本文来自微信公众号： 肖小跑 ，作者：肖小跑
为什么叫“另类”？
说白了就是当下宏观研究和经济学家们觉得不是主流、“上不了大雅之堂”；或者是太新、太异想天开、大家不太敢用的研究方法、数据和指标。我想把它们都捞起来，给这些underdog们一个家。
为什么要做这个？
首先，当然是因为宏观这个圈子实在是太卷了，处处是高手，但研究方法几十年来几乎都没变过，也不多我这一个。而且最近由于AI的出现，我想每一个做研究的人都深深思考过，自己每天到底在做个啥，还能做多久？
当然还有一个最本心、最初心的原因：我对"叙事"这件事感兴趣了起码十年。很早以前就看我写文章、写书的朋友们应该都知道，从《羊群的共识》到《牧羊人的哲学课》，我反反复复在写同一件事：人到底是不是被故事牵着走的？市场到底是不是被故事推着动的？
我以前也试过用NLP做一些粗糙的文本分析，公众号里也写过不少想法，比如：《从"范式转移"到"注意力转移"：叙事vs第一性原理》、《信息在爆炸，人类在退化：AI能帮我们看到看不见的东西吗？》。
但这些年我一直觉得自己卡住了，无论怎么折腾，好像“发现叙事”这件事依然很抽象，很难被定义和量化。直到这两年大模型光速发展，AI真的能reasoning了，这件事才突然好像可以往下做了。所以这次又想试一把。干脆把它做成一个alternative research house。
02
下面详细给大家解释一下，为什么我觉得现在又可以做了：
其实叙事经济学的逻辑非常朴素：传统金融理论的地基是"理性人"和"有效市场"——大家都很聪明、信息都很对称、价格反映一切。听上去很美，问题是它解释不了现实。
比如著名的"股权风险溢价之谜"，其实背后的潜台词是：人到底胆小到什么程度，才能让股票长期碾压存款这么多，却还是没把所有人吸引进股市？再比如阿莱斯悖论：手里已经攥着肉的时候，人不肯冒一点险；手里啥也没有的时候，人比谁都敢赌。这种现象传统经济学没法用"理性"来解释，所以早期的处理方式就是甩锅给"非理性行为"，然后就不管了。
行为经济学把锅接了过来。说这些所谓的非理性不是噪声，是有规律、可传播、可建模的。而叙事经济学就是顺着这条路走出来的下一步——既然集体行为是被故事推动的，那故事本身就值得当成经济学的核心研究对象。
把这个想法捅破最后一层窗户纸的，当然是席勒老师（Robert Shiller）。他2017年做了个演讲，题目就叫《Narrative Economics》（叙事经济学），后来扩成了同名畅销书。这个演讲中有一个idea，就像病毒一样，扎根在大家的脑袋里：故事会像病毒一样在人群里传播，并影响人的经济行为。
叙事经济学这条线其实并不孤立，它正好坐在四条传统的交汇点上：行为金融学（代表大师是卡尼曼和塞勒，研究的是个体怎么犯系统性的错）；金融泡沫理论（代表大师是Kindleberger的《疯狂、恐慌和崩溃》）；信息经济学（Grossman-Stiglitz悖论——市场如果完全有效，谁还有动力去找信息？）。
最后一个虽然有点玄学，到现在似乎还是有点非主流，但我觉得非常重要：索罗斯的反身性理论（参与者的认知会影响基本面，基本面又反过来塑造认知，两边互相强化）。其实叙事经济学相当于给反身性配上了一个载体：叙事就是认知和现实之间的那根传导线。
03
我个人觉得叙事经济学这几年越来越重要，是因为有几件事真的变了：
首先是泡沫形成和破裂的速度肉眼可见在加快，从1929、1987、2000、2008、2013、2020、2021，中间还穿插着各种小泡沫的Boom and Bust，比如比特币、GameStop、硅谷银行等等等等。时间间隔在缩短，幅度在变大。
此外，社交媒体把信息传播效率拉到了一个新的量级，但与此同时又把大家放在了一个个茧房里，市场上的belief开始极度分散。同样一份经济数据，市场有时候疯狂、有时候无动于衷——数据和事实本身不重要，对数据的解读才重要。
还有一个重要的变化就是散户：韭菜侠和迷因股齐飞，散户能集体把华尔街的对冲基金搞炸这件事，在十年前都是科幻故事。这些年来我们看到的那些神奇股票，比如Palantir，以及马上要上市的SpaceX，都在拼命拉拢散户。SpaceX甚至把散户认购配额推到30%，史上最高。
这些变化都让故事和叙事变得越来越重要。我想这在大家心中都已经是共识了。
04
