**行业与公司** * **行业**：人工智能（AI）大模型行业，特别是大模型商业化、Token经济、Agentic AI（智能体）[2][4] * **涉及公司**： * **海外模型厂商**：OpenAI (ChatGPT, Codex)、Anthropic (Claude, Claude Code)、Google (Gemini) [4][19][22][45] * **国内模型厂商**：智谱 (GLM)、深度求索 (DeepSeek)、Kimi、阿里 (通义千问)、字节 (豆包)、MiniMax [45][60][71][75] * **云厂商/合作伙伴**：微软 (Azure)、亚马逊 (AWS)、谷歌 (TPU) [22][27][40] **核心观点与论据** **1. 商业模式：B端与C端双轮驱动，Token价值分层** * **B端模式（Token Factory）**：以API调用为核心，模型智能水平和效率是关键。企业愿意为能提升生产力的智能模型付费 [4][5]。 * **核心场景**：AI编程（Coding）是首个进入真实生产力级别的应用，已初步验证投资回报率（ROI）[6][9]。 * **ROI测算**：假设中国程序员每日Token花费116美元（对应每年22万元），每日节省约4.5小时ROI即可转正；美国程序员在相同花费下，节省不到2.5小时ROI即可为正 [9]。 * **Token消耗量**：单用户基于Agentic Coding的Token消耗是普通ChatBot的**百倍以上** [10]。例如，完成一个代码重构（多文件）任务可能消耗15,000-80,000个Token，而一次普通ChatBot对话仅消耗900-5,700个Token [12]。 * **市场空间（TAM）巨大**：全球白领AI Agent市场总规模（TAM）估算在**1万亿美元（基准情形）至3万亿美元（乐观情形）** [4][16]。 * **用户分层与ARPU假设**： * 重度用户（如软件工程师）：年ARPU 12，000-20，000美元 [17][18]。 * 中度用户（如金融分析师）：年ARPU 1，000-5，000美元 [17][18]。 * 轻度用户（广义白领）：年ARPU 200-1，500美元 [17][18]。 * **竞争格局**：Anthropic与OpenAI在企业市场展开角逐 [19][22]。 * **Anthropic**：专注于Coding和企业市场，年化经常性收入（ARR）从2025年底的**90亿美元**快速增长至2026年5月的**450亿美元**，预计年底有望达到**1000亿美元**，其中80%来自B端客户 [4][19]。 * **OpenAI**：优化商业化战略，加码企业级及Coding市场，其Codex产品周活用户已达**200万**，三个月增长5倍 [22]。 * **C端模式**：通过订阅制和广告进行商业转化，核心是巩固流量入口 [4][5]。 * **用户规模**：截至2026年5月，ChatGPT和Gemini的C端月活分别达到**10亿**和**9亿** [4][45]。 * **订阅模式**：ChatGPT付费用户约占周活用户的**5%**（约3500万用户）。OpenAI预计到2030年付费人数将达到**2.2亿**，占周活人数（26亿）的**8.5%**。假设2030年C端用户平均价格50美元/月，则OpenAI C端订阅ARR将达到约**1320亿美元** [45]。 * **广告模式**：作为覆盖免费用户Token成本的重要路径 [4][50]。 * **OpenAI**：ChatGPT广告上线不到6周ARR已超**1亿美元**，覆盖600个广告主。预计2026年广告收入达**25亿美元**，2030年达**1000亿美元** [50]。 * **Google**：以搜索引擎为基本盘，在AI Overview和AI Mode中加入广告，截至2025年10月，AI Overview年化收入已达**50亿美元** [50]。 * **国内市场**：付费意愿较低，厂商主要依托免费模型占据流量入口，通过与自身生态（如电商、本地生活）联动实现间接变现 [60]。 * **Token价值分层**： * **C端消费级**：完成日常任务，通过订阅/广告变现，预计2030年TAM约**6000亿美元**（订阅4800亿+广告1000亿）[65]。 * **B端Token Factory**：解决复杂任务，按Token或订阅付费，TAM或达约**4万亿美元** [65]。 * **AI原生应用**：按产出结果收费，价值含量最高，仍处探索阶段 [5][65]。 **2. 成本与盈利：训练投入高昂，推理毛利率趋势性提升，远期有望盈利** * **成本结构**：模型厂商成本主要集中在训练、推理和人员 [66]。 * **2025年情况**：海外模型厂商算力支出（训练+推理）基本是收入的**1.5倍**，人员成本占收入的**42%-64%**。Anthropic和OpenAI现金花费分别为**30亿/90亿美元** [66]。 * **训练端**：是当前算力投入重点（约占70%），以提升模型参数规模和智能水平 [68][71]。 * **参数规模**：海外头部模型参数达**2-3T**（Anthropic Mythos甚至达5-10T），国内模型突破**1T** [71]。 * **投入增长**：Anthropic预计2026年训练侧投入约**120亿美元**（同比+193%）；OpenAI预计投入约**320亿美元**（同比+285%）[71]。 * **推理端**：随着Agentic AI需求爆发，推理算力占比将提升 [68]。工程优化（如注意力机制优化、PD分离）能有效降低单Token推理成本，提升毛利率 [75][78]。 * **盈利前景**：随着收入放量摊薄训练成本，以及推理毛利率提升，中长期模型厂商将实现盈利 [4][78]。 * **毛利率趋势**：国内模型因价格和参数规模差异，毛利率低于海外，但通过工程优化有望提升至**40%-50%**左右。OpenAI预测未来五年毛利率在**52%-67%**；Anthropic预计2029年毛利率达**77%** [75][78]。 * **盈利时间点**：根据公司预测及第三方估算，**Anthropic和OpenAI分别在2029和2030年实现盈利** [78]。敏感性模型显示，大模型公司可能在运营第**5年**实现营业利润转正 [80]。 **3. 发展趋势与风险** * **发展趋势**： * **Agentic AI渗透加速**：模型正从Coding向提升通用生产力进阶，未来可能出现以天、月为单位工作的智能体 [32]。 * **算力与生态成为关键**：充足的算力储备以支撑激增的推理需求，以及构建吸引开发者和企业的生态系统，将成为模型厂商的竞争壁垒 [38]。 * **Token管理精细化**：随着消耗指数级增长，Task Budget（任务预算）管理将变得重要，以实现任务输出与成本的平衡 [35]。 * **主要风险**：[3][82] 1. **算力持续涨价**：若上游算力（存储、GPU等）涨价幅度超过API提价，将挤压模型厂商利润。 2. **Agent泛化能力不及预期**：若Agent能力无法快速拓展至Coding以外的场景，将影响整体市场空间（TAM）的扩张。 3. **API价格战**：若厂商为争夺份额发起价格战，将影响毛利率和盈利时间表。 **其他重要信息** * **模型能力进展**：Claude Opus-4.6在准确率为50%的情况下可执行**10+小时**的复杂任务（如RFC工程化）[32]。 * **算力储备对比**：OpenAI已上线及锁定算力约**10 GW**，Anthropic约**5 GW** [40]。 * **分成模式差异**：OpenAI与微软分成较严苛（2030年前支付收入的20%），而Anthropic与AWS更偏向合作关系，ARR计算口径不同 [27]。 * **广告效率对比**：当前ChatGPT广告的每次购买成本（CPA）低于Google和Meta，但线索质量高于Meta、低于Google [54]。

纪要涉及的行业或公司 * 行业：非银金融板块，主要包括证券（券商）行业与保险行业[1] * 公司：提及的券商包括**中信证券、广发证券、中金公司、中信建投、招商证券、华泰证券**；提及的保险股包括**中国人寿、新华保险、中国太平、中国平安、中国太保**；另提及金融信息服务商**同花顺**[2][4][5][6] 核心观点与论据 券商板块：估值修复与业绩驱动 * **估值处于历史底部**：截至2026年6月22日大涨前，券商板块滚动市盈率(PE)已跌至约15倍的历史低位[2][3] * **中报业绩高增可期**：预计2026年中报净利润同比增速将从一季度的17%提升至25%-30%，头部券商增速分化显著，**中信证券、广发证券、中金公司**等中报净利润增速有望超50%[2][4] * **上涨核心驱动因素**：1) 资金面扰动消除，特定机构对头部券商股的持仓在2025年8月至2026年5月底已基本出清[3]。 2) 基本面与估值严重背离，自2024年9月24日至纪要时点，市场日均成交量从不足1万亿增长至3万亿以上，但券商指数基本未涨[3][4] * **关键催化剂**：7月头部券商的业绩预喜公告可能成为下一阶段板块上涨的催化剂[2][4] * **头部券商目标空间**：以**中信证券**为例，其2026年预期净资产收益率(ROE)达13%-14%，保守给予2倍目标市净率(PB)，向上空间约56%；头部券商板块整体未来向上空间约有50%[2][5] 保险板块：利润反转预期与相对排序 * **二季度利润预期反转**：受益于2026年二季度（尤其是四、五月份）的科技股行情，头部保险公司投资收益预计改善，中报利润增速较一季报有望提速40-50个百分点[2][4] * **具体公司预期**：**中国人寿**一季度净利润下滑30%，但中报预计显著改善；**新华保险**及基数较低的**中国太平**发布业绩预喜的概率较大[4][5] * **在非银板块内排序次于券商**：主因保险股特定机构持仓相对较多，若上证指数快速上涨至4,300点以上，保险股可能面临比券商股更强的减持压力[2][5] 市场表现与成交量信号 * **市场表现**：2026年6月22日，申万券商指数单日上涨7.69%，保险指数单日上涨5.84%；但从年初至该日，券商指数仍下跌7.23%，保险指数下跌22.94%，大幅跑输主要指数[3] * **成交量信号**：2026年6月22日，万得全A日交易额达到3.76万亿元，较上一交易日放量4,300亿元，可能意味着非银板块上涨带动了场外增量资金入场[3] 其他重要内容 具体选股思路与策略 * **券商选股思路**： 1. **基于性价比**：考虑市净率(PB)与净资产收益率(ROE)，且特定机构抛压出清，首选**中信证券、广发证券、招商证券、华泰证券**[5] 2. **基于高弹性**：建议关注**同花顺**，其业绩与市场交易量高度相关，2026年二季度至今市场日均股票成交量同比增速超120%，预计其中报净利润同比翻倍以上，且其滚动市盈率处于历史中枢偏下[2][6] * **保险选股思路**： * **短期**：关注中报利润反转，首选**中国人寿**和**新华保险**，港股可关注低估值的**中国太平**[5][6] * **中长期**：关注负债成本较低的公司，如**中国平安**和**中国太保**，因其更具持续性[6] * **投资策略与时机**：鉴于市场可能维持高波动，建议在板块或个股出现较大回撤时建仓或加仓，当前至7月中旬中报业绩预告披露前是逐步增加非银仓位的较好时间窗口[5] 估值数据 * 保险板块2026年的市净值(P/EV)估值约为0.56倍[3]

文章核心观点 - 基于统计跳跃模型的系统性风险预警体系，通过构建单资产三维特征并利用动态规划方法识别持续性多空信号，能够在不依赖资产间相关性建模的前提下，有效控制多资产配置组合的回撤并提升风险调整后收益 [2][49] - 该模型设置了复合信号与增强信号两套合成机制，其中增强信号以债券资产同步看空为确认条件，在显著减少预警天数的同时保持了同等甚至更优的避险效果 [3][19][49] - 实证回测表明，该预警体系对三资产风险平价、八资产风险平价及八资产均值-方差三类基准模型均有显著增强效果，大幅降低了最大回撤并提升了风险调整后收益 [2][5][6][50] 系统性风险预警模型构建方法 - 模型借鉴Shu et al. (2024)的统计跳跃模型，仅利用单资产日度行情数据，构建DD_10、Sortino_20、Sortino_60的三维特征 [3][8] - 通过动态规划方法交替迭代三维特征的质心及资产的状态路径，以最小化目标函数，从而识别出具有高持续性的资产多空状态 [3][8][10] - 模型优势包括：假设简洁无需外部标签、对状态切换设置惩罚项使信号具有预测性、计算复杂度低且仅需日度行情数据 [16] 单资产信号有效性 - 单资产看空信号发出后60个交易日内，资产的正超额收益比例普遍低于40%，且平均超额收益普遍为负值；而看多信号发出后的正超额收益比例达60%-70%，平均超额收益均为正，验证了信号的有效性和持续性 [4][23] - 对于中证红利全收益指数，信号有效性相对弱于其他资产，但其60交易日平均超额收益在发出多空信号后也出现明显分化 [27] 多资产组合信号合成与回测设置 - 将八个底层资产（涵盖权益、债券、黄金三大类）分为三个大类，并设置两种信号复合方法 [17][19] - 复合信号：当两个及以上大类资产触发看空时组合降仓50%，三个大类资产触发时降仓80%，并强制避险至少60个交易日 [3][19] - 增强信号：在复合信号基础上，必须同步触发债券资产看空才确认系统性风险，此举在大幅降低预警天数的同时保持了同等甚至更好的避险效果 [3][19] - 回测基于三个基准模型：三资产风险平价、八资产风险平价、八资产均值-方差模型，调仓频率为月度，预警监控频率为日度 [19][20] 预警信号对组合表现的增强效果 - **最大回撤控制效果显著**： - 三资产风险平价模型最大回撤由-7.07%降至-3.23%（复合信号）和-3.37%（增强信号）[2][31] - 八资产风险平价模型最大回撤由-5.42%降至-2.99% [2][37] - 八资产均值-方差模型最大回撤由-35.18%降至-21.96% [2][42] - **提升风险调整后收益**： - 三资产风险平价模型的卡玛比率由0.77提升至1.59（增强信号）[6][31] - 八资产风险平价模型的卡玛比率由0.98提升至1.71（增强信号）[6][37] - 八资产均值-方差模型的卡玛比率由0.17提升至0.31（增强信号）[6][42] - **在基准表现不佳年份提升绝对收益**： - 以2013年为例，增强信号使三资产风险平价模型年化收益从-5.70%提升至-0.06%，八资产风险平价模型从-2.34%提升至1.78%，八资产均值-方差模型从-2.85%提升至1.58% [6][34][37][46] - **具体避险案例**： - 三资产风险平价模型在2013年的最大回撤由-7.07%降至-1.24% [5][34] - 八资产风险平价模型在2015年的最大回撤由-5.42%降至-2.58% [5][37] - 八资产均值-方差模型在2015年成功规避了13%的回撤 [5] 总结与模型特点 - 该预警体系仅使用行情数据，无需复杂的分布假设或资产间相关性判断，具有较强稳健性和在不同资产组合及基准模型上的外推能力 [50] - 模型也可应用于单资产择时领域，作为择时指标体系的补充 [50]