30 条 AI 投资规律 (Pattern Library)¶
本页核心
跨多个 case 抽出的反复 patterns — 给你 base rate, 不是预测. Part 4 给你"鱼" (5 个 case), 这里给你"渔" (30 个普适规律).
怎么用这些 patterns
每个 pattern 含 4 段: 1. 规律一句话 2. Base rate (历史 batting average / 案例兑现率) 3. 历史 / AI 当前 case 4. 你 thesis 怎么用 (invalidation_triggers / sizing / monitor 信号)
30 patterns 分 6 类
- A · 短期价格 vs 长期 thesis (#1, #3, #5, #14, #18) — 5
- B · 产业结构 (#2, #4, #6, #7, #10) — 5
- C · 公司选择 (#8, #11, #23, #25, #24) — 5
- D · 长期 risk (#9, #12, #13, #21, #30) — 5
- E · 投资节奏 (#15, #19, #26, #27, #28) — 5
- F · 地缘 + 资本 (#16, #17, #20, #22, #29) — 5
1. Jevons Paradox · 效率提升 → 总需求反涨¶
规律: 一个资源使用变高效, 它的总需求反而增加 (不是减). 因为效率↑ → 价格↓ → 更多场景能用 → 总量↑.
案例: - 19 世纪英国煤炭蒸汽机效率提升 → 煤炭总需求反涨 - 2025/01 DeepSeek 训练成本 -90% → NVDA 短期 -17%, 但1 个月后 +60% recover, 因为推理需求激增
你 thesis 怎么用: - 看到"AI 效率突破"新闻 → 短期 panic 是机会, 不是 thesis 破 - 但前提: 应用层确实在扩展 (ChatGPT MAU / Copilot ARR 还涨) - invalidation: 如果 OAI / Anthropic revenue 增长率 < 50% YoY 同时效率突破 → 那时 Jevons 失效, 真 de-rate
2. Incumbent 错过 paradigm shift · 战略心智差别¶
规律: 现有王者 (incumbent) 不是技术不行, 是战略心智让它守利润 > 押未来. 真王者砍现有 cash cow 抢新 platform.
案例: - Intel 90s/2000s 是 CPU 王者, 但 2006-2014 错过 GPU + mobile + AI 4 个 paradigm shift (Otellini 看 iPhone "量太小, 拒了") - NVDA Jensen 2014 砍游戏卡利润换数据中心 — 现在 8x 收益 - Cisco 1999 → 2002 错过云 (守 hardware), 25 年后还没恢复
你 thesis 怎么用: - 评估 incumbent: 看 CEO 任期 + 是否敢砍 cash cow - 短任期 CEO (4-8 年换) + 大 cash cow 业务 → 大概率错过 next shift - 应用: AAPL (Tim Cook 14 年, AI 慢但有钱) vs Intel (CEO 8 年 4 换, 错过)
3. 基础设施先涨, 应用后涨 · capex / revenue lag¶
规律: 真技术革命中, 基础设施层 (卖铲子) 比应用层 (淘金者) 先涨 1-3 年. Capex 飞先, Revenue 兑现后.
案例: - Dotcom 1995-1999 Cisco / Lucent / Sun 涨 100-1000% — 之后应用层 (Amazon 真兑现) 再 5-10 年才大涨 - AI 2023-2025 NVDA / TSM / VRT / CEG 飞 — 应用层 (OAI / Copilot) 真 revenue 兑现 2024-2025 才起来 - 工业革命 1820-1840 铁路 + 钢铁先涨, 工厂 + 物流 1850+ 兑现
你 thesis 怎么用: - 早期周期: 重仓基础设施 (NVDA / VRT / CEG) - 中期: 转重应用 (MSFT / vertical AI) - leading indicator: hyperscaler capex / revenue ratio. 一旦 > 40% 持续 2 quarter = warning
4. 客户集中度暴雷 · 单客户 >50% risk¶
规律: 任何单一客户占营收 >50% 的公司, 长期都有暴雷风险. 客户经济或战略变 → 公司不可控.
