如何在 AI 噪音中捕捉价值

02.

为什么 AGIX 可以有效抓住 AI-Alpha

技术革命是连续、渐进向前延伸的过程，和其他历次技术革命一样，AI 也会有“硬件投入——基础设施建设——应用大爆发”三个周期，在这个长周期中，不同阶段持续有不同公司受益。

站在投资角度，bet 个股是不连续的、散点式的投资布局，这种不连续的参与方式本身也和技术演进逻辑相悖。基于这一点，宽基指数 ETF 显然是个人投资者最具性价比的一揽子投资工具，但并非所有 ETF 都能够让投资者享受到预期收益，不同 ETF 表现差异之间的区别它们的组合构建十分相关。

只有能够在 Portfolio 层面映射出技术革命特点的 ETF 才是有价值的一揽子投资工具，大多数主题性 ETF 回报低于投资者预期正是 Portfolio 环节的问题：

1）底层标的名不副实：如同我们在前面提到的，市场上不少 AI ETF 更多讲的是泛科技概念，而非真正的 AI 公司，除了 AI 主题，能源、EV 等热门主题 ETF 都有类似瑕疵；

2）标的权重配置的方法论过于机械：常见的例如平均 3%的权重，只单纯按照市值加权等方式都无法完整灵活、有机地反映出技术进化程度以及不同板块的受益程度。

为了规避上述问题，$AGIX  ETF 首先做到了：

• 组合的完整性：ETF 组合中有对二级市场 AI players 的全面覆盖，确保“不错过”任何大幅受益于 AI 发展的底层标的，同时提供了一级市场敞口。虽然 GenAI 早期阶段成熟公司更容易因 AI 获益，但在更原生的一级市场 Gen AI 中，OpenAI、Anthropic、Perplexity 以及 11 Labs 公司等都实现的惊人收入，成为 AI 走向大众的关键锚点。如果不能覆盖一级市场标的，AGIX 就不能体现组合的完整性，更重要的是从回报角度来讲，不能获取一级市场更有爆发力的企业价值上涨。

• 组合的准确性：组合的准确性来自于 portfolio 构建的方法论的科学和巧妙设计上。在技术快速更迭、动态演进的当下，机械简单的方法论，比如平均加权、市值加权等等，都无法反映微观层面上，不同公司由于执行能力，业务 AI 耦合度等等方面而带来的差异化竞争优势。

$AGIX 拥有更 AI-native 的 Portfolio 构建

在前几次 AI 浪潮中，围绕 AI 主题也诞生了不少 Index 和 ETF，例如，ARK 在 2014 年就发行了 ARKK 和 ARKQ 都将 AI 作为重要构成，Indxx Artificial Intelligence & Big Data Index（IAIQ Index） 则发行于 2018 年。

但如果观察这些  ETF 产品 的构成，就会发现，它们的组合中也存在非 AI 相关的公司，尤其是非此次 LLM 浪潮相关的公司；有些仍然围绕机器视觉或机器人为主线来构造组合，并不能反映价值捕获，服务于投资者想要“纯粹”AI 组合的需求。此外，ARK 的  ARKK 、ARKQ 等类似 AI 主题 ETF 的另外一个共性是，AI 只是这些产品 methodology 的组合之一而非全部，背后的潜在理念是，AI 是对科技投资的补充而非颠覆。

这一观点放到今天显然存在瑕疵：由 LLM 催化的 AI 革命是对已有科技生产的颠覆，AI is eating software，这项新技术不仅会带来生产力革命、创造全新的需求，甚至也会带来新的商业模式。因为产品机制和技术绝对早期的局限性，长期来看，这类产品也会面临和 QQQ 类似，可能会“失效”的挑战。

投 AI 不只是投英伟达，$AGIX 可以抓住 AI 技术扩散过程中的价值分配变化

从 ChatGPT 诞生至今，毫无疑问 Semi，尤其是英伟达作为价值王者的位置仍旧坚定，但经过将近 2 年时间，Semi 之外的其他板块也慢慢诞生出 AI-alpha，例如，随着 AI 开始进入企业实际应用、创造实打实的收益，软件板块的公司，例如，Palantir 和 ServiceNow 的 AI 产品线开始创造出实打实的收益，教育产品 Duolingo 借助 AI 推出更新的产品和用户体验，也有机会将用户 ARPU 提升到新的量级，公司股价也迎来历史高点。为了在行业 beta 之上捕捉到每个阶段的 alpha，就一定有要做全周期地覆盖。

这也是 $AGIX 和半导体 ETF 表现之间的差异的原因。如果把 $AGIX 和半导体 ETF $SOXX 的表现进行对比，我们会发现 AGIX 不仅跟上了 SOXX（半导体 ETF）的上涨，在 SOXX 回落时也彰显出了良好的韧性与抗跌能力。这也是 AGIX 组合中多元配置、全链条布局 AI 重要公司的体现。

