雷火竞技首页

万亿资管转型:从Beta到AlphaTPA全组合投资如何应对美股AI泡沫风险
发布时间:2026-07-23
 2026年6月9日,由中国人民大学财政金融学院和国际货币研究所(IMI)主办的“陶湘国际金融讲堂”第34期成功举行。曾经在麦肯锡投资机构、沙特主权财富基金工作,现任美国USSA International市场资产类别与投资组合策略主管的岑鸣女士为主题发表了英文演讲。她从资产、资产所有者分类入手,阐述了不同类别资产所有者的投资动机,介绍了美国资产所有者的投资策略趋势,例如,减少对外部管理⼈的依赖

  2026年6月9日,由中国人民大学财政金融学院和国际货币研究所(IMI)主办的“陶湘国际金融讲堂”第34期成功举行。曾经在麦肯锡投资机构、沙特主权财富基金工作,现任美国USSA International市场资产类别与投资组合策略主管的岑鸣女士为主题发表了英文演讲。她从资产、资产所有者分类入手,阐述了不同类别资产所有者的投资动机,介绍了美国资产所有者的投资策略趋势,例如,减少对外部管理⼈的依赖,更多进⾏投资组合策略的内部化管理;追求更高的回报,从贝塔策略转向阿尔法策略;越来越重视量化投资、AI 驱动的投资流程。对比分析了投资组合策略模型(SAA)和整体组合方法(TPA)的优势和劣势,并结合沙特、加拿大、挪威等国主权财富基金的实践,介绍不同投资组合策略的成效,指出全球投资组合的未来发展趋势是TPA。最后,她揭示了美国股市的投资机会和风险,强调宏观因素分析在策略投资中的重要性。

  资产所有者在金融行业中非常重要。金融行业分为买方和卖方,买方包括投资银行、券商和研究服务提供商等服务提供方,为管理人(如对冲基金或私募基金管理人)提供服务。资产所有者是买方资本的最终来源,是所有人的客户,他们既可自己投资,也可投资于外部管理人,比如对冲基金和私募基金。因此,资产所有者投资趋势的任何变化都会对整个金融体系产生重大影响。

  资产所有者有很多不同类型,包括主权财富基金、养老基金、捐赠基金、慈善基金、保险公司、家族办公室等,不同种类的资产所有者的资金来源、主要目标和投资风格有着明显的差异。主权财富基金是规模最大的资产所有者。例如,挪威的主权财富基金规模最大,资产管理规模约为 2 万亿美元,沙特主权财富基金(PIF)的资产管理规模约为 1 万亿美元,而中国拥有全球第⼆⼤主权财富基金。养老基金的数量比主权财富基金多得多,养老基金的总规模也远⼤于主权财富基金。主权财富基金的总规模约为 15 万亿美元,而公共养老基金的规模高达 60 万亿美元左右。还有⼤学和基⾦会管理的捐赠基⾦,这些机构管理慈善捐款。保险公司和家族办公室则管理家族财富。

  不同种类的资产所有者各⾃有不同的⽬标和约束条件。主权财富基金更多要帮助国家实现发展目标。例如,PIF 的⽬标是帮助沙特阿拉伯实现“2030愿景”(Vision 2030),这是沙特的国家经济发展蓝图。PIF 的⾸要⽬标是增长资产、达到特定⽬标,同时还需要帮助发展国内经济、培育全新的产业部门。此前,沙特除了⽯油及相关化⼯产业外⼏乎没有其他产业。因为他们富有,所以⽆论需要什么,都可以直接进⼝或到国外获取相应的服务。 现在他们想要建⽴⼀个多元化的产业组合,以摆脱对⽯油的依赖。他们重点发展的优先产业,包括⾦融、科技、⼯业和娱乐业。有趣的是,娱乐业是其中的重点之⼀。 10 年前,沙特阿拉伯还是⼀个极为保守的国家,完全没有娱乐设施——没有电影院,没有演唱会。但现在,沙特取消了对女性参加社会活动的诸多法律限制,举办各种⼤型⾼端演唱会,发展体育娱乐产业,邀请知名歌⼿,举办各种嘉年华活动,引⼊了⼤量体育队伍和球星。这种变化速度真的令⼈⼤开眼界。

