甲骨文与部分科技股表现 - 甲骨文财报每股收益亮眼但股价盘后超跌10% 全日市值蒸发688亿美元[1] - 甲骨文自身财务问题严重 资产负债率86% 债务股本比500% 负债近1500亿美元 评级被巴克莱调至垃圾债级别[1] - 博通业绩超预期但股价大跌11%以上 创1月以来最差单日表现 并带坏市场情绪 导致英伟达 AMD 微软 谷歌等下跌 但更多被视为获利回吐[1] 奈飞与内容战略 - 奈飞以827亿美元天价收购华纳兄弟以打造内容壁垒 承担30%可转债后整体债务水平仍算安全[1] - 奈飞过去半年股价已下跌30% 但其公司基因不关注短期市场看法 坚持自身节奏[1] 港股市场状况 - 恒生指数与恒生科技指数已横盘近三个月 市场反思新股上市过多可能导致流动性缺失[2] - 港交所年内募资超2400亿元 登顶全球榜首 但观点认为港股是增量市场 更关注核心资产上市[2] - 近期A/H股上市的公司多为核心资产 如宁德时代 恒瑞医药 三一重工 蓝思科技 剑桥科技 纳芯微等[2] 恒生科技与相关公司 - 恒生科技指数在11.5区间附近持续获得加仓 基本面被长期看好[5] - 阿里千问月活突破3000万 成为全球增长最快的AI应用[5] - 观察豆包手机后 认为腾讯与小米更有机会整合并后来居上[5] 恒生生科指数与创新药行业 - 恒生生科指数已从高位回调20% 上周开始加仓[7] - 若将恒生生科视为一家公司 其商业化创新药是基本盘 利润率高且收入稳定占半壁江山[7] - 占比20%-30%的海外CRO/CDMO医药服务收入提供稳定现金流[7] - 发展迅猛的BD授权收入占比10%-20% 正以年化50%增速增长 是未来蓝海[7] - 在ADC 双抗 PROTAC等方向 中国临床管线数量和推进速度已吸引欧美大厂 不少BD交易针对全球权益而非仅中华区版权[7] - 行业趋势明确但单个公司不确定性大 直接投资恒生生科指数被视为覆盖全行业贝塔的保险方式[7] A股与美股投资策略 - 当前对A股与美股采取杠铃策略 配置包括科创50与中证1000ETF 以及红利低波ETF与拼多多[8] - 拼多多股价上周因负面新闻下跌 短期不确定因素多 但长期现金储备增长迅猛 2022年为1247亿元 2023年为2172亿元 2024年为3085亿元 2025年三季度已达4238亿元[8] - 拼多多的操作经验被总结为适合油门狠狠踩 刹车慢慢点 上周猛踩了一波油门[8] 投资中的外部视角与基础比率 - 投资应善于借用外部视角 诺奖得主卡尼曼的案例显示 其团队编写教材最初乐观估计需2年 但外部基础比率显示类似项目需7到10年 最终实际用了8年[10] - 投资中繁星一样的先例构成基础比率 是预测收益的最好参考[10] - 真实的投资基础比率是七赔两平一赚 每年稳定15%以上收益的专业机构凤毛麟角 交易大师的正确率通常在60%上下[10] - 长期来看 不到10%的投资者能跑赢指数 但有90%以上的投资者相信自己属于前10%[10] 盈利目标与操作心态 - 以15%的基础盈利比率为参考来设定来年盈利目标更为务实[11] - 低期望有时带来高回报 有案例显示预期三年翻倍的股票一年就翻倍 而预期一年翻倍的股票三年未回本[11] - 以60%的基础操盘正确率为参考 有助于在市场恐慌或亢奋时保持淡定 不急于操作[11]

**全球宏观研究经验与思考 20250905 关键要点总结** **一、行业与公司** * 行业为全球宏观研究领域 专注于自上而下的投资方法论 涉及任何国家、货币、市场和资产类别[1][4] **二、核心观点与论据** * 全球宏观研究价值在于通过数据驱动和科学方法论提高判断准确性 从宏观趋势和全球失衡中寻找投资交易机会[2][4] * 买方有效研究需兼具广度与深度 构建"梯形"结构 横向了解多领域多资产 纵向深入特定领域 并注重实证研究和反馈[5] * 有效市场假说认为市场价格反映所有信息 难以预测获取超额收益 但通过系统化数据驱动方法仍可发现潜在机会[6][7] * 宏观经济判断最重要的是把握方向 例如2023年判断美国经济软着陆而非金融危机 2025年判断资金流向推动中国股市[15][16] * 好的研究方法论包括从好问题开始 系统性思考 严谨对待细节 扎实学术训练和不断接受反馈[17] * 广义货币超发未导致通胀 因货币流通速度下降 利率越低持有货币机会成本越低 进一步降低了流通速度抑制通胀 中国广义货币总量达320万亿但通胀未显著上升[22][23] * 市场研究需逻辑、理论与实证相结合 重视叙事和反馈机制 对自身观点保持严苛 并具备独立研究能力[28] **三、其他重要内容** * 需注意研究中的典型错误和误区 例如美联储2021年误判通胀为暂时性 澳大利亚央行2020年政策承诺不到一年就撤销[3] * 分析问题应采用外部视角（宏观共性）和内部视角（微观个性）结合的方法 先找共性再找个性[9][10] * 进行正确类比需找到最根本驱动力（如人的行为） 避免错误类比（如用1998年亚洲金融危机类比2008年次贷危机）[11] * 简单将中国与日本类比存在问题 因两国市场规模和发展水平不同 1985年日本人均GDP达美国150% 中国则利用庞大市场规模和AI技术巩固产业优势[14] * 油价下跌对中国经济影响较小 国际油价跌20%但国内油价仅下调几个百分点 消费者节省有限 对实体经济带动作用不大[21] * 分析宏观经济问题需系统性思考 包括准确把握概念 同时考虑供给与需求 进行框架性思考 明确传导渠道和细致数据处理[25] * 确保论据可靠性需价格与数量匹配 自上而下与自下而上匹配 流量与存量匹配 区分主要因素与次要因素[27] * 市场研究与学术研究不同 追求共性和深入浅出 需简化内容易于理解[30] * AI在宏观经济分析中有局限性 因数据非独立同分布 样本点少 变量相关性高 无法替代人工判断[31] * 优秀市场研究人员需具备强烈好奇心 掌握系统性思考框架 注重细节和实证 主动寻求反馈[33]