$AGIX 是比 QQQ 更面向未来的科技投资范式

每一次技术范式转变，都需要全新的框架和路径来做投资判断。

QQQ 是一个很好的例子。追踪 Nasdaq 100 指数的 ETF QQQ 是过去 20 年科技与增长股的代名词。但 QQQ 并非诞生之初就和科技投资划等号，直到 2003 年在 methodology 层面剔除了所有金融服务相关公司、在构成上更加 tech-driven 后，QQQ 才真正意义上和科技股挂钩。在移动互联网时代的早期，QQQ 也没有第一时间感知到新技术浪潮中的 alpha，其表现和 S&P500 走势相对一致，直到 2013 年后，随着移动互联网进入爆发期，QQQ 才开始和 S&P 500 之间拉开差距，

到了 AI 时代，QQQ 也无法完美映射 AI 领域的价值流动：过去 3 年，QQQ 的底层指数 Nasdaq 100 增长了 163%，而 Nvidia 增长了 982%，Microsoft 增长了 209%。这是因为 QQQ 所追踪的 Nasdaq 100 指数中仍然存有例如百事可乐、Costco、星巴克等非科技公司，且占到组合的 40%。

如果只看 QQQ 的 IT 板块，就会发现，在 2024 年 Q1 后，QQQ IT Sector 表现明显优于整体。但即使如此， AGIX 的表现仍然明显优于 QQQ IT Sector，这是因为科技公司也不等于 AI 公司，在存量科技企业中，一定有大量公司不仅无法跟进 AI 机遇，甚至会被 AI 颠覆，这些企业显然是没有投资价值的。

但 ETF（和指数）的调仓逻辑是晚于技术革命本身的，也由此会带来的直接的结果是，这些旧范式下的投资工具不仅不能先一步帮投资者找到“价值洼地”提前布局收益，甚至无法做到在第一时间帮助投资者捕捉到增长。再比如，在一个月前 S&P 500 才宣布将数据公司 Palantir 纳入到 S&P 500 公司，而 Palantir 在今年已经上涨了 153%。

03.

AGIX 的选股方法论

AGIX 指数是一个类似于 QQQ，基于规则的被动 AI 指数。它一方面像 QQQ 一样采纳了市值加权方法，确保能够将大盘成长型股票囊括在内，享受到这些头部公司的增长势能，以及具备科技领域典型的幂律回报，同时也会基于对底层标的 AI 进展和 AI 发展潜力的详细研究，在市值加权的基础上加入了 AI 打分机制，能够更精准的跟踪和反应 AI Alpha 的变化。

具体来看分成以下几个步骤：

• Step 1: 首先筛选市值 20 亿美元以上的公司，以确保覆盖具有足够流动性和股价正常波动的上市公司；

• Step 2: 接下来，我们筛选积极参与 AI 开发和应用的行业。根据 FactSet 的行业定义，确定了 12 个关键垂直行业，如半导体、数据处理服务和互联网软件/服务。不符合 AI 相关性的行业，如石油和天然气以及房屋建筑等首先就被排除在外，从而再次将潜在名单进行精简，缩小至大约 300 到 400 家真正与 AI 投资主题相关的公司；

• Step 3: 在这 300-400 家科技、数据和互联网相关公司中，通过“AI 潜力模型”来精细化评估每家公司和 AI 的相关性进行打分，打分从 AI 潜力和 AI 耦合度两个视角切入，分别的分数范围是 1 到 5；

• Step 4: 基于前序的 AI 打分和公司市值，确定 $AGIX 每个股票的权重分配。

需要强调的是，为了确保 $AGIX 的投资组合能够和 AI 最当下的技术进程保持一致，这个打分和权重调整的过程是动态的：每个季度，都会根据公司季度业绩会、业务发展情况和在一级市场看到的新变化对 $AGIX 的投资组合和公司权重进行挑战。这种持续调整有助于我们根据公司在 AI 产品和业务方面展现可信进步的时候给予奖励，同时降低或最终移除表现不佳的公司。

基于上面的筛选，会发现即便同一垂直领域下，不同公司因为产品特性、商业模式等原因受益于 AI 的程度不同，打分也存在很大区别，也更能说明 $AGIX 选股中的有效性。

AI 潜力模型

在制定一个追踪新技术革命的投资工具时，最难的其实在于如何兼顾当下和远期，同时覆盖共识的价值股和非共识下的“价值洼地”。AI 潜力模型的目标就是这个。

• AI 耦合度：主要着眼于当下，用来衡量公司的现有业务的 AI 进展，AI 给业务带来的正向影响越大，已经因为 AI 而产生的收入贡献越多，这个数值越高。在这个维度中， Nvidia 无疑可以打分最高，Microsoft、AWS 等因云计算业务受益于 AI 的公司也会被赋予较高的 AI 耦合度得分。