  对于养⽼基⾦来说,提高回报率是主要的目标。例如,美国的养⽼基⾦规模虽然很⼤,但实际上正⾯临着⽇益扩⼤的资⾦缺⼝,原因是⼈⼝结构的变化。1950 年代美国曾出现过婴⼉潮,婴⼉潮⼀代现在已经 70 多岁,开始领取养⽼⾦,⽽缴纳养⽼⾦的⼈数却在减少。因此,许多美国养⽼基⾦开始出现⽇益扩⼤的资⾦缺⼝,亟需提⾼回报率、增加资产规模,以弥补这些资⾦缺⼝。

  值得注意的是,美国资产所有者的风险容忍度要⼤得多,很多时候他们并没有⼀个明确的长期回撤上限。⽐如 PIF 并没有⼀个具体的回撤限额,但他们会⽤其他指标来衡量风险。这使得他们能够运⾏期限更长、波动性更⼤的投资策略,这其实对他们来说是⼀种优势。

  第⼀,越来越多地减少对外部管理⼈的依赖,转⽽构建内部交易能⼒,进⾏投资组合策略的内部化管理。很多资产所有者发现外部管理⼈的业绩往往不尽如⼈意。即便他们投资了⼀些知名⼤牌基⾦,有时回报也并不理想,原因是阿尔法(Alpha)策略存在容量上限。 很多⾼夏普⽐率的策略,⽐如超⾼频策略,其容量都很⼩。对于表现好的基⾦,会有越来越多⼈涌⼊,规模不断扩⼤,最终他们就⽆法再保持原有的阿尔法,难以再有效交易。⽽且这些基⾦费⽤很⾼,收费昂贵,投资性价⽐并不⾼。 我们曾经做过⼀项研究,在资产配置框架内,使⽤⼀个公开市场指数——⽐如纳斯达克作为公开基准,并控制⼏个风险因⼦,例如⼩盘因⼦、⾼风险因⼦和流动性溢价因⼦。结果发现截距项实际上是负的,也就是说你完全可以⽤公开市场因⼦去复制风险投资,⽽且平均⽽⾔表现还会更好。但这只是“平均”⽽⾔,并不适⽤于头部前 25% 的管理⼈。

  第⼆,在内部交易能⼒建设方面,从贝塔策略转向阿尔法策略,以获取更⾼回报。我们知道,贝塔是被动的、相对低成本甚⾄⼏乎⽆成本——只是运⾏被动指数或被动配置。⽽阿尔法策略则能获取超额收益。但阿尔法的关键在于⼈才,你需要真正的专家来运⾏阿尔法策略。所以它们开始从对冲基⾦或私募基⾦挖来基⾦经理(PM),在内部运⾏策略。对于这些基⾦经理来说,在资产所有者内部运⾏阿尔法策略有诸多好处,⼀是不需要费尽心力去募集资⾦,也不必担心投资者中途撤资。⼆是风险容忍度更高,在资产所有者内部,由于我们的投资期限更长,回撤容忍度会⼤得多,远高于通常允许的 3%的最⼤回撤策略。这就有利于招募更多⼈才,改变治理结构。

  第三,激励机制越来越向阿尔法团队倾斜,越来越重视量化投资、AI 驱动的投资流程。我⼀直从事量化⼯作,⾮常喜欢量化策略。很多信息都可以被量化。以前传统的基本⾯投资需要依赖财务报表,⽽现在⼀切都是数据,不仅是数字,还包括税务信息。语⾔模型可以帮你扫描并提取各种需要的信息。以前基本⾯投资者可能要亲⾃去门店数客流量,在⾼速公路上数车流量;⽽现在,替代数据、卫星数据已经能更精准地了解⼀切,甚⾄信⽤卡刷卡数据也能了解⼈们的⾏为模式。

  我们正处在⼀个⽇益数字化的世界中,构建量化、机器学习和 AI 基础设施能⼒变得⾮常重要。归根结底,阿尔法就是信息的竞争——你处理信息的速度有多快、覆盖⾯有多⼴、深度有多深,这些才是阿尔法的来源。需要构建⼀个内部的⽣成式 AI 系统,接⼊实时数据、新闻、研究报告,尽可能多地利⽤ AI 处理系统。这⼀点即便对⾮量化基⾦或主观判断型投资者来说也同样适⽤。我⾃⼰运⾏量化策略,这⾥展⽰的是我在对冲基⾦期间的部分业绩记录。我们⼤约有 10 年的历史业绩记录,其中只有 1 年是亏损的,⽽且只亏了 2%。 我们的表现优于⼏个知名品牌基⾦,⽐如桥⽔阿尔法 (Bridgewater PA)、桥⽔全天候(Bridgewater All Weather)和Graham Quantum Macro 基⾦。

