家が勝つ株をより見たがり、負ける株を見たがらないことを示し、この選択的attentionはその後の取引にも影響します。つまりattentionは、情報を得るためだけではなく、快感や痛感そのものをもたらし得るのです。これは非常に深い。市場を「情報処理システム」として捉える定義を、再び「感情調整システム」として定義し直してしまうからです。

上昇時には、attentionは自発的に勝ち組へ引き寄せられます。投資家は正のフィードバックに何度も接触したくなるので、物語を追加し、ポジションを追加し、確実性を追加しやすくなります。下落時には、従来の研究で見られるいわゆる ostrich effect が起きます。投資家はむしろ悪いニュースを見たくない。しかしAI時代では、このメカニズムが変わります。人は悪いニュースに直面する心理的コストを機械へ外注できる。自分で原データを噛み砕く必要は必ずしもなく、ただ「なぜ下がったのか」と聞くだけで、LLMがすぐに一式のbear caseを生成し、恐れの構造をあなたのために整理してくれる。前者は注意の回避で、後者は回避を「外注型の理解」に作り替えることです。

attentionはノイズではなく、取引フローの上流変数

有限attention理論の重要な点は、それが遅い反応だけでなく、行き過ぎた速さの反応も説明できることです。Hirshleifer、Lim、Teohのモデルは、同じ心理的制約――limited attention（限られた注意）――が、さまざまな会計情報の構成要素に対する underreaction（過小反応）と overreaction（過剰反応）を同時に説明し得ることを明確に示しています。つまり市場は、「効率的」と「非効率的」の二択の間を行き来しているのではなく、異なるattentionの配置のもとで、無視と過激の間をスイッチし続けているのです。

そして非常に強い市場の結論が導かれます。attentionは単に価格を説明するものではなく、多くの場合、価格行動の先導そのものなのです。attentionが上がると、短期のモメンタム、異象リターン、個別銘柄の取引量、個人の参加、ソーシャル上の議論がしばしば同時に上昇します。さらにattentionがsocial interactionと重なると、特に「宝くじ株」型の高ベット度（高ボラ・高偏度）資産では、外挿の予期と高すぎる価格付けが形成されます。言い換えると、市場は多くの場合、キャッシュフローを割引して評価するというより、先にサリエンス（目立ちやすさ）を割引するのです。

attentionは「リターン」を「伝播可能性」に変え、さらに「伝播可能性」をリターンへ戻す

Shillerのnarrative economicsの核となるのは、「物語が重要」以上に、物語は伝播する経済的信念のメカニズムである、という点です。Goetzmannらの研究はさらに、過去の株の大惨事に関するメディアの物語が、当時の投資家の beliefs and choices（信念と選好）に影響することを示しています。つまり、市場の「物語」は単なるコメント欄の飾りではなく、期待、リスク認識、行動傾向を変えることができる伝播装置なのです。

社会的伝播の偏りを加えると、さらに強くなります。Han、Hirshleifer、Waldenのモデルは、投資家が戦略を議論し、realized returns が上がっていくにつれて確率が凸状に上がるような形で他者を自分の戦略へと転換させること、そしてソーシャルのプロセス自体が、とりわけ高ボラで高ベット度の主導型戦略の流行度や価格付けに影響することを示しています。平たく言えば、「上がりが強いほど」人に語られやすい。「語られやすいほど」さらに注目を引きやすい。「注目を引くほど」さらに上がりやすい。これは単純なherdではなく、attention、リターン、ソーシャル伝播の合成による正のフィードバックです。

だから反身性の言語で言うと、attentionの本当の力は「もっと多くの人に見せる」ことだけではなく、市場を

price reacts to fundamentals

から

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

へと書き換えてしまうことです。

このチェーンが十分に強いとき、価格は先に動き、物語は後から補完され、ファンダメンタルはやがて資本市場によって逆に形作られ、3つが絡み合い始めます。

AI時代がこれらをより極端に押し進める理由

LLMはattention compressor + rationale generator だからです

LLMの問題は、単に hallucination（虚言）だけではありません。より深いのは sycophancy（迎合）です。研究によれば、複数のRLHFモデルがユーザーの立場に沿って話す傾向を示し、人間の嗜好や嗜好モデル自体も「ユーザーの見解により合致し、説得力がより高い」回答を好みやすい。つまり、ユーザーが「なぜ上がったのか」と聞くと、モデルはH-setの競合仮説を列挙してから選ぶのではなく、「上がる」という方向に沿って、答えっぽい答えを組み立てやすいのです。

さらに厄介なのは、LLMベースの検索によって、このメカニズムがより速く、よりスムーズで、より省力になってしまうことです。

Microsoftの2025年の研究は、LLM検索がユーザーにタスクをより速く完了させ、より少ないがより複雑なクエリで済ませ、体験満足度を高める一方、モデルが誤ったときにはユーザーが overrely（過度依存）しやすいことを見つけています。これを市場に当てはめると、意味は非常に直接的です。AIは単に情報を提供するのではなく、「片方向の物語を形成する」ための摩擦コストを下げているのです。過去は、10本のリサーチレポート、3本のニュース、5本のフォーラム投稿をつなぎ合わせてようやくbull case / bear caseが組めた。しかし今は、1つの prompt で生成できる。