案例: - ORCL OCI: OpenAI 占 54% RPO ($300B / $553B) - CRWV (CoreWeave): MSFT 占 60%+ 营收 - 历史: Foxconn → AAPL 集中风险; Nokia 1999 → 集中 European telco
你 thesis 怎么用: - 写 thesis 时强制查客户集中度 (年报 risk factor 段 + 10-K) - > 50% = red_flag, 加 invalidation_trigger: "若大客户披露下调订单 OR 大客户自身基本面恶化" - 估值溢价应该折扣 (vs 客户分散同类)
5. 出口管制 → 本土替代 · 监管 6-24 月 lag¶
规律: 任何地理/技术管制, 短期"明显受损方"被其他市场补; 长期被禁地区出现本土替代 形成新 thesis.
案例: - 2022-2024 美国 H100 不卖中国 → 短期 NVDA -7~-10%, 但其他市场补; 长期 Huawei Ascend 910C + SMIC 7nm 起来 - 1980s 美国半导体出口管制 → 日本 / 韩国半导体崛起 - 2018 Trump tariff → 越南 / 墨西哥制造业崛起
你 thesis 怎么用: - 管制宣布 → 短期 panic 是 entry (NVDA 失 25% 中国 但其他市场补) - 同时关注被禁地区本土替代 一级公司 (即使 public 投资难, 也要跟踪) - 长期: 市场分割 (US vs China AI 双轨), 投资必选边
6. 物理瓶颈 = 微观差异 = 巨大分化¶
规律: 行业内3-5 家寡头做同类产品时, qualify 通过 / 良率 / 罢工 这类微观差异, 可以决定股价 ±100%+ 分化.
案例: - 2024 HBM 3 家 (SK Hynix / Micron / Samsung): 因 qualify + 罢工差异, 1 年股价 +130% / +60% / -20% - 1990s DRAM cycle: 3-4 家寡头, 周期顶 / 底差 ±200% - 2020s TSM vs Samsung Foundry: 良率差 → 客户独占 TSM
你 thesis 怎么用: - 不要买 sector ETF (eg. "Memory ETF" 含 Samsung 拖累) - 个股 cherry-pick — 看每家qualify 状态 + 良率 + 工厂 outage - 监控关键词: "supply constrained" / "qualify ongoing" / "ramp delay"
7. 卖铲子 > 淘金者 · 赔率分布¶
规律: 真淘金热中, 大部分淘金者破产, 但卖铲子 + 卖牛仔裤的真赚. 因为淘金者赌"找到金子", 卖铲子赌"淘金者数量增加".
案例: - 19 世纪加州淘金: 99% 矿工破产, 但 Levi Strauss (牛仔裤) + 铁路 + 银行真赚 - Dotcom 1995-2002: 99% .com 公司死, Cisco / Sun (卖铲子) 1999 顶涨完 但仍比 Pets.com 好 - AI 2024-2025: NVDA / VRT / CEG (卖铲子) 涨 200%+ ; OAI / Anthropic (淘金, 一级) 估值高但不盈利
你 thesis 怎么用: - 早期周期重仓配套 (CEG / VRT / GEV / ETN), 而不是 foundation model (OAI 一级) - 看任何 mega capex 公告 (Stargate / Saudi 主权 AI / UAE), 找之前未被 priced 的配套环
8. 能力圈 / 不参与的纪律 · Buffett 智慧¶
规律: 你不参与你不懂的 paradigm = 智慧, 不是错过. Buffett 错过 Microsoft / Amazon / NVDA, 但没破他 record.