  资产配置就是在给定投资期限的情况下,寻找能够满⾜资产所有者⽬标和约束条件的最优投资组合的过程。资产配置对资产所有者来说⾮常重要。⾸先需要有资产配置框架,然后在每个已配置的资产类别内部再进⾏具体投资。长期的资产配置被称为 “战略资产配置(Strategic Asset Allocation, SAA)”;中短期的资产配置更偏向宏观基本⾯,称为 “动态资产配置(Dynamic Asset Allocation, DAA)”;⽽极短期的则更偏向技术性资产配置。

  美国有⾮常丰富的资产类别,通常分为公开市场和私募市场投资。公开市场包括股票、固定收益、货币和商品。在每⼀类资产内部,⽐如股票,⼜分为不同的地区或国家,以及不同的⾏业或风格。固定收益⽅⾯,可投资各国主权债券——针对不同国家或地区,名义债券或通胀挂钩(实际)债券。对于企业信⽤债,可投资⾼收益债和证券化产品。 外汇也是⼀个重要投资类别,涉及不同地区和国家的货币。现在⼈们越来越关注商品投资,主要类别包括能源、⼯业⾦属、贵⾦属和农产品。对冲基⾦可以归类为⼀种基⾦投资,是⼀种外部基⾦投资,但它们投资于公开市场。沙特主权财富基金PIF 实际上在私募市场投资了很多,⼤约 50% 的投资配置在私募股权、私募信贷、房地产、基础设施和⾃然资源上。

  第一,理解各资产类别,对其进行深⼊的洞察和预测——预测它们的预期收益、风险和相关性。为此,⾸先要预测关键的宏观因⼦,⽐如各国/地区的增长、通胀等等。对于股票,从长期来看进⾏预测——对于不同的投资期限,预测⽅法可能会有很⼤差异。我们通常采⽤ “积⽊式”⽅法(building-block approach)——预测其长期盈利增长、净回购、估值变化和通胀。 对于固定收益,我们会预测各主要地区的收益率曲线动态。在给定收益率曲⾯的情况下,得到固定收益的各项长期组成部分,例如展期收益(yield roll)、估值变化、信⽤迁移等。对于私募投资,预测则更复杂⼀些。通常基于公开市场基准的预测,也就是所谓的 “公开-私募建模(public-private modeling)”,即将私募回报对公开市场基准进⾏回归。⽐如,并购 (buyout)回归⼤盘股,风险投资(VC)回归纳斯达克之类的指数。也就是对公开市场基准以及若⼲风险因⼦进⾏回归。不同资产类别可能有不同的风险因⼦,但流动性因⼦通常是其中之⼀。通过对这些风险因⼦进⾏预测,最终得出对私募投资的预测,以及相应的风险和波动率。私募投资的另⼀个复杂之处在于现⾦流的不确定性。与公开市场投资不同——如果我想投资 10 亿美元的股票,执⾏后就能获得 10 亿美元的敞⼝。但对于私募投资,即使你承诺投⼊ 10 亿美元,并不意味着你⽴即获得这笔敞⼝。私募投资中,资本会在基⾦存续期内逐步被 “调⽤(call)”,通常这个存续期约为 10 年,但也可能更长。

  第二,进行组合构建和组合优化。优化本⾝就可以是⼀门独⽴的学科。有许多种优化⽅法,均值-⽅差优化 (mean variance)是最经典、最常⽤的⼀种,即在给定风险⽔平下追求最⾼回报。然后是有效前沿——在给定预测的情况下,你的有效前沿是什么?接着,在给定⽬标回报的情况下找到最优配置。需要构建一个过渡模型(transition models)。⽐如,我们的长期⽬标——希望在 2030 年达到的状态,这是我们现在所处的位置。那么我们应该制定怎样的计划和过渡⽅案,从现在的状态过渡到未来的⽬标状态呢? 以 PIF为例,PIF 的⽬标是增⻓其资产规模,向外分配现⾦来⽀持本国经济发展。所以我们会设定⼀个⽬标回报,最优资产配置就由这个⽬标回报决定。在优化⽅法上,有很多不同类型:均值-⽅差优化、最⼩化下⾏风险、最⼩化尾部风险、稳健优化(robust optimization),以及多期优化。具体使⽤哪种⽅法取决于投资者或资产所有者本⾝。稳健优化通常更受青睐,因为简单均值-⽅差优化的缺点是预测本⾝存在估计误差,⽽优化过程会让结果对这些误差⾮常敏感、⾮常不稳定。预测的微⼩变化都可能导致仓位发⽣巨⼤改变。因此,我们通常会做稳健优化。稳健优化有很多不同的形式,⽐如可以对估计误差进⾏惩罚,或者进⾏误差收缩(error shrinkage)。此外,在优化过程中,还可以加⼊不同的惩罚项,⽐如流动性惩罚——不希望私募投资的占⽐过⾼、流动性太差;或者希望实现现⾦流匹配。资产所有者可以根据⾃⼰的需求构建不同的优化⽅案。

