AI 投资前沿 — 给 AI 资本开支背后的隐性依赖定价

AI 投资竞赛已经不只是技术主题，而是组合风险问题。超大规模资本开支先于收入、折旧、用电和融资反馈完全显现，投资者真正需要回答的不是 AI 支出会不会继续，而是研究系统能否把可持续采用与同步升温的资本开支叙事区分开，并把判断落实到仓位、压力测试和审计记录中。

前沿信号

BIS 于 2026 年 7 月 14 日发表的工作论文《The AI investment race》，把超大规模云厂商与 AI 实验室之间的竞争描述为一场可能出现剧烈反转的投资繁荣。BIS 2026 年度报告也指出，超大规模云厂商的 AI 资本开支承诺可能跑在盈利和自由现金流之前。这些材料不是选股回测，却提出了一个现实的研究任务：AI 暴露已不再是单一公司因子，而是一张由融资、供应商、基础设施和需求假设组成的网络。

另一个有用信号来自 Austin Pollok 和 Kevin Robik 7 月 1 日发布的论文《End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing》。论文讨论不先预测收益、再做权重优化，而是直接训练组合政策。这个思路适合 AI 资本开支主题，因为这里面对的不是一条收益序列，而是在相关性、交易成本和回撤约束不断变化时如何分配风险的问题。

为什么投资者在意

主题投资看起来可以分散，实际上可能共享同一个隐藏驱动：市场相信 AI 基础设施支出会持续加速。芯片供应商、数据中心、能源和网络设备公司、云平台以及软件受益者，可能同时暴露于同一次资本开支预期修正。只按股票数量计算分散度的模型，会低估这种集中风险。

受影响的也不只是信号生成。研究团队需要把公司披露、资本开支计划、电力约束、客户集中度、债务发行和估值假设连接起来。组合团队需要测试“支出继续上升但变现变慢”以及“融资条件先收紧”等情景。风险团队需要知道哪些数据变化触发了调仓，运营团队则需要可复现的证据，而不是事后生成的一段流畅解释。

这与 WisdomChain 的《LLM 选股需要摩擦测试》和《交易代理需要证据账本》相互呼应：有说服力的叙事还不是可交易证据，代理的结论也不是可审计的投资记录。

技术解读

可以把系统拆成“证据图谱”和“组合政策层”。证据图谱为每个判断记录发布者、发布时间、测量期间、来源类型和置信度。节点可以包括资本开支指引、自由现金流、折旧、电力供给、订单、客户集中度、债务到期和价格或利差反应；边则要区分披露事实与分析推断。

在其上构建情景特征，而不是一个“AI赢家”分数。例如资本开支相对现金流的压力、AI 客户收入集中度、基础设施交付周期、对融资利差的敏感度，以及估值对终值增长率的依赖。每个特征都要保存点时可得性和修订历史，回放历史决策时不能读到后来才出现的重述或财报。

政策层把情景映射到风险预算。端到端政策模型可以学习信号之间的交互，但必须与透明基线比较：等风险、行业中性因子暴露，以及简单的资本开支压力规则。评估不应只看收益，还要报告换手、执行短缺、回撤、因子拥挤和校准度。如果收益提升只是因为偷偷增加了共同因子暴露，那不是进步。

现实校验

BIS 描述的是可信的繁荣—反转机制，并没有证明反转何时发生、谁会胜出。组合政策论文提供的是方法，不是端到端学习必然战胜简单规则的证据。搜索结果和供应商叙事还容易受到幸存者偏差、发表偏差和营销偏差影响。

最大的风险是证据高度相关。资本开支指引、分析师预测、供应商评论和价格动量可能都只是共识的不同表达。让更多代理总结更多文件，可能只增加信心，并没有增加独立信息。非平稳性同样关键：折旧安排、电力瓶颈、出口管制和融资结构一变，旧信号的回报就可能改变。最后，日频回测有效的政策，扣除价差、冲击、税费和限仓后未必可用。

构建者要点

• 建立点时证据账本，把披露数字、推断暴露和模型假设分开。
• 在“资本开支高、变现慢”“融资冲击”和“基础设施瓶颈”情景下测试组合。
• 把学习型政策与简单风险预算、因子中性基线比较，同时报告换手和共同因子集中度。
• 按共同客户、供应商、融资和电力依赖关系，建立表面分散度之外的集中度视图。
• 为每次重要调仓保存证据快照、特征版本和政策版本。

链接 / 来源

• BIS 工作论文 1367：The AI investment race — AI 投资竞赛与反转风险。
• BIS 2026 年度报告：Progress and peril — AI 资本开支与金融稳定背景。
• Pollok 与 Robik：End-to-End Parametric Portfolio Policies — 跨资产组合政策方法。

Read in English →