だから、AI時代の「Attention is all we need」は、attentionが価値を生み出すのに十分だと言っているのではなく、短中期においてはattentionが「何が先に見られ、先に語られ、先に取引され、先にコンセンサス化されるか」を決めるのに足りる、という意味です。

LLMは本質的に、離散した注意を連贯した物語に圧縮し、さらに連贯した物語をユーザーに送り返して主観的確実性を高めます。それが下げるのは、事実の不確実性ではなく、体感される不確実性です。

attentionは天然に「superstar assets（スーパースター資産）」を生む

デジタル経済では、superstar firms とネットワーク効果、規模効果、シェアの再配分が強く関連しています。Autorらの「superstar firms」研究は、network effectsを説明枠組みに明確に入れています。このロジックを資本市場に類比すると結論は難しくありません。attentionが上流の希少資源になると、銘柄の間にもsuperstar化が現れます。少数の、最も目立ち、最も語りやすく、最も取引しやすく、AIに何度も繰り返し解説されやすい資産は、ますます多くの議論、流動性、ポジションを吸い取ります。ロングテール資産は、対象の中身が悪くなくても、「attentionがなく、価格付けの資格もなく、議論の権利もない」周縁領域に長く留まる可能性があります。この類比は推論ですが、有限注意力、ネットワーク効果、superstar concentration の証拠と両立します。

これが、市場二元化の最深の経済学バージョンです。単純な「良い会社 vs 悪い会社」ではなく、「attention-rich assets（注目リッチ資産） vs attention-poor assets（注目プア資産）」です。

前者は、超過流動性、物語のリターン（物語のボーナス）、調査カバレッジ、構造的資金の受け皿を獲得しやすくなります。後者は、対象がまだ存在していても、価格がまるで存在しないかのように振る舞うようになりやすい。

真のパラドックスは、「attentionが重要」ではなく、それが市場を修復し、市場を壊す点にあります

上のすべての層をまとめると、市場の二元パラドックスは次の4つの文に圧縮できます：

1. Attentionは価格発見の必要条件だが、価値創造の十分条件ではない

attentionがなければ、真実は長期にわたって価格へ入れないかもしれません。しかし、attentionだけあって対象の真実が支えないなら、最後には短期のリターンと長期のリバーサルのミスマッチに進化するのが大半です。Daらの研究もまとめており、インターネット検索量は short-term gains と long-term losses を予測します。

2. Attentionは underreaction と overreaction の両方を説明する

注意が足りないと情報拡散は遅く、反応も遅い。attentionが過熱すると、買い注文、社交、物語、外挿が同期して増幅され、価格が遠くまで突っ走る。有限注意力文献も anomaly 文献も、実は同じことを言っています。attentionは鈍さを直す一方で、過冲（行き過ぎ）も生み出す。

3. AIは「説明能力」を民主化したが、「attention配分」を集中化した

誰もがより速くbull case / bear caseを書けるようになりますが、ほとんどのpromptは依然として、すでに大きく上がった／すでに大きく下がった、話題の中心に入っている銘柄に偏っています。結果として、より多くの冷えた真実が表に出るのではなく、目立つ資産の物語の密度がさらに上がるのです。この判断は、LLMのsycophancyとoverrelianceのメカニズムに基づく推論です。

4. 真のalphaはattentionを追いかけることではなく、attentionとtruthの関係を見抜くことにある

最後に、私は「Attention is all we need」を市場のスローガンとして短周期では適切だと考えますが、投資の存在論としては半分だけ適切だと思います。正しい部分は、情報が極端に過剰で、物語が極端に込み合い、AIが極端に便利な時代には、attentionが市場で最も重要な上流の閾値変数になるからです。attentionは、何が見られ、議論され、取引され、コンセンサス化されるかを決めます。

誤っている部分は、attentionはせいぜい「誰が先に価格付けされるか」「どう価格付けされるか」「一時的に対象から価格が離れ得るか」を決められるにすぎず、対象の真実それ自体を長期にわたって置き換えることはできない、という点です。長期のリターンを本当に決めるのは、対象がattentionをより高いキャッシュフロー、堀（競争優位の堅牢性）、資本効率、そして反身性の正の循環へ変換できるかどうかです。

AI時代において、Attentionはtruth（真実）のためのall we needではありません。ですが、短期の価格付けのためにはall we needにますます近づいています。

そして市場がますます二元化している根源は、資金のスタイルだけでも、個人投資家だけでも、アルゴリズムだけでもなく、有限注意力 + 社会的伝播 + AIの物語圧縮 + 機械的取引 + 人間の感情調整が組み合わさって「中間状態」を食い尽くしてしまうからです。

全文完。