文章核心观点 - AI技术具有划时代的变革潜力，但当前行业存在资本开支与商业回报严重不匹配的现象，形成了潜在的泡沫风险 [4][5][6] - 当前AI发展阶段类似于互联网的1997-1999年，泡沫尚未达到顶点，但已进入高风险区域 [8][56][57] - 投资者应采取理性、有选择性的参与策略，避免“梭哈”或“逃离”，并关注泡沫破裂后的长期投资机会 [7][62][70] AI的商业化现状与影响 - **直接商业化场景**：目前最直接的商业化体现在互联网广告和成本节约两方面 [13] - **广告收入提升**：Meta、谷歌、腾讯等公司将AI大模型整合进广告系统后，近七八个季度广告收入增速达到甚至超过20%，其中约一半增量来自AI带来的效率提升 [17] - **市场规模与增量**：全球在线广告市场规模约七八千亿美元，AI带来的10%增长率意味着七八百亿美元的增量 [18] - **成本端节约**：以GitHub Copilot为例，其年化收入从年初的1亿美元迅速增长至超过10亿美元，AI编程工具显著降低了成本 [19][20] - **巨头效率提升**：美国“科技七巨头”在AI出现后，过去三年收入持续增长但员工数量基本不变，AI每年为行业节省的成本估计达一两百亿美元甚至更多 [21][22] - **当前应用局限**：AI在投研中如同“实习生”，存在“幻觉”问题，需要人工复核，且难以完成多轮复杂验证，准确率可能仅50%多 [24][25][26] 技术吸收的漫长周期与历史参照 - **技术转化三阶段**：从技术发明到转化为生产力需经历配套技术能力提升、流程再造与组织改革、新商业模式形成三个阶段，整个过程漫长 [27][28][29] - **历史参照案例**： - **第二次工业革命（电）**：电动机发明40年后，全面电气化改造才带来劳动生产率的大幅提升，美国制造业劳动生产率增速从1899–1914年的年均1.1%提升至1914–1929年的5% [30] - **互联网革命**：从亚马逊1994年上线网站到形成成熟竞争力体系，花了15到20年时间 [32] - **AI的现状**：AI带来的生产力提升和商业价值创造仍处非常早期阶段，但行业资本开支已极为庞大，年资本开支可能已超过1万亿美元，投入与产出存在巨大落差 [32][33] 泡沫风险的具体表现与征兆 - **过度投资与资本循环**：泡沫风险主要源于围绕技术的过度投资与资本循环，而非技术本身 [6] - **典型案例：环球电讯（Global Crossing）**：互联网泡沫时期，该公司募集超137亿美元建设光纤网络但从未盈利，市值一度达490亿美元（同期苹果仅50亿美元），最终因产能过剩在2002年破产，以2.5亿美元被收购 [36][37][38] - **当前AI行业的相似性**：以OpenAI为例，其今年上半年收入50亿美元，年化收入约130亿美元，但单季度亏损高达120亿美元，累计融资约600亿美元却计划未来7年投入1.4万亿美元建设算力中心，存在巨大资金缺口 [39] - **风险转移**：真正的风险可能不在OpenAI本身，而在于因承诺租赁而过度建设算力中心的公司，如微软、甲骨文等 [40] - **特殊的融资结构（泡沫征兆）**： - **供应商融资循环**：例如英伟达投资OpenAI，OpenAI向甲骨文承诺租赁，甲骨文再向英伟达采购芯片，形成资金不断放大的循环 [48] - **私募债务与表外融资（SPV）**：如Meta可能仅出资5亿美元（占项目总投资约1.7%），通过SPV向私募债务公司借钱建设300亿美元算力中心，进行表外融资 [53][54] 当前AI周期定位与潜在影响 - **周期定位**：参照互联网泡沫，当前AI行业可能处于1997年繁荣到1999年泡沫之间的阶段 [56] - **判断依据**：席勒市盈率估值已接近2000年峰值，科技行业支出占GDP比例也接近2000年高点 [57] - **对美股及美国经济的影响**： - **美股依赖**：自ChatGPT发布以来，标普500涨幅的四分之三来自AI产业贡献；今年美股上涨的80%以上由AI相关产业链公司推动 [59] - **经济核心驱动力**：美国今年4个点的GDP增长中，有92%与AI相关；若剔除AI相关投资，GDP增长可能仅0.1%左右 [59] - **泡沫性质**：AI泡沫被视为“产业型泡沫”，即便泡沫破裂公司倒下，其留下的资产（如算力中心）依然具有长期价值 [60][61] 投资策略与组合构建方向 - **核心策略：等待泡沫破裂后的机会** [62] - **理由**：泡沫破裂后估值足够低；竞争格局变得清晰，易于识别真正赢家；市值增长将由盈利增长推动，回报幅度远超第一轮基于预期的上涨 [69][70] - **历史参照**：互联网泡沫后，亚马逊股价从峰值跌超95%，2008-2009年才重回高点，但长期回报极高；微软、苹果也经历了类似过程 [66][67] - **关注AI发展路径**：AI发展将复制互联网从硬件到软件再到应用的路径，当前市场热点在硬件，未来应用端将诞生大市值公司 [64][71][72] - **具体组合构建方向** [79]： 1. **AI超级平台**：拥有完善用户生态的领先互联网平台（如微信），被AI颠覆的风险因开源模型能力趋同而降低，生态和用户成为竞争关键 [73][74][76] 2. **消费行业**：具备供给端整合优势的消费公司（如区域垄断的啤酒企业），在需求低迷时盈利仍创新高，现金流充沛，分红率高 [82][83][84] 3. **制造业龙头与细分冠军**：在细分领域存在盈利能力强、估值便宜、现金流充沛的单一龙头公司 [85][86][87] 4. **周期性行业**：拥有大额净现金、高分红率且估值较低的周期性行业，有望随宏观恢复带来盈利增长 [88] - **配置“反脆弱”资产**：投资高客单价重体验的零售商（如爱马仕）、强大品牌公司（如可口可乐、茅台）等不易被AI颠覆的领域，它们估值合理，并能受益于AI带来的全社会生产力提升红利 [77][78]

文章核心观点 - 在2025年极致的科技行情下，部分过去表现优异的基金经理依然保持了强劲的业绩，没有“掉队”，文章重点分析了其中四位基金经理的投资策略与业绩表现 [2][3][4] 绩优基金经理筛选结果 - 筛选标准为任职日期在2021年以前、自2021年起每年跑赢市场平均水平、权益占比超50%、2025年收益超30%的基金A份额 [4] - 筛选出的基金包括：金元顺安元启灵活配置混合（缪玮彬）、华商元亨混合A（胡中原）、华商润丰混合A（胡中原）、华宝资源优选混合A（丁靖斐、杨奇）、招商量化精选股票发起式A（王平）、大成景恒混合A、万家双引擎灵活配置混合A（叶勇）、中欧红利优享灵活配置混合A（蓝小康）、国金量化多策略A（马芳、姚加红） [5] - 以近五年收益排序，金元顺安元启灵活配置混合（缪玮彬）位列第一，任职回报577.17%，任职年化回报26.75% [5] - 量化策略在2025年表现亮眼，王平、马芳、苏秉毅等量化选手连续五年跑赢市场平均水平，2025年收益超30%，近五年单位净值创新高次数均在百次以上 [6] 基金经理胡中原分析 - 胡中原是公募基金中为数不多的股债双栖型投资选手，债券交易出身，2019年开始管理灵活配置型基金 [8][9] - 截至2025年12月9日，在管基金4只，总规模317.59亿元，代表产品华商润丰自2019年3月接任以来任职总回报360.56%，任职年化回报25.46%，2025年收益81.36%，且自2019年至2025年连续7年实现正收益 [13] - 其管理的华商润丰在2019年接管后迅速将权益仓位从不到7%提升至40%以上，2020年二季度权益仓位超80%，当年收益59.02% [17][18] - 投资风格注重风险收益比，强调“潜在上涨空间必须覆盖潜在风险”，会通过仓位调整和配置低相关性行业（如人工智能与公共事业）来控制风险，单一细分赛道持仓基本不超过30% [20][21][24][25] - 2024年一季度果断将华商润丰权益仓位加至84%，吃到了市场反弹红利，全年收益32.90% [27] - 擅长行业轮动，基于对行业周期与胜率的判断进行配置，例如2021年二季度清仓白酒、医药换仓煤炭、养殖；2022年四季度清仓新能源，避开了光伏板块后续下跌 [29][30][31] - 长期关注科技领域，2023年一季度重仓寒武纪（当季暴涨240%），二季度新进中际旭创、天孚通信等光模块个股，2024年四季度换仓至机器人概念的智能制造企业 [32][33][35] - 2025年对人工智能相关持仓拿得较稳，如中际旭创持有至2025年三季度，胜宏科技2025年股价一度翻六倍，但也导致产品年内最大回撤达到-27.94% [36][37] - 2025年三季度，华商润丰权益仓位从二季度末的90.67%降至50.82%，做了部分获利了结，债券持仓增加近10%，持股集中度降至23.61% [38] 基金经理蓝小康分析 - 蓝小康为中欧价值组成员，在管基金5只，总规模263.02亿元，代表产品中欧红利优享自2018年4月接任以来任职总回报171.48%，任职年化回报13.95%，2025年收益42.44% [40][41] - 