  资产所有者投资组合策略最⼤的变化是:从战略资产配置(SAA)模型转向⼀种更为复杂的框架——“整体组合⽅法(Total Portfolio Approach, TPA)”。TPA 与 SAA 有何不同?

  SAA 的缺陷在于它是静态的,不太符合现实情况。例如,股票和债券之间的关系。以美国股票和美国国债为例,它们是正相关还是负相关?负相关——⼤多数⼈说负相关,这是对的,但只对了⼀部分。正确答案是 “要看情况”。股票是⼀种增长型资产,国债是⼀种避险资产。如果宏观驱动因素是增长或风险偏好——如果美国经济增长良好,⼈们会更偏好股票⽽⾮债券,这就是负相关关系。如果宏观驱动因素是利率——利率是股票和债券共同的贴现率。如果利率⼤幅上升,股票和债券就会同时下跌,它们呈正相关关系。

  再如,美元和美股之间的关系。它们是正相关还是负相关?正相关,这个答案是对的,但也只对了⼀部分。正确答案仍然是 “要看情况”。⽐如,如果美国的经济增速远超其他国家,就会美元⾛强、美股上涨。但如果驱动因素是利率——利率是股票的贴现率,但对货币来说却是⼀种 “回报”。如果美国利率超出预期上升,美元就会⾛强,但美股却下跌,二者形成负相关关系。

  还有,⻩⾦和原油之间的关系。它们都是商品,所以通胀和美元⾛势会对它们产⽣类似的影响,从⽽呈现正相关关系。但原油更偏向风险资产,⽽⻩⾦是避险资产,如果是风险偏好因素在主导,它们之间⼜可能呈现负相关关系。

  所有这些例⼦都说明,在不同的市场环境下,不仅各资产的⽅向性风险会发⽣变化,它们之间的相关性也会随着背后宏观驱动⼒的不同⽽完全改变。SAA难以反映这些变化。

  此外,SAA 还有一个缺陷:在完成资产配置之后,每个资产类别内部如何执⾏,是由具体⼈员去做投资决策的。这些投资决策是在各⾃的资产类别 “孤岛”内分别做出的,容易产⽣效率低下的问题。

  整体投资组合⽅法(TPA)本质上是动态的,更接近阿尔法策略。它能够捕捉各种变化,能更准确地应对——这是⼀种动态阿尔法的思路。它采⽤的是⼀种 “整体基⾦(total fund)”的⽅法。举例来说,我们看公开市场股票和私募股权,它们本质上都是股权资产,所以这两者的决策应该⼀并考虑,⽽不是分开决策。另⼀个例⼦是,在像 2022 年或伊朗战争期间这样的时期,我们看到传统的对冲⼿段失效了。美国股票和美国国债同时下跌,也就是说美国国债⽆法对冲美国股票的下跌。这是因为存在⼀个未被对冲的风险因⼦——通胀。

  TPA 不仅仅着眼于资产类别本⾝,还从风险敞⼝的⻆度出发,对风险敞⼝进行最优管理。它需要不同团队和部门之间的协作。这是⼀种⾃上⽽下、⼀体化的实施⽅式,对因⼦敞⼝、风险敞⼝、流动性和杠杆进⾏统⼀管理。杠杆和流动性管理变得越来越重要,⼀个例⼦就是 2022 年英国养⽼基⾦危机。这些养⽼基⾦⾯临巨⼤的增长和回报⽬标压⼒,因此使⽤了杠杆,并⼤量交易长期国债(gilts)相关⼯具,包括长期英国国债衍⽣品,例如期货和互换等。然⽽,2022 年新任⾸相利兹 · 特拉斯(Liz Truss)宣布了⼀项不设资⾦来源的减税计划后,市场将其解读为不负责任,认为这将造成巨额财政⾚字,从⽽引发了长期英国国债的⼤幅抛售。 由于英国养⽼基⾦对长期英国国债衍⽣品的敞⼝⾮常⼤,他们因此收到了追加保证⾦(margin call)的通知。由于缺乏良好的流动性管理,他们没有⾜够的现⾦,被迫在市场暴跌时抛售其债券衍⽣品,进⼀步加剧了市场的崩溃,⼏乎导致英国债市 “融化”。英国央⾏——英格兰银⾏(Bank of England)不得不出⼿,⼤量购买英国国债以稳定市场。如果央⾏未能及时⼲预,所有养⽼基⾦都将⾯临破产,进⽽对整个⾦融体系构成系统性风险。这恰恰说明了杠杆和流动性管理的重要性,也说明了⼤型养⽼基⾦和⼤型资产所有者对⾦融体系的影响⼒有多⼤。