案例: - Buffett 2024 公开 "I don't know AI economics 10 years out" — 不投 NVDA / OAI / MSFT 大仓位 - Buffett 2016 入 AAPL 用 5 步 (能力圈 + moat + management + 价格 + 持有) - Berkshire 2025 Q1 现金 $350B+ — 不动手等下个 AAPL 时刻
你 thesis 怎么用: - 5 步全 yes 才长期 hold; 任 1 步不通过 = trade 不是 invest - 现金不是懒, 是等下个 5 步全过的时刻 - AI 多数票 (NVDA / OAI) 失 Step 1 (10 年不可预测) → 不该 long-term core
9. Scaling laws 数据墙 risk · 长期 wildcard¶
规律: Scaling laws (参数+数据+算力 → 能力) 持续 5-8 年, 但数据是有限的 (互联网总文本 ~40T tokens). 一旦数据墙, 必须用合成数据或多模态. 风险: model collapse.
案例: - GPT-2 → GPT-4 共 200x 参数, 数据从 ~10B → ~13T tokens - Chinchilla 修正 (2022): 数据要 same scale as 参数 - 2026 估全球高质量文本 ~40T tokens, GPT-6 需 ~100T → 不够 - 合成数据 (Meta / OAI 试) 风险 model collapse (LLM 训自己产生越来越糟)
你 thesis 怎么用: - 长期 (2027+) NVDA / OAI / Anthropic thesis 必含数据墙 invalidation - monitor: foundation model 公开 benchmarks 是否还指数提升, 或开始 plateau - 反 thesis 触发: GPT-6 (假设) 能力不显著超 GPT-5 → scaling laws 第一断曲线
10. 平台战略 > 产品战略 · 锁生态 20 年¶
规律: 真王者押平台 (开发者生态 / API / 标准), 不是单产品. 平台 lock-in 是20 年护城河, 产品 lock-in 是 2-3 年.
案例: - NVDA 2006 CUDA: 给开发者 free 工具, 20 年生态. AMD 2016 ROCm 追, 至今追不上. - Apple 2008 App Store: 平台让 iOS 锁开发者 + 用户 + 数据 - MSFT 1995-2008 Windows API: 让别人在它上面建, 锁了 20 年 - 反例: Intel 90s 没投平台 (没自家 CUDA-class 软件), 只卖 CPU 硬件 → AI 时代 0 生态
你 thesis 怎么用: - 评估 incumbent + 新挑战者: 看它有没有平台战略 + 平台多老 - Platform 老 5+ 年 + 开发者活跃 = 长期 moat - 新挑战者 (OAI / Anthropic): 用户 + API 是不是 platform — 中等
11. 客户自研 ASIC 长期稀释 moat¶
规律: 客户做大后, 会自研芯片降本 + 锁供应链. 1 家 hyperscaler 占供应商 20%+ 营收时, 这趋势必然.
案例: - Apple 2008 → A-series chip (从 TSM 代工, 不靠 Qualcomm) - Google 2016 → TPU (自家, 不靠 NVDA 内部 ~50%) - AWS 2020 → Trainium2 (替代部分 NVDA) - Microsoft 2024 → Maia 100 (内部测试中)
你 thesis 怎么用: - 评估 NVDA / 类似中游公司: 看客户集中度 × 客户做芯片能力 - Hyperscaler 4 大都做 ASIC → NVDA 长期 (10 年) 内部市场份额 60% → 40% - 但通用市场 + agentic 仍 NVDA — 反 thesis 不是"NVDA 死", 是 "growth 减速"
12. 价格 commoditization · Foundation Model 撞墙¶
规律: 软件 / API 类产品容易被复制, 价格快速 -90% 几乎不可避免. 只有用户体验 + 数据飞轮能锁定.