其管理的红利产品在2025年取得超额收益，主要源于对有色金属（尤其是贵金属）的重仓，而同期中证红利指数收益为-0.42%，大部分红利基金收益在10%左右 [42][43] - 看好大宗商品的原因包括：美元长期贬值趋势利好贵金属；全球“再工业化”带来上游需求增长；供给端受地缘冲突等因素制约，长期偏紧 [44] - 增配有包金属始于2022年，持续重仓紫金矿业，但2025年三季度大幅减持了黄金股，认为“黄金与AI主题的价格上涨在逻辑上存在一定冲突” [45][46][47] - 投资策略是自上而下与自下而上结合，先定位宏观债务周期，再将产业结构划分为周期、高端制造和TMT、消费医药、金融等方向，以3-5年跨度调整配置 [48][49] - 持仓行业配置集中，据2025年中报，前三大重仓行业（有色金属、非银金融、银行）占基金净值比68.35%，持股集中度长期维持在50%左右，但2025年三季度从55.51%降至43.35% [54][55] - 2025年三季度新进中国海洋石油为前十大重仓股，认为市场卖出红利股、价值股的行为是“受迫交易”，这提供了布局低估值公司的机会 [56][57][58] 基金经理丁靖斐分析 - 丁靖斐深耕资源品行业，2019年9月开始管理华宝资源优选，目前在管基金3只，总规模26.57亿元，代表产品自接任以来任职总回报245.10%，任职年化回报21.85%，2025年收益59.30% [60][61][62] - 投资框架基于资源品供需分析，将资源品分为与宏观经济总量相关（如铜铝、钢铁、煤炭）和偏单一需求驱动两类，通过跟踪供需结构变化捕捉机会 [65][66][67] - 2019年基于新能源需求拉动，提前布局赣锋锂业；2020年布局紫金矿业，单年股价翻倍；2021年抓住煤炭股结构性行情 [68][70] - 注重个股弹性，会在景气上行的行业中挑选弹性最大的企业，进行行业内的个股轮动，例如2021年在煤炭股中切换了山西焦煤、陕西煤业、山煤国际、中国神华等 [70][71] - 产品换手率较高、回撤弹性较大，业绩与资源品行情正相关，基金经理表示资源品本身具有高波动属性，产品核心是跑出相对收益，不会硬性控制回撤 [72][73][74] - 2025年三季度持仓以铜、金为主，还有稀土、钴等小金属，但减持了煤炭 [74] - 其管理的全市场基金华宝国策导向在2022至2024年连续负收益，2025年收益超30%拉回了损失，目标是在全市场进行均衡配置，2025年中报前三大行业占基金净值比30.9% [75][76] 基金经理叶勇分析 - 叶勇被市场称为“周期旗手”，目前在管基金6只，总规模48.79亿元，代表产品万家双引擎自2018年8月接任以来任职总回报169.81%，任职年化回报14.56%，2025年收益51.98% [77][78][79] - 其投资经历跨越一、二级市场，覆盖周期、科技、制造，2021年提前布局煤炭、石油，2023年提前捕捉黄金、铜机会 [80][84][85] - 2021年判断市场抱团的成长消费股风格不可持续，大宗商品进入上行周期，坚定转向资源周期，当年万家双引擎收益-8.69%，跑赢沪深300的-21.63% [86][87] - 2023年在大宗商品回调、市场看空时，坚定认为有色资源长期供给偏紧，当年产品略亏0.74%，跑赢有色金属（申万）指数的-8.7%和沪深300的-11.38% [88] - 投资框架注重宏观择时与个股选择性价比，季报内容详实，常从更高视角分析行业，如2025年三季报提出“资源民族主义”概念，认为这会改变全球资源供需平衡与投资逻辑 [89][90][91][94] - 2025年维持以工业有色、贵金属和小金属、油运为主要配置，辅以中游顺周期龙头为次要配置的组合 [95]

文章核心观点 - 商业与投资是一体两面，理解企业如何赚钱是做好投资的关键，反之亦然 [6][12] - 投资的底层逻辑是“画出你的能力圈，然后待在里面”，只做自己真正理解的事 [7][31] - 真正重要的不是做很多决策，而是做少量正确的决策，纪律性比行动更重要 [11][32][71] 商业与投资的本质 - 商业和投资不是两件独立的事，而是一件事的两面 [6] - 越懂企业的赚钱方式，就越知道什么值得投资；越理解投资原则，就越能看清企业本质 [6] - 投资并不复杂，不需要高深数学或技术洞见，核心是理解如“人们为什么爱喝可口可乐”这类简单问题 [15][16] 能力圈原则 - 能力圈是投资的核心原则，即只投资自己真正理解的业务 [7][31] - 以布卢姆金夫人为例，她虽不识字、不懂会计，但凭借“只做自己懂的事”的原则，用500美元起步将内布拉斯加家具城做到年税前利润1700万美元 [9][18][19] - 清楚自己能力圈边界的人非常少，许多大公司CEO因不熟悉资本配置而做出糟糕收购 [10][24] - 伯克希尔的方法是不碰不理解业务，愿意为等待真正理解的机会而等上一年甚至五年 [27][28][29] 投资纪律与机会选择 - 如果一生只有20次投资机会，反而会做得更好，因为会迫使每次决策都慎之又慎 [11][32][71] - 应专注于“明显”的机会，避免因市场噪音而被迫行动 [32][34] - 只做那些愿意投入大量资金的决策，除了特定套利情况，从不投资任何不愿意用自己10%身家押注的东西 [70][72] - 华尔街文化鼓励“多做一点”，但伯克希尔的成功恰恰源于“少做一点”的纪律 [11][33] 优秀生意的特质 - 最好的生意是那些不需要持续投入大量资本就能维持盈利的生意 [56] - 企业的价值取决于其“经济城堡”的规模和“护城河”的宽度与深度 [55] - 以喜诗糖果为例，其在礼品场景下有强大定价权，1972年售价为每磅2美元，到演讲时已涨至8美元一磅，几乎没有价格竞争者能打入市场 [51] - 可口可乐是典范，在全球155个国家销量第一，市占率达45%，且产品几乎没有替代品，伯克希尔持有其7%的股份 [36][38] 收购与资本配置 - 许多CEO因在销售或运营领域出色而晋升，但缺乏资本配置经验，导致依赖参谋或投行做出糟糕收购决策 [10][25][26] - 伯克希尔偏好购买优秀公司的一部分股权（如可口可乐7%），而非在敌意收购拍卖中高价买下整个平庸公司 [36][37][38] - 敌意收购本质是一场拍卖，最终只能以最高价成交，既买得不便宜，也买不到最好的生意 [36] - 伯克希尔的谈判风格简单直接，如收购喜诗糖果仅用一小时，收购波仙珠宝仅凭半小时查看未审计的铅笔记录就敲定 [89] 行业与竞争分析 - 应避免进入产品高度同质化、竞争激烈的行业，如航空业，该行业资本密集、劳动力密集、过去40年多家主要航空公司未赚钱 [66] - 在商品化行业里，你永远无法比你最愚蠢的竞争对手更聪明，竞争必然导致价格战 [66][67] - 电视行业曾是好生意，因为分发渠道（电视网）有限，但渠道增多后盈利能力下降 [49][50] - 不喜欢参与面临“全球竞争”的行业，因为可能存在长期结构性成本劣势 [81][82] 风险与估值 - 不认同现代投资组合理论将股价波动等同于风险的观点 [75] - 风险与价格相关：用8000万美元购买价值4亿美元的资产（如《华盛顿邮报》）比用1.2亿美元购买更安全 [75][79] - 投资需要“安全边际”，即用显著低于内在价值的价格购买资产 [31][73] - 风险套利的核心是计算事件发生的概率与潜在的盈亏比，例如一项交易有90%成功概率赚3点，10%失败概率亏9点，则净期望收益为1.80美元 [57] 公司治理与股东利益 - 伯克希尔的管理者将大量个人财富投入公司，与股东利益高度一致 [39] - 作为重要股东，伯克希尔能为所投资的公司带来价值，尤其是其长期视角和资本配置经验 [39][41] - 倾向于进行对普通股东最有利的交易，例如持有可转换优先股，上涨时普通股东赚得更多，下跌时优先股保护更强 [42][44] - 从不进行敌意收购，只投资欢迎其入股的公司，并会与管理层沟通持股上限以确保其舒适 [85][86][87] 规模与关注度的影响 - 管理规模过大会限制投资机会，如果有1000万或1亿美元资金，好机会会多得多 [32] - 以投资可口可乐为例，伯克希尔花了8到9个月才买入7%的股份，期间可口可乐自身也在回购，两者合计购买了公司约12%的股份 [62][63] - 市场关注度会增加投资难度，但相比规模，规模是更大的问题 [64][65]

文章核心观点 - 国泰基金多资产配置部投资总监曾辉认为，公募FOF行业正经历颠覆性变革，从传统的三层分工静态配置模式，转向由FOF基金经理主导的、强调择时轮动和底层资产增强的“动态配置”模式，行业发展的终局将是残酷的“四项全能”竞争 [20][21][37] - 曾辉的投资体系以“泰极量化轮动模型”为核心，其哲学基础是“超涨-超跌”框架，强调把握市场极端转折点而非均值回归，并通过宏观风控、中观轮动、底层资产增强和量化刚性风控四大部分来实践 [32][33][56] - 宏观系统性风险被认为是投资的最大风险，因此宏观风控被置于整个投资体系的首位，通过量化体系刚性执行以控制回撤 [40][41][96] 对基金经理曾辉及其业绩的介绍 - 曾辉拥有22年资产配置经验，对权益、债券、商品等各类资产有丰富实战经验，2023年9月再次加入国泰基金 [6] - 截至2025年三季度末，其管理的权益代表产品国泰优选领航一年持有期混合(FOF)近一年收益52.59%，在同类79只产品中排名第1；管理的国泰瑞悦3个月持有债券FOF近一年收益4.98%，在同类16只产品中排名第2 [4][5] 公募FOF行业的发展阶段与模式变革 - 行业正进入新阶段，过去十年量化的崛起和近两年ETF的崛起，正在颠覆传统的FOF三层分工模式（大类资产配置、风格配置、精选个股）[21] - ETF的崛起削弱了主动管理基金经理的阿尔法，提高了小贝塔（风格/行业）的重要性，使得FOF投资模式可能简化为两层甚至一层，FOF基金经理的角色从资产分配者转变为通过ETF直接下场的竞争者 [21][35] - 2021年以来的市场波动加剧，使得过去精选基金经理并长期持有的静态配置模式不再合时宜，动态择时轮动成为提高投资效率的必然选择 [22][29] 投资哲学：“超涨-超跌”框架与太极思维 - 市场如同太极图，永远在超涨与超跌两个极端间循环，投资的关键是抓住这两个“极值”的转折点，而非纠结于均值的合理定价 [12][55] - 例如，一家股价20元的公司可能超跌50%至10元，也可能超涨200%至60元，把握住10元和60元的时点比关注20元的均值更重要 [57][58] - 该框架适用于不同风格，周期股投资基于“超跌”后的价值回归，成长股投资则需警惕市场提前打满预期后可能出现的下跌 [59][60] 核心投资体系：泰极量化轮动模型 - 该模型包含四大组成部分：宏观风控择时、中观行业风口轮动、四类底层资产分别增强、量化和原则体系上的刚性风控 [33] - 体系的核心是从静态配置转向动态择时轮动，是一个“动起来”的体系，以适应不断变动的市场 [32][34] 宏观风控的首要地位 - 投资的最大痛点是绝大多数人会“坐过山车”，根源在于没有意识到宏观系统性风险才是最致命的 [40][41] - 曾辉将投资风险概括为六大类，其中宏观风险占比40%，中观风险占比30%，知行合一风险占比20%，微观风险占比10% [41] - 宏观风控模型基于“宏观四因素”：基本面、政策面、资金面、博弈面，其中基本面决定波动中枢，政策面决定波动上下限，资金面和博弈面驱动短期波动 [42][43][45] 大类资产配置：有限分散与动态调整 - 反对为了多资产而多资产的过度分散，认为这会损耗收益、降低效率 [9][48] - 采用“有限分散、相对集中”策略，每年从约10个大类资产中甄选前5个最有进攻机会的主线资产进行配置 [50] - 动态调整基于对每类资产的预警模型，若触发预警则会空仓，配置比例根据看好程度在0到上限之间灵活变动 [51] 中观行业轮动方法论 - 采取主观基本面产业链研究为主、量化方法为辅的做法，认为中长周期领域是主观基本面的优势 [52][53] - 将行业体系简化为周期与成长两大产业群，共七大产业链，每个产业链只做最上游的行业 [54] - 通过“超涨-超跌”框架，从两大产业群中各选出最看好的2个产业链（共4个）进行配置，并在后续动态调整中逐步集中到最终重点的2个产业链 [54] “核心+卫星”资产配置策略 - 该策略是动态的，“牛市多配卫星资产，熊市多配核心资产”，类似于足球中的“全攻全守” [61] - 在牛市阶段，对于看对的卫星仓位会越涨越加，单行业仓位上限可从30%提升至60%；若下跌则减仓，实现动态平衡 [61][62] 基金选择标准 - 将基金划分为核心基金（最大回撤小、攻守兼备的常青树）和卫星基金（弹性大、有行业偏好），认为全市场真正的核心基金非常少 [65][66] - 选择“核心基金经理”的经验指标包括：价值风格回撤基本在20%以内，成长风格在30%以内；能驾驭成长与价值两种风格；规模在20-50亿左右的“灰马”；更重视近三个月、近六个月的净值走势 [67][68][69][70] 对ETF工具的运用与看法 - ETF的崛起是行业重大变化之一，其规模增大、品种增多（如30年国债ETF、黄金ETF）极大地丰富了多资产配置的工具箱 [76][77] - 如果能够把握大类资产和行业主线，用ETF可以做出高收益 [78] 四类底层资产的增强 - 四类主要底层资产为A股、债券、商品、境外，其中商品和境外是公募FOF相比其他公募基金有明显比较优势的领域 [82][83] - 增强做法与中观行业轮动类似，包括宏观择时（超涨卖、超跌买）和细分资产轮动（如在港股内部进行板块轮动） [84] - 增强的难点在于需要长期深入地研究各类资产的底层（如调研ETF权重股、研究商品基本面），这需要以十年计的经验积累 [86] 量化体系与刚性风控 - 主观基本面方法用于追求弹性（艺术），量化体系用于控制回撤（科学）[91] - 量化体系的构建深受桥水达里奥《原则》影响，旨在通过提炼原则并编程化，以量化体系刚性执行来对抗人性 [92][93] - 量化在风控方面的作用是决定性的，无论是宏观还是行业风控，都需要大量指标和模型，组合层面的刚性风控是最后一道防线 [96][97] 对明年（2026年）多资产的观点 - 资产排序：商品好于境外好于A股好于债市 [99] - **商品**：继续看好黄金和白银，判断黄金明年还有一波机会，驱动因素包括美元指数进入十年下降大周期、中美脱钩冲击货币秩序等，并认为白银被长期严重低估，基本面明显改善 [100][101][103] - **A股**：有结构性机会但需降低预期，以上证主板为例，每年上涨15%（对应500点）比较理想，明年比较看好金银股和稀土 [104] - **债市**：认为即使美联储降息，国内国债收益率下行空间不大，且易受基本面和政策面超预期冲击，但短期看好债市2个月的反弹，因近期下跌已触发超跌模型的买入信号 [106][107] - **潜在宏观风险**：包括美股能否软着陆的不确定性，以及公募基金再次在AI板块抱团取暖的风险 [109][110]

核心事件：托德·库姆斯离开伯克希尔·哈撒韦 - 伯克希尔·哈撒韦于12月8日发布新闻声明，宣布其投资经理兼GEICO首席执行官托德·库姆斯离任 [4] - 库姆斯将加入摩根大通，担任首席执行官杰米·戴蒙的特别顾问，并辞去其在摩根大通的董事职务 [5][7] - 巴菲特在新闻稿中表示，库姆斯辞职是为了接受摩根大通一份“有趣而重要的新工作”，并肯定了他在GEICO的贡献 [5] 库姆斯在伯克希尔的角色与成就 - 库姆斯于2010年加入伯克希尔，比另一位投资经理特德·韦斯勒早一年 [5] - 加入十年后，于2020年出任汽车保险公司GEICO的首席执行官 [5] - 在执掌GEICO期间，成功扭转公司颓势，进行了重大改革，提升了运营效率并使承保流程现代化，其工作获得巴菲特在2024年股东信中的高度赞扬 [6] - 到2021年，库姆斯与特德·韦斯勒共同管理的投资超过340亿美元，占当时伯克希尔股票投资组合总价值的近十分之一 [37] - 他曾被视为接替保险业务总裁阿吉特·贾恩的热门人选 [6] 库姆斯与巴菲特及芒格的结识过程 - 2010年，库姆斯因经营自己的对冲基金城堡角资本而精疲力竭，通过一位认识芒格的投资者牵线，尝试联系芒格 [12] - 库姆斯通过电话留言联系芒格，在表明自己“真的什么都不想要”后，获邀在加州俱乐部共进早餐 [14] - 两人首次会面便交谈了约6个小时，话题从英国石油公司深水地平线漏油事故延伸到宇宙学等晦涩书籍，因思想投缘而建立联系 [15][16] - 在讨论深水地平线事故时，库姆斯运用保险思维，指出其核心是“时间的错配”和风险预防的缺失，并将其比喻为“以非常便宜的价格出售看跌期权”，这一见解令芒格赞叹 [20][21][22] - 此后两人多次交流，芒格最终建议想收购保险公司的库姆斯与巴菲特谈谈 [27][28] - 库姆斯与巴菲特初次会面时，主要讨论股票投资（如美国银行、万事达卡、Visa等），两人在资本配置、风险评估及保险方面的理念高度契合 [30][31][32] - 库姆斯的坦诚品质（例如直言前进保险比GEICO更好）得到了巴菲特的欣赏 [33][34] - 巴菲特和芒格最终在2010年底决定聘请库姆斯 [36] 库姆斯在摩根大通的新角色 - 在摩根大通，库姆斯将担任首席执行官杰米·戴蒙的特别顾问 [7] - 杰米·戴蒙在声明中评价库姆斯是“最优秀的投资者和领导者之一”，并认可他对摩根大通使命的理解 [7] - 据称，库姆斯将在新计划中首先管理100亿美元的投资，而该计划最终将投入1.5万亿美元以推动经济增长 [7] - 该计划还将设立一个外部顾问委员会，成员包括亚马逊创始人杰夫·贝索斯、戴尔董事长迈克尔·戴尔及前政府政要等 [8] 库姆斯的背景与投资理念（文章引用部分） - 库姆斯的第二份工作是在前进保险公司的数据分析部门，其数学才能和投资兴趣由此开始 [24] - 文章推荐了多篇关于库姆斯投资理念的深度文章，主题包括：如何获得人生长期复利、投资中的三个简化原则、对芒格投资乐趣的看法、寻找伟大企业的重要性以及“好生意”的挖掘心得 [10][11]