  运用TPA,需要对整个基⾦进⾏主动管理。使⽤什么交易⼯具是⼀个重要议题。如果更偏向长期、被动配置,就买⼊并持有现⾦类资产。对于主动型策略,⽐如调整敞⼝或快速对冲策略,我们会使⽤衍⽣品。衍⽣品在资本使⽤效率上也⾮常⾼——所需的保证⾦⾮常⼩。总之, TPA有⼏个关键要素:基⾦层⾯的动态资产配置,不仅着眼于资产类别层⾯,还要着眼于风险敞⼝层⾯;要将风险、杠杆和流动性进⾏⼀体化管理。

  TPA 其实是⼀个“谱系”。如果把这个谱系定义为从 0% 到 100%,那么全球有很多资产所有者⼤概处于 0 的位置,有些已经达到 20%,还有⼏家领先的机构已经接近 100% 的 TPA ⽔平。领先的例⼦,⽐如加拿⼤的养⽼基⾦在这⽅⾯就相当先进——安⼤略教师退休基⾦(Ontario Teachers’Pension Plan)和加拿⼤养⽼⾦计划投资委员会(CPPIB)都对其整个投资组合进⾏主动管理,从⽽实现可规模化的阿尔法。在亚洲,新加坡的 GIC,以及新西兰的 Super Fund 和澳⼤利亚的 Future Fund 也是如此。

  Super Fund 和 Future Fund 都是规模⾮常⼤的养⽼基⾦,它们的共同特点是采⽤全组合⽅法(TPA)、⼀体化组合、公开-私募⼀体化构建、长期投资导向,这为它们带来了优势。这意味着良好的流动性管理——它们不希望在市场下跌时被迫抛售,并且拥有⾮常完善的风险管理流程。事实上,风险管理会与动态资产配置(DAA)⼀体化,因此强⼤的内部投资能⼒和治理结构⾮常重要。

  运用TPA,有两点⾮常重要。⼀是能⼒(capabilities)——需要拥有相应的⼈才,并不断建设这些能⼒。⼆是治理结构——需要相应的薪酬体系,需要能够吸引到能够创造阿尔法策略的⼈才。尤其是需要营造⼀种渴望学习、思想开放的⽂化,因为最糟糕的治理结构就是⼤多数⼈什么都不做。对于做阿尔法的⼈来说,这本⾝就很难——做阿尔法所花费的时间远多于做贝塔,⽽且不可能所有⼈都⼀直跑赢市场。如果⼤家什么都不做,却还在批评那些表现不佳的⼈,这就会形成⼀种不利的环境,最终会导致没有⼈愿意主动去做任何事情,因为只有下⾏风险、没有上⾏收益。因此,治理结构⾮常重要。

  量化策略的优势在于,你可以保持纪律,并且可以对策略进⾏检验。即便你想要去“覆盖”⾃⼰的判断,也需要⽤系统化的⽅式来进⾏,⽐如可以使⽤ Black-Litterman 模 型。例如对于伊朗战争,我对油价飙升和股市⾼波动率给出了⼀个主观观点,但我是通过 Black-Litterman 模型以系统化的⽅式将这个观点纳⼊的——我给出⼀个观点,整个系统就会据此重新预测所有资产类别,并重新评估最优投资组合。需要在不同阶段都会进⾏风险管理:在做预测时,会预测每个资产的下⾏风险、尾部风险;在做组合构建时,会设定⽬标风险,或采⽤最⼩化下⾏风险、最⼩化尾部风险等⽅法;杠杆⽔平也是动态的,取决于对风险的判断。

