雪球·财经有深度

欢迎收听雪球出品的财经有深度，雪球，国内领先的集投资交流交易一体的综合财富管理平台，聪明的投资者都在这里。今天分享的内容叫谁才是真正的周期之王？来自ANDY 观微知远。

铜、黄金、石油、煤炭、电解铝、化工、磷矿、航运，大家都叫周期资产，但真正投起来，它们背后的周期并不是同一种周期。有人赚的是价格上涨后的利润弹性，有人赚的是供给多年无法跟上的时间差，有人赚的是货币与信用变化，还有人赚的是短期有效运力骤减带来的极端行情。
先看一个简化例子：假设一吨铜的综合成本为5万元，售价为8万元，吨利润就是3万元。如果铜价涨到10万元，收入只增加25%；即使成本升到5.3万元，吨利润也会变成4.7万元，较原来增长约57%。
这并不意味着现实中的矿山成本固定不变。能源、人工、设备、运输、税费、矿石品位和副产品价格都会影响成本。更准确地说，在成本相对刚性的阶段，商品价格上涨的部分，往往会有较大比例转化为利润。这正是周期资产最有吸引力的地方。
但利润弹性并不能单独决定一个行业是不是“周期之王”。更重要的是看几个问题：利润弹性有多大？供给需要多久才能跟上？高利润能持续多久？价格主要由什么因素决定？
接下来我们便逐一进行拆解：

一、铜：长周期之王
铜最有吸引力的地方，