案例: - OAI GPT-3.5 API 2022 $0.002/1K token → 2024 几乎 0 - DeepSeek 2025 把 API 价打 -90% - AWS S3 2006 $0.15/GB → 2024 $0.023/GB (-85%) - 反例: Apple iPhone 价没 commoditize (品牌 + 生态)
你 thesis 怎么用: - Foundation model layer (OAI / Anthropic): 长期 thesis 不是 API revenue, 是应用层 monetize (ChatGPT C 端 + 企业 SaaS) - API revenue 高估值不可持续 - 评估: 用户量 + 数据飞轮 (ChatGPT 300M MAU 是 OAI 真护城河, 不是 API)
13. 能源是 wildcard 但建设周期长¶
规律: 软件可以快速 scale, 基础设施 (电力 / 房地产 / 制造) 不能. 1 GW 数据中心建 3-5 年, 1 个核电站建 10 年. 任何 AI 增长最终撞物理上限.
案例: - MSFT-CEG 三里岛重启: 2024 announce, 2028 上线 (4 年 lag) - TSM Arizona Fab 21 Phase 1: 2020 announce, 2024 量产, Phase 2-3 至 2028 (8 年) - AI 2026 美国年新增电力需求 ~80 GW vs 当前年新增 ~10 GW → 缺口 8x - Stargate $500B 数据中心需要 5 年才能全建完
你 thesis 怎么用: - 能源 / 制造类 ticker (CEG / GEV / VRT / EQIX) 是4-8 年 thesis, 不是 6 月 thesis - 但已经涨完前期 (CEG 2024 +200%) — 现在加仓需谨慎 - 寻找下一个未被发现的瓶颈 (HBM4 2026 / CPO 2026 / 液冷渗透率)
14. 13F 滞后 6 周 + 不显示 options · 信号衰减¶
规律: 13F 持仓滞后 45 天披露 (季度末 → 5/15), 且不显示 short / options. 用 13F 做 timing 信号 → 系统性错.
案例: - 2024 Aschenbrenner $1.57B NVDA put — 13F 罕见披露 case (大部分类似 short 不可见) - 2026 5/15 披露 Q1 持仓, 但市场已过 6 周, 触发条件可能变 - Bridgewater 减持 + Citadel 增持 同 ticker — 分歧信号, 不是明确 buy/sell
你 thesis 怎么用: - 13F 信号: 看机构共识趋势 (不是 single fund) - caveat 必加: "滞后 6 周, 不显示 options" - 跟 options open interest 一起看 (异常大 strike puts / calls = 比 13F 强信号)
15. agentic compute · 新增长曲线¶
规律: 普通 ChatGPT 单次 ~1K token 推理, agentic (Claude Code / Cursor / Devin) 单 session ~50K-500K token + 多步工具. 推理 compute 100-500x.
案例: - Claude Code 真实推理用量 vs 普通 chat: 100-500x compute - Cursor 编程 session: 平均 50K tokens / task - Devin (autonomous agent) 每 task 数小时 LLM 调用
你 thesis 怎么用: - NVDA 长期 thesis 加新引擎: agentic 渗透率 - 假设 agentic 渗透 5% 全球开发者 → 推理 compute 当前 10x — NVDA 第二增长曲线 - monitor: agentic 公司 ARR 增长率 (Cursor / Anthropic Claude Code revenue)
16. Hyperscaler capex 拐点 · 最大 wildcard¶
规律: AI 产业链 90% 依赖 hyperscaler 4 大 capex. 任 1 家capex guide 持平或下调 = 全产业链 de-rate 30-50%.
案例: - 历史可比: 1999 Cisco capex 持平后 -90% (dotcom) - 当前 MSFT/GOOGL/AMZN/META FY26 capex 总 $290B+, 一直 上调 - 一旦 FY27 任 1 家 < 10% YoY 增 → AI thesis 第 5 寒冬触发
你 thesis 怎么用: - 这是最重要 invalidation_trigger (写在所有 NVDA / hyperscaler chain thesis 里) - monitor: 季度财报 capex guide (4 家 × 4 季度 = 16 个 data point / 年) - 一旦触发 → trim 50% AI infra 仓位
17. 地缘 → 市场分割 · 双轨发展¶
规律: 美中 AI 战 → 5-10 年内全球 AI 产业分两半: 美 + 盟友市场 (NVDA / OAI) vs 中国市场 (Huawei / DeepSeek). 投资者必须选边.