万科债券展期事件 - 万科对“22万科MTN004”债券提出展期，该债券规模20亿元，票面利率3%，期限3年，本金和利息整体顺延一年，这是万科债券兑付史上首次展期 [2][3] - 事件引发万科债券集体暴跌，多只债券单日跌幅超过20%，触发交易所临时停牌，价格从90元附近暴跌至20元左右 [4] - 国际评级机构标普将万科的主体信用评级从“BB+”一次性下调至“CCC-”，截至2023年三季度，公司有息负债规模约为3200亿元，且面临盈利下滑压力 [4] - 事件揭示了市场对头部房企“稳健票息”的认知风险，投资者暴露于地产长周期、地方财政、政策风向与信用支持结构的复杂叠加风险中 [5] 霍华德·马克斯对当前市场情绪与投资行为的观点 - 当前市场乐观情绪占上风，但“摇摇晃晃”，投资者存在强烈的FOMO（害怕错失）情绪，市场在恐惧和贪婪之间“拔河” [10][11][12] - 市场交易属性过强，边际买家往往是交易者而非投资者，持有期被显著缩短，导致市场参与者处于“如坐针毡”、“一触即发”的状态 [13][14][15][16][17] - 在流动性信用资产方面，管理得当的高收益债等有机会跑赢现金，当前流动性信用的票息大约在7%，扣除管理费和违约损失后，净回报可能在6%左右，这符合大多数养老金6%到7%的回报需求 [18][19][20] 不同资产类别的回报与风险分析 - 私募信贷（如直接放贷）可能提供额外的约100个基点（1%）回报，但需要牺牲流动性，且结果波动区间更宽，更依赖于筛选能力 [21][22][29] - 股市当前估值偏高，在一个多年期内不太可能实现超过7%的年化回报 [24] - “阿尔法策略”的回报依赖于基金经理的超额能力，但存在获得负Alpha的风险，寻找“潜在赢家”的同时也可能遭遇“彻底的输家” [24][25] - 私募信贷市场正变得更“有效”，由六七百家高度积极的管理人参与，信息透明，难以再以“50美分买到1美元”，超额空间不大 [30][31] 在非审慎市场环境中坚持投资标准 - 坚持审慎的方法是不要降低信贷标准，例如通过一套客观的信用评分矩阵来筛选标的，不投资总分為负的标的，不因追求更高收益（如300个基点）而妥协 [33] - 在其他人都在降低标准的市场中，坚持标准可能导致无法赢得任何投资“拍卖”，因为投资本质上是落入愿意接受最少回报或最低安全性的人手中 [35][36] - 引用巴菲特观点：“别人越不审慎，我们就必须越审慎”，但作为资金管理者，在全民冒险的世界里坚守标准并与商业模式匹配是极其困难的挑战 [37][38]

文章核心观点 - 文章推荐了多篇关于投资理念与市场观点的深度内容 主要涵盖成长投资与价值投资的思辨 以及多位资深投资人士对当前市场的看法 [1][2][3] 推荐文章总结 - 推荐阅读Baillie Gifford传奇基金经理詹姆斯·安德森于2019年撰写的1.8万字长文《格雷厄姆还是增长？》 探讨高成长投资与经典价值投资的选择 [1] - 推荐阅读风和基金创始人胡猛在北大价值投资课堂上的交流分享 其关于“投机”的底层认知与价值投资产生共鸣 [2] 其他市场观点摘要 - 中泰资管姜诚认为 下阶段A股主要矛盾是基本面 主张知识要挑难的学 投资决策要挑简单的做 [3] - 景林资产高云程在交流中回答12个高关注问题 提出明年投资要降低预期 [3] - 摩根士丹利邢自强发声 认为中国资产已重回全球投资者布局的舞台中心 并预测2026年的政策基调大概率还是渐进、温和的 [3] - 有观点探讨公募量化领域如何通过AI赋能真正穿越周期获取超额收益 [3] - 有内容关注港股证券板块近期的热度变化 [3]

4、中国最强AI模型和公有云业务。在AI时代，想用AI，大部分企业必须用公有云； "像 2025年这样比较容易赚钱的年份不会太多，所以明年我觉得要降低预期。" "我的大概率判断是，中国会保持非常宽松的货币环境和流动性水平，这让股票市场中的优质公司的估值是比较稳定的。" "在做投资时，要把核心要素的权重放的足够大，就是买对好公司。剩下的都是次要条件、次要因素，权重很低。" "（产业板块的机会）未来半年到一年，在新能源（尤其是储能）和人工智能的应用（不管是软件还是与硬件结合）可能会出现一些机会。" 景林 资产管理合伙人、总经理高云程 ，近日在客户交流中回答了12个关注度很高的问题。 今年初高云程提出"MCGF"的投资线索，即"Make China Greater Future"。在半年度致持有人信中，他具象了这些线索的聚焦领域，主要包括： 1、大众娱乐社交平台，正在朝AIagent快速迭代； 2、无论谁设计最先进的芯片，都需要请他来做，具备强定价权； 3、在美元长期趋势出现动摇的情况下，拥有稀缺金铜资源的企业； 5、运动，户外生活方式的品牌矩阵经营集团。公司的供应链和品牌运营能力在持续提升，肉眼可见的和对手拉开了 ...

