有个做量化研究的朋友跟我聊起一个有意思的现象。他搭建的模型识别利空信号，准确率可以达到七成以上，但碰到利好信号，判断结果经常出错。一开始他以为是数据本身的问题，反复核对之后发现，数据集规模、训练方式全都保持一致，利空侧预测效果就是稳定很多。他尝试更换多种模型结构，这个差距依旧存在。最后他得出结论，问题不在于模型本身，而是利空、利好两类信息，本身的属性就不一样。
这个现象背后有更深层的底层逻辑。
先看信息本身的结构差异。利空信息边界清晰，因果链条短，对应的时间节点明确。一家企业债务到期无法兑付，违约事实就已经发生。监管下发处罚文件，处罚文号、罚款金额都白纸黑字写清楚。大股东股权质押爆仓，平仓线是提前计算确定的数值。这类信息不需要过多解读，事实已经落地，模型解读空间很小。利好信息完全是另一回事。企业官宣达成战略合作，合作方名头看着响亮，但到底能新增多少营收、项目什么时候落地、会不会中途终止，全都是未知数。签署框架协议，法律约束力和正式合同差距巨大。新项目拿到审批许可，从落地建设到投产盈利，中间要跨越好几年时间。利好信息普遍描述的只是一种可能性，不是已经落地发生的事实。AI模型擅长从确定事实中提炼规律，预判一个不确定的利好能不能兑现，本身就超出了它的能力边界。
还有一层隐蔽因素影响结果。负面信息在传播过程中会经过多次交叉验证。企业财务造假被曝光之后，媒体跟进报道，监管开展问询，审计机构重新出具报告，股价同步下跌，每一个环节都在验证这条信息真伪。AI读取到这条信息的时候，信息已经经过市场多轮校验，干扰信息基本被过滤干净。利好信息不一样，很多利好消息还没证实就开始扩散，传播过程中还会不断被放大美化。普通订单会被包装成重大技术突破，常规人事调整，会被解读成企业战略转型信号。AI拿到手的，是经过加工修饰后的信息，没办法判断传播过程里被添加了多少水分。
从语言特点来看，利空信息用词统一。违约、亏损、减持、下调、处罚、诉讼，这类词汇在财经文本里含义固定。模型训练时见过大量同类表述，很容易建立稳定的识别规则。利好相关的描述用词五花八门。同样代表业绩向好，可以描述成业绩超预期、稳健增长、创历史新高、扭亏为盈、同比大幅改善，不同表述背后含义差别很大。更麻烦的是不少利好消息使用模糊表述，像是取得积极进展、实现良好开局、呈现向好态势，这类描述没有可量化的核验标准，AI很难判断背后真实情况。
市场对好坏消息的反应规律也不一样。利空消息传出，市场反应往往迅速、剧烈，投资者判断方向高度统一。企业爆出负面事件，股价当天就可能跌停，所有人短时间内看法趋同。这种统一的市场反馈，能给模型提供清晰的样本，用来校验判断对错。利好消息释放，市场反应往往分化、滞后，没有统一方向。一部分投资者认为是利好，另一部分会认为利好已经提前兑现，股价可能上涨也可能下跌，甚至高开之后持续走低。模型拿到这种混乱的反馈，很难从中学习有效判断逻辑。
更深层次的根源来自人类固有的认知偏差。心理学上的负面偏差理论指出，人天生对负面信息更敏感。损失一百元带来的痛苦感受，要强于赚到一百元获得的愉悦感。这种偏差也体现在文本素材上，撰写负面相关内容时，作者会更加严谨、保证内容准确，大家都清楚负面事件不能随意夸大捏造。而正面内容撰写更容易流于表面，带主观情绪，作者默认读者不会仔细核验细节。AI学习的素材就是各类文本，素材本身精确度不一样，直接影响模型输出质量。
站在信息经济学角度，这件事还有另一层解读。发布利空信息存在很高成本。企业隐瞒负面消息风险极高，一旦被曝光，后果远比主动披露严重。所以负面消息对外公开前，一般经过内部多层审核以及法务校验，信息可信度更高。利好消息披露成本低很多，企业有动力把普通经营消息包装成重大利好，夸大利好带来的后果较轻，甚至不会受到处罚。这种披露动机不对等，造成利好和利空信息从源头就存在质量差距。AI只是如实还原这种差距，并不是模型本身对坏消息更加敏感，根源是利空信息本身清晰度更高。
这位朋友后续调整了研究思路。不再强行训练模型去甄别利好消息真假，把重心放在识别、响应利空信号上。利好信息交由人工判断，人可以依靠行业人脉、实地调研、对企业管理层性格的了解，补足AI获取不到的信息。他说的一句话我印象很深：AI识别利空的优势，不是模型本身更聪明，只是利空这件事，不需要太复杂的判断能力。