案例: - NVDA 2022-2025 失 25% 中国市场, 美方 friend-shoring 填补 - DeepSeek 用 H800 + 算法效率 训出近 GPT-4 — 中国市场自给自足证明 - 长江存储 HBM 2026 量产 → 中国 memory 自给 - 历史可比: 1980s 半导体美日分割; 2000s+ 互联网中美分割
你 thesis 怎么用: - 任何 thesis 涉及跨地区敞口 必标注: "China share X% (could be cut to 0)" - TSM thesis 必加台海 invalidation (低概率 catastrophic) - 美方 friend-shoring beneficiary: TSM Arizona / Korea / Japan / EU
18. Q4 + Q1 effect · 年末年初 catalyst 集中¶
规律: AI / tech 行业4 季度财报集中 + 年末 GTC + Q1 NVDA 财报 = Dec-Feb 历史 outperform.
Base rate: 2014-2024 SOX 半导体指数 12 月-2 月平均 +8.5% (vs 全年平均 +12%), Dec-Feb 贡献全年 70%+.
案例: - 2024/12-2025/02: NVDA +18% (Q3 FY25 + GTC + 财年末 positioning) - 2023/12-2024/02: NVDA +30% (Q3 + Q4 财报双 catalyst) - 反例: 2025/01/27 DeepSeek 抛售打破节奏
你 thesis 怎么用: - Q4-Q1 加仓窗口, 但等回调 (而不是 chase up) - 监控 11 月 NVDA Q3 财报 + 1 月 GTC + 2 月 Q4 = 3 个连续 catalyst - 反 thesis: 如果 Q3 财报 + GTC 都 disappoint → 整 cycle 弱
19. Open source 长期赢 · 平台型护城河¶
规律: 当某层成为普及 platform (Linux / Android / 数据库 / LLM), 长期 open source 选项会蚕食付费 leader 50%+ 份额.
Base rate: 历史 7/10 case 兑现 (慢, 5-10 年). Linux 服务器 90% / Android 智能手机 70% / MySQL+PostgreSQL DB 50%+.
案例: - 2024-2025 Meta Llama / DeepSeek / Mistral 开源 → 蚕食 OAI/Anthropic 部分 API 市场 - 长期 trajectory: foundation model layer commoditize 不可避免 - 但应用层 (ChatGPT C 端 / Claude Code agentic) 仍 closed 王者
你 thesis 怎么用: - Foundation model 公司 (OAI / Anthropic) 长期 API revenue thesis 弱 - 真 moat 在应用层 + 数据飞轮 + 用户量 - 监控: Llama 4 / DeepSeek V4 推出, API 价格被进一步打 → 验证
20. CapEx → Depreciation 5 年 lag · 利润虚高 trap¶
规律: 公司当年 capex 通常5-7 年折旧到 P&L. 高 capex 公司当前 reported profit 虚高 — 真成本要 5 年后才反映.
Base rate: 1999 Cisco / 2024 hyperscaler 都触发. 当 capex / revenue > 30% 持续 3 quarters, 后 5 年 EPS growth 通常 plateau 或负.
案例: - MSFT FY24 capex $55B vs depreciation $20B → 利润被 ~$35B 推高 (账面) - 5 年后 capex 折旧完, EPS 假设增长率 -20-30% - 历史 Cisco 1999 capex $4B, 2002 折旧到位 → EPS -60%
你 thesis 怎么用: - 看 hyperscaler 实际 owner earnings = reported earnings - (capex - depreciation) - MSFT "真实" earnings 比 reported 低 35%+ - 反 thesis trigger: 当 capex / revenue 维持 > 35% 且 revenue growth 减速 → re-rate
21. Cyclical industries 18-24 月 halflife¶
规律: Memory / 半导体设备 / 部分 SaaS 是周期股, 历史 cycle 18-24 月. 顶 → 底 通常 -50% 到 -70%, 然后 24 月 recover.