但既然叙事经济学这么重要，为什么到现在为止，它还是让人觉得是个非主流的事呢？
答案其实很简单：它很难算出来。
Shiller自己其实非常早就意识到了。他借用了流行病学里的SIR模型（Susceptible-Infected-Recovered，易感者-感染者-康复者）来形容叙事的传播，引入了一个"基本再生数" R₀的概念——R₀大于1就指数扩散，小于1就慢慢消亡。问题是，他从2017年提出这套类比到现在，始终只是个比喻，没人真正算过一个叙事的R₀是多少。
因为你要算R₀，得知道一个叙事每天被多少人接收、又被多少人放弃、传播速度多快。这意味着你要实时追踪海量文本里某个特定叙事的出现频率、传播路径和衰减速度。在没有大语言模型之前，臣妾真的做不到——Shiller自己最多也就只能用Google Ngrams（一个统计词频的小工具）来粗略追踪一下叙事流行度。
但这也太粗糙了。怎么说呢？就像拿个体温计去治百病。
更麻烦的是，就算你勉强算出了一个数字，你也很难证明叙事和价格之间存在因果关系，而不是巧合。以前研究者最多只能做"情绪分析"——把文本标成正面、负面、中性——拿来当代理变量。但情绪和叙事根本是两码事。"AI会取代人类"这句话可以是利好（科技公司估值上天），也可以是利空（失业大恐慌），一打情绪标签上去，叙事本身的结构就全没了。
我到这还没提反身性呢：叙事影响价格，价格又反过来塑造叙事，阴阳相克，有无相生——请问这要具体怎么呈现？
这就是为什么叙事经济学在学术圈里听起来很有意思、但一直长不大的原因。它卡在一个"有道理但没法算"的尴尬位置上太久了。
05
但这两年AI光速发展之后，这些"有道理但没法算"的问题，似乎开始有了形状了。
这两年我一直在收集相关的paper，发现这种进步和突破是越来越快的：
第一个突破是叙事本身可以被大规模、自动地识别了。比如2024年的《Business News and Business Cycles》，对WSJ大约80万篇文章做了主题建模，识别出180个新闻主题，发现这些主题的注意力变化能解释大约四分之一的股市总回报。这种规模的分析，五年前肯定是做不到的。
第二个突破，对我个人冲击最大的，是Bybee 2025年的另一篇论文《The Ghost in the Machine:Generating Beliefs with Large Language Models》。他做了一件挺神奇的事：给LLM一篇历史新闻，问它"读完这篇你预计未来S&P 500、CPI、失业率会怎么变？"，然后把成千上万篇文章的回答拼成时间序列。结果是——LLM生成的预期和人类专业预测者（SPF调查）高度相关。更神奇的是，它还展现出了和人类一模一样的系统性偏差。他甚至用这套方法生成了120年的经济情绪时间序列，去预测泡沫。换句话说，LLM不光能读懂叙事，它还能"像人一样"犯错——这对研究信念形成这件事来说，是非常有用的。
其他的paper们也很有意思。比如用大模型去研究硅基经济人、模拟市场、量化央行话术、寻找因果链；至于让Agent在模拟市场中交易的实验就更多了，也能跑出真实市场的关键现象，比如价格发现、泡沫、反应不足、流动性变化等等。
把这么多paper放在一起，我自己有个挺确定的判断：叙事经济学正在从一个"听君一席话"的领域，变成一个可以工程化、可以做成产品的领域。它过去缺的不是思想，是工具。现在工具来了。
06
我自己琢磨了一阵子，最后落在一个朴素的思路上：分子分母分析法。
每一条叙事都可以拆成两部分。一部分是分子——故事本身的强度、传播速度、卷入了多少人、引发了多少情绪。这部分AI干得比人好，因为它能扫天量文本、看见你看不见的传播路径。另一部分是分母——这个故事对应的现实到底有几斤几两，基本面给不给力，证据撑不撑得起。这部分人比AI干得好，因为它需要经验、行业理解、对历史的直觉。
两相对比，再配上一些其他的量化指标，我们可能会看到一个类似于"叙事事实比"（Narrative to Reality Ratio）的东西。用普通话说就是"乍一看"和"乍二看"之间的差距，或者用卡尼曼的话讲，就是系统1和系统2之间的偏差。这个偏差最终是会被市场纠正的，纠正过程中出现的时间差，可能就是我们的盈利窗口。关于这个问题，我在《拆解一下战争的"叙事事实比"：分子刺激情绪，分母保护钱包》这篇文章中讨论过。