• AI 潜力：侧重前瞻性视角，用来衡量在可预见的未来几年，公司和 AI 的结合能带来多大的业务影响和潜在收入。考虑到模型能力的进阶，今天受限于智能水平的场景也会在未来解锁，这些场景下的公司也会获得充分的 AI exposure。要捕捉 alpha 收益，就要先于市场识别出“价值洼地”。

以 ServiceNow 和 Palantir 为例。ServiceNow 的 AI 产品 NowAssistant 是公司历史上增速最快的新产品，Palantir 的 AIP 在今年开始进入到订单转化阶段，与此同时，从行业宏观视角来看，一系列企业 CIO 调研中也呈现出 2025 年会进入企业大规模应用 LLM 的阶段，因此 Now 和 PLTR 这种已经在产品和用户口碑层面有基础积累的公司一定会迎来更高速的增长。虽然今天的共识是 LLM 的能力还不足够深入到企业工作流，软件应用层相较于硬件、基础设施板块的公司而言 AI 带来的收入占比很小，但这两家公司仍旧可以被赋予更高的 AI 潜力值的打分。

04.

AGIX 组合的构成

在科学的方法论基础上，AGIX 的投资组合涵盖全球 AI 最有代表性的相关产业链公司，接近 90%投资于北美，在日韩、以色列、中国台湾等地区的市场上均有所布局。从仓位分布上来看，AGIX 前 10 大持仓占总持仓的 50%，后 31 支股票占了剩下 50%的仓位。

进一步看 ETF Portfolio 公司的行业分布，目前 40%权重分配给半导体相关 AI 硬件，40%分配给 AI 基础设施，20%分配给 AI 应用。

长期来看，市场一定会超越投 AI 只投资于英伟达的范式。AGIX  的前 10 大持仓以外的 30 只股票实际上就提供了 AI 走向大规模部署过程中的价值弹性。除此之外，如上文提到的，$AGIX 还拥有一定一级市场敞口。随着更 AI 原生的公司上市在未来 3-5 年内上市并纳入指数，AGIX 的特点将得到更鲜明的展现。

从整个组合的估值水平来看，AGIX 的加权 Forward PE Multiple 约为 37.9，过去 3 年市场的平均水平 44，估值水平的下降和股价上涨带来的估值增加预期截然相反，证明 AGIX 选择的股票反倒用高增速带来估值上的安全垫，对于 AI 股票估值过高的假设并不合理，高增速才是市场给我们的反馈。

回顾历史，开发和制造硬件的公司总是最先崛起。基础设施公司使用硬件开发平台，从根本上降低了成本和行业门槛。最后，应用公司利用基础设施和硬件来创造价值，制造新服务和新产品，当硬件或基础设施尚未准备好时，应用领域并不值得过度投资。因此，随着 AI 产业格局的变化，我们还将动态调整各板块权重以捕捉不断变化的趋势，确保在正确的阶段投资权重保持在最合适的比例。

1. 硬件：为 LLM 的计算、训练和推理提供支持的半导体和数据中心

AI 硬件是 AI 的产业支柱。硬件由于 Gen AI 的需求冲击，一定阶段可能摆脱作为周期性产业的特征。在底层标的选择上，就要严格区分 GenAI 受益公司和受损标的。例如，AGIX ETF 中覆盖了英伟达但去掉了英特尔，主要由于英特尔的 CPU 架构更适合通用计算任务，而并没有针对 AI 和深度学习进行优化，并且在大数据处理上存在劣势，并不适合 AI 训练和推理等工作任务，尽管英特尔正在开发新一代处理器以增加对 AI 的支持，但从根本上仍存在和 GPU 的差距。另外，ARM 架构在 CPU 市场对英特尔也构成侵蚀。在 AI 发展中，英特尔面临 GPU 和 ARM 的双重挑战，无法保持领先地位，被排除在硬件选择之外。

2. 基础设施：支持 AI 模型训练和部署的云计算和数据服务

AI 要走向大规模应用和部署离不开底层基础设施的支持。 原生应用产生利润的大部分都会被基础设施层公司拿走，例如 Perplexity 目前收入的 80%需要提供给云服务厂商及模型公司用以调用模型和云计算，从而支撑应用的发展。

在设施层，不仅有 OpenAI、Google DeepMind 和 Anthropic 等基础模型公司，也包括 Azure（Microsoft）、AWS（Amazon）等云基础设施；支持数据的收集、存储、处理和分析的数据基础设施；以及确保数据和操作完整性、机密性和可用性的安全基础设施。