Base rate: Memory cycle (1990-2024) 共 8 个 cycle, 平均 22 月. 全程跌幅: -60%.
案例: - 2022 memory cycle: MU 顶 $99 → 底 $48 (-52%), 然后 24 月 recover 到 $130 (peak) - 2024 HBM 起来后, 2026 H2 可能开始下一轮 memory 顶 - 半导体设备 (ASML / AMAT) cycle 跟 foundry capex 同步
你 thesis 怎么用: - 周期股 P/E 反向用 (顶时 P/E 低, 底时 P/E 高) - MU / 半导体设备不当长期 hold, 当 cycle trade - 监控 SEMI 设备 book-to-bill ratio (>1 ramp / <1 顶)
22. First mover ≠ Winner¶
规律: 第一个推产品通常不是最终王者. 王者是正确时机 + 平台战略 + 执行, 不是 first.
Base rate: 历史 6/10 case, first mover 被超越. AltaVista → Google. Friendster → Facebook. Netscape → IE → Chrome. MySpace → Facebook.
案例: - Transformer 2017 是 Google 写的, 但 OAI 2022 抢 ChatGPT 占用户 (5 年 lag) - Vision Pro (Apple) vs Quest (Meta) — Apple "first premium" 但 Quest 已 6 年 + 用户基数 - IBM Watson 2011 是 LLM 先驱, 但14 年没 own 市场
你 thesis 怎么用: - 不要为 first mover 付溢价 (eg. AltaVista 1998 估值) - 看谁有 distribution + 资本 + execution, 不是谁发布最早 - 反例 (Winner 是 first 的): AAPL iPhone, NVDA CUDA — first 且 持续投入
23. Switching cost 重于 product quality¶
规律: 一旦客户深度集成 + 数据迁移成本高, 即使竞品产品更好, 大部分客户不会换.
Base rate: 9/10 企业级 SaaS / 工业软件案例兑现. Microsoft Office vs Google Workspace 25 年. Adobe Creative Cloud vs Figma 5 年.
案例: - CUDA (20 年生态): AMD MI300 性能可能跟 H100 一样, 但重写 ML 代码成本太高 - Snowflake / Databricks: 客户数据迁移 6 个月, 90% 客户不换 - SAP / Oracle DB: 30 年 lock-in, 即使 cloud-native 更好
你 thesis 怎么用: - 评估 moat 时switching cost 是最强 leading - NVDA moat 不是 GPU 本身, 是 CUDA 生态 + 客户 ML 代码集成 - 反例预警: AWS S3 / GCP Storage — switching cost 中等, 价格 commoditize
24. Acquisition as moat extension¶
规律: 真王者通过收购把单产品 moat 扩成生态 moat. NVDA-Mellanox / Adobe-Figma / MSFT-OpenAI 投资.
Base rate: 5/10 大额收购 (>$5B) 长期成功. 失败常因 culture mismatch. AI 时代 strategic equity (NVDA + CRWV) 比传统 M&A 灵活.
案例: - **NVDA-Mellanox (2019, $7B): InfiniBand 网络 → 数据中心 fabric 整 stack 控制 - **NVDA-Run:ai (2024, $700M): K8s orchestration → 锁 enterprise AI deploy - **NVDA 战略投 CRWV $36B / NBIS / Cohere — 间接锁 customer demand - Adobe-Figma** (2022) — $20B (被监管拒) — 教训 acquisition 也有 risk
你 thesis 怎么用: - 长期 hold 候选: 看 incumbents 是否用 M&A 持续 extend moat - 监控 NVDA Q1 FY27 后新收购 / 战略投 公告 - 反 thesis: 如果 NVDA 停止 M&A → moat 增长 plateau
25. Founder-led companies premium 30%+¶
规律: 由创始人长期掌舵的公司, 历史outperform 职业经理人 30%+. 因长期视角 + 风险偏好 + 内部 ownership.