文章核心观点 - 公募量化行业正积极拥抱AI技术，旨在通过AI赋能投资研究、策略开发和组合管理，以应对市场变化、提升投资效率并获取持续的超额收益[2] AI在公募量化中的应用与赋能 - AI技术正被应用于投资研究的各个环节，包括数据处理、因子挖掘、模型训练和策略生成，以提升研究深度和广度[2] - 通过AI赋能，量化投资策略的开发效率得到提升，能够更快地适应市场风格切换，挖掘传统方法难以发现的非线性规律[2] - AI有助于实现更精细化的组合管理和风险控制，优化交易执行，从而提升整体投资组合的稳定性和收益潜力[2] 穿越周期获取超额收益的路径 - 行业认为，单纯依赖历史数据回测的量化模型容易在周期变化中失效，而AI的引入有助于模型理解市场动态逻辑，增强策略的适应性和鲁棒性[2] - 将AI与基本面研究、另类数据等相结合，构建多维度、多层次的投研体系，被认为是获取持续超额收益、穿越市场周期的关键[2] - 持续的技术迭代和算法升级是必要的，需要不断将新的AI算法与金融逻辑相结合，以保持策略的领先性[2]

核心观点 - 价值投资适用于所有能产生现金回报的资产，其本质是对未来现金回报的现值评估 [12][13] - 下一阶段A股市场的主要矛盾是基本面，而非估值，需同时关注短期与长期基本面发展 [2][18][20] - 投资决策应追求简单，知识学习要挑战难题，但学习不必然转化为买入决策 [46] - 可以以学习者和使用者的身份参与AI浪潮，但在投资上参与并非必选项 [2][27] 投资理念与方法论 - 所有资产的投资回报率由其长期创造现金回报的能力和当下购买价格决定 [13][14] - 更重视通过商业模式和竞争优势分析，判断企业长期可持续的超额盈利能力，这是长期价值的根本决定因素 [15] - 企业文化是辅助判断长期价值的重要抓手，但识别难度大，关键在于企业言行是否如一 [15][16] - 投资中存在明确的“不为清单”，指导原则是“与其追求正确，不如回避错误” [12][16] - 价值投资者卖出股票的理由通常有三点：看错了、太贵了、有更好的（机会成本） [16] - 投资决策是一个连续过程，买的时候懂的程度需与价格匹配，持有过程中可不断加深理解 [16] - 投资目标基于自身的风险承受能力、要求回报率和理解程度，无需建立在比别人更懂的前提上 [16] 对当前市场的判断 - A股基本面最差的情况已经过去，去年下半年是基本面的最底部 [18] - 当前全A股市盈率分位数虽高，但杀估值风险不高，因为分位数按频率统计，估值绝对水平变化不大 [18] - 目前市场估值很难找到很多一眼就便宜的股票，但也很难被归类为一眼就贵的股票，因此估值不是主要问题 [19] - 如果市场在6000点，估值可能是主要矛盾，但当前在4000点不到，主要矛盾是基本面 [2][19] - 传统行业需关注供给端出清情况，新兴行业需关注终端落地情况以及未来的竞争格局和技术路线 [20] - 从股价表现看，“反内卷”效果越好的行业表现越好，反之则表现不佳甚至下跌 [20] - “反内卷”的不确定性在于行业内部修复程度及政策效果的显现程度 [20] 对具体行业的分析与持仓 - **银行**：三季报显示息差环比改善，几乎所有银行息差都已止跌 [20] - 银行当前市净率介于0.7至0.8倍 [7][21] - 基于悲观假设，若净资产收益率降至7%，当前估值仍属合理；若升至10%，其隐含回报率可能与头部地产公司相当 [7][21] - 在偏乐观情况下，0.7-0.8倍市净率属于低估，1倍属于合理；但倾向于认为0.7-0.8倍市净率偏合理，若个别银行长期净资产收益率能维持在13%-15%，1倍市净率也合理 [21] - 银行基本面走势与预期一致，过去几年是“挑了一个简单的事去做” [21] - 银行股估值普遍合理，因此当前在港股持仓中，地产仓位占比已超过银行 [6][7] - **房地产**：尽管销售端和报表利润端未见明显修复，头部开发商仍在释放业绩压力 [22] - 关注企业现在和未来拿地的项目利润，目前头部开发商拿地项目利润率基本在十几个点，后续开发业务利润率也有10%，这是敢越跌越买的核心原因 [23] - 将地产定义为制造业，更关注利润率、周转率等指标，而非二手房成交量价等交易指标 [23] - 在悲观假设下，地产个别股票仍被低估 [7][21] - 地产长期看仍是大行业，足以支撑大市值企业，关键不是销售面积，而是卖房能挣多少利润 [23] - **其他行业**：农林牧渔的养殖环节尚未看到明确的“反内卷”转化，猪肉价格仍便宜 [24] - 煤炭行业“反内卷”有些许效果，但煤炭股的估值吸引力不强 [24] 对人工智能（AI）产业的看法 - 过去一个季度，95%的精力用于研究人工智能 [2][10][25] - 算力链当前市值隐含的假设已比较苛刻，不确定是否为泡沫，但若要支撑当前市值，其隐含假设一定不是保守的 [25] - 不知道海外大厂数万亿美元的投入计划长期回报率如何，如果仅用于提高搜索引擎匹配率（适度增效），其创造的价值可能无法匹配巨大的投资量级 [25] - 算力链条各环节短期供需关系和竞争格局很好，但对于追求长期积分的投资人来说还不够 [26] - 从经营活动现金流看，算力企业现金流并不差，但目前处于扩产期 [26] - 从长期潜在回报率角度看，更细分领域的投资机会目前属于“七尺栏杆”状态 [26] - 现阶段未找到符合“慢变”标准的AI标的，以当前认知水平和保守风险偏好，前瞻性判断较难 [26] - 可以以学习者和使用者的身份参与AI浪潮，但投资上参与不是必选项 [2][27] 基金经理业绩与组合管理 - 截至2025年12月1日，代表产品中泰星元灵活配置混合A今年以来收益8.15%，自2018年12月5日任职以来，任职回报186.79%，年化回报16.25% [4][5] - 2025年三季度是产品成立以来跑输市场最严重的一个季度，但中泰星元三季度绝对收益仍为正，累计回报仍在扩张 [7] - 组合仓位结构未大幅调整，唯一明显变化是港股持仓中地产仓位占比超过银行 [6] - 规模不是困扰，对管理规模没有目标，但非常在意持有人是否挣钱 [28] - 目前核心工作仍是学习，拓展新行业，并对现有组合动态评估价值陷阱 [29]