  通常来说,量化策略的表现会⽐较稳定地围绕着⽬标回报波动。⽐如,我们的策略通常以⼤约 10% 的⽬标回报⽔平运⾏,实际表现也基本如此。有些投资者可能会运⾏在 15% 的⽔平,有些则更低。这与主观判断型投资形成了鲜明对⽐——主观判断型投资往往会有⾮常集中的押注,如果判断正确,收益会⾮常可观;如果判断错误,损失也会⾮常⼤。这类策略的风险控制要困难得多。 当然,没有⼈能永远做出完全正确的判断,所以这总会是⼀个值得讨论的话题。

  当我们对市场进行判断时,⾸先会从宏观⻆度出发。通常我们会关注增长、通胀、央⾏政策、财政政策等。⽬前,美国整体增长相当具有韧性,最⼤的贡献来⾃企业盈利。强劲的企业盈利主要由AI需求驱动。但这⾥也存在很多疑问:这是否像 1999 到 2000 年那样的泡沫?是否存在过度投资?这些都是值得讨论的问题。就我个⼈观点⽽⾔,⽬前AI相关股票的增长是由真实的盈利增长、正向的盈利预期上修、利润率扩张以及需求超过供给所驱动的。⽽且需求仍在加速,并体现在持续上修的预期中,投资回报率仍然相当⾼。

  除了AI之外,美国其他宏观指标整体表现也相当强劲。制造业、⼯业产出和消费⽀出都表现出韧性,尽管其中很⼤⼀部分来⾃⾼收⼊消费者,⽽低收⼊家庭的处境则⽐较艰难。房地产市场和劳动⼒市场的表现也都不错。实际上,上周五的市场抛售正是由⼀份⾮常强劲的就业数据所引发的——⾮常好的就业数据让市场担⼼美联储不会降息,甚⾄可能加息。同时,AI相关板块的获利回吐⾏为也引发了⼤规模抛售。

  美国劳动⼒市场表现⼀直相当不错,⽽且我个⼈长期以来对劳动⼒市场都持乐观态度。⼈们⼀直担⼼AI会取代⼯作岗位,但如果回顾历史,⼏次资本开⽀⼤幅上升的周期,都伴随着就业⼈数的增加,因为新技术代表着⼀种结构性变化——它会消灭⼀些岗位,但同时也会创造出新的岗位。因此,我⼀直对劳动⼒市场持⽐较乐观的态度。

  ⽬前,美国股市最值得关注的宏观驱动因素有三个。其⼀是资本开⽀(CapEx)越来越依赖外部融资,这使其对市场状况和利率变得⾮常敏感,从⽽变得更加脆弱。过去,所有⼤型超⼤规模云服务商(hyper-scalers)的资本开⽀都依靠其内部⾃由现⾦流来⽀持,它们拥有⾮常强健的资产负债表。但现在,它们的⾃由现⾦流正在恶化,甚⾄出现⼤幅下滑。这是⼀个警⽰信号——企业越来越依赖外部融资,⽆论是债务融资还是股权融资。我们看到⼤量的“超级IPO”出现,⽽⼤型公司的IPO通常都伴随着对股票市场的种种讨论。其二是资本开⽀⽔平⽐过去⼤幅上升,处于相当⾼的⽔平,如令⼈担忧。如果观察科技⾏业的资本开⽀占GDP的⽐重,⽬前已接近7%。回顾历史上的过度投资周期,⽐如美国早期 2000 年代的房地产泡沫,或其他国家的房地产泡沫,这些⾏业的过度投资⽐例曾达到GDP的 7% 到 9%,是历史最⾼⽔平,随后便出现了崩溃。⽬前这个⽐例正在上升,已经处于接近泡沫的⽔平,这确实令人担忧。其三是竞争正在加剧——⽐如英伟达(NVIDIA)不会⼀直独占市场,超⼤规模云服务商内部也在尝试开发⾃⼰的芯⽚,中国也在⾃主研发芯⽚,这意味着竞争正在加剧。企业除了过度依赖外部融资之外,还存在⼤量的“内部循环融资”。⽐如英伟达投资其客⼾,让客⼾拿到资⾦后再⽤这些资⾦购买英伟达的芯⽚。在 2000 年的时候,情况也是⼀模⼀样——光纤公司朗讯(Lucent)就为所有客⼾提供融资,让他们购买朗讯的产品。现在⻩仁勋(Jensen Huang)也承认英伟达会采取这种做法,⽽且还有其他公司也在做类似的事情。这会积累⼀定的系统性风险——⼀旦其中⼀环出问题,其他环节也会受到牵连。