Base rate: Bain 2020 研究 founder-led S&P 500 公司 vs non-founder, 15 年 outperform +3.1% 年化 = 累计 ~50%+. AI 时代尤其相关.
案例: - NVDA Jensen 33 年: 砍游戏卡换数据中心 + CUDA 20 年 + Mellanox 收购 - Meta Zuckerberg 20 年: Reality Labs 烧 $50B 不眨眼 (职业 CEO 不敢) - TSLA Musk: 风险偏好 + 长期 visionary - 反例: GE / Intel / Boeing — 长期职业 CEO, AI 时代落后
你 thesis 怎么用: - founder-led: 优先 long-term hold (NVDA / META / TSLA) - 看 CEO 任期: > 10 年 = 长期视角 ; 4-8 年换 = 短期 KPI 心态 - 反 thesis trigger: founder 离开 / 健康事件 → re-rate
26. Activist investor as catalyst (6-18 月 timeline)¶
规律: Activist 入场 (Pershing Square / Elliott / Starboard) 通常 6-18 月内催化 specific 动作: 分拆 / 回购 / 换 CEO / 卖资产.
Base rate: 历史 6/10 activist 入场后 18 月内目标公司 outperform 大盘 +15%+. 特别有效在 underperforming incumbents.
案例: - Ackman (Pershing) → CMG 2016 catalyst, 3 年 +200% - Elliott → AT&T 分拆 WarnerMedia - Starboard → CSCO, 推 buyback + 资本回报
你 thesis 怎么用: - 监控 13F 大 activist 新进 position - AI 行业 activist 候选: Intel (already happening) / IBM / Oracle non-cloud parts - 反 thesis: 一旦 activist 退出 → 涨幅可能回吐
27. R&D × ROIC 4 象限分类¶
规律: 公司可按R&D / revenue 比例 × ROIC 分 4 象限. 只有"高 R&D + 高 ROIC"是复利公司.
Base rate: S&P 500 历史, 高 R&D + 高 ROIC quadrant 占比 5%, 15 年 outperform +50%+ vs S&P.
| 象限 | R&D / Rev | ROIC | 类型 | AI 例子 |
|---|---|---|---|---|
| 复利 (best) | 高 (>10%) | 高 (>20%) | 平台 + execution | NVDA · MSFT · GOOGL |
| 烧 | 高 | 低 | 还在烧, 验证中 | OAI · Anthropic · Pure Storage |
| 防御 | 低 | 高 | 成熟 + 现金 | KO · JNJ · AAPL (post-2020) |
| 死亡 spiral | 低 | 低 | dying | Sears · Boeing · INTC (current) |
你 thesis 怎么用: - 长期 core hold: 只选复利象限 - AI 时代新复利候选: NVDA / MSFT / GOOGL / META - 反 thesis: 如果 NVDA 进入"高 R&D + ROIC 下滑" → 离开复利象限, 减仓
28. Catalyst clustering · 1 周内多事件 = positioning window¶
规律: AI 行业 catalyst 经常1 周内扎堆 (财报 + GTC + 政策 + 13F). 这是机构positioning window, 散户应前 1 周减仓 + 后 1 周 review, 不要事件中加.
Base rate: 2023-2025, NVDA 财报周 (Q3 + Q4 + Q1) 平均 ±10% volatility, 65% 概率财报后 7 天反向走 (短期 buyer 倦怠).
案例: - 2025/02 NVDA Q4 + GTC + DeepSeek event 1 月内 3 个: NVDA -17%-> +30% recover -> 又跌 -10% (净 -5%, volatility 高) - 2024/05 NVDA Q1 财报 + 1 周后 13F 披露: 即使财报 beat, 13F 减持暴露 → 横盘 - 2023/11 NVDA Q3 + Sam Altman 辞职 OAI drama 1 周内
你 thesis 怎么用: - catalyst clustering 前 1 周减仓 starter to core 比例 - 事件中不动, 等 7-14 天 sentiment 沉淀再 review - 监控catalyst 日历, 找下个 clustering window (eg. NVDA 财报 + GTC + 大会议同周)
29. Forward guide 价值 > current quarter¶
规律: 财报当晚 stock 反应 80% 看 guidance, 20% 看 current quarter. 即使当季 beat 大, guidance miss → 跌.
Base rate: 2018-2024 SP500 财报后 reaction 分析, guidance miss 平均 -8%, even when current quarter beats. 反之 guidance beat 平均 +6%.
案例: - NVDA Q4 FY25 (2025/02): 当季 revenue beat ($39.3B vs $38.5B 预期), 但 Q1 guidance midpoint $43B vs $44B 预期 → 财报次日 -8.5% - ORCL Q1 FY26 (2025): 当季 miss, 但 RPO $553B beat + AI guidance 强 → +12% - MSFT Q1 FY25: 当季 beat 但 Azure growth guide 减速 → -6%
你 thesis 怎么用: - 你 thesis 的 catalyst look_for 应重 guidance > current quarter - 财报当晚不要看头条 "beat / miss" 总数, 看 management guide language - 监控 keywords: "above prior guide" = 强; "in line with prior" = 中; "moderating" / "headwinds" = 警
30. Black Swan defense · sizing 留 30% cushion¶
规律: 历史平均每 7 年 1 次 -30% 系统性 drawdown (1987 / 2000 / 2008 / 2020). 长期投资必假设会发生, 留 cushion.
Base rate: 1928-2024 SP500 数据, 平均 7 年 1 次 -30%, 平均 10 年 1 次 -40%. AI 集中度高 → 个人 portfolio drawdown 更大.
案例: - 2020/03 COVID -34% in 5 weeks - 2022/01-10 -25% (Fed 加息 + 通胀) - 2025/01/27 DeepSeek 抛售 NVDA -17% 1 天 - 任何能拿走你 1 年收益的事件
你 thesis 怎么用: - portfolio 留 20-30% cash / bond (即使你 high conviction) - 单股最大 15-20% (P2A-C4 sizing 已教) - 心理准备: 假设明天 -30%, 你 sizing 能不能扛? - Black Swan happens — 不预测但留余地
30 patterns 的共同 lesson¶
| Lesson | 来源 patterns |
|---|---|
| 短期价格 ≠ 长期 thesis | #1 Jevons / #5 监管 lag / #18 Q4 effect |
| 看 second-order effect | #1 / #11 ASIC 稀释 / #14 13F 滞后 / #20 capex lag |
| Incumbent 战略心智 决定 paradigm | #2 / #10 / #22 first mover |
| 物理约束最终 dominate | #6 / #13 能源 / #16 / #21 cyclical |
| 卖铲子 > 淘金 (1-3 年周期) | #3 / #7 |
| 你不懂的不投 | #8 / #9 scaling 不定 |
| 复利 = R&D × ROIC × founder-led | #25 / #27 |
| Black Swan 永远 happens, 留 cushion | #30 |
| 长期 platform > 单产品 (open + closed) | #10 / #19 / #23 |
| Catalyst timing > Catalyst direction | #18 / #28 / #29 |
patterns 不是预测, 是 base rate
每个 pattern 给你历史 base rate, 不告诉你未来一定. 你 thesis 仍要自己写 — patterns 帮你避开典型 pitfall, 不替你做判断.
Base rate sources: Bain & Co 2020 founder-led study / SP500 historical earnings reaction (Bloomberg consensus 2018-2024) / SOX 半导体指数 historical seasonality / 个人观察 AI 行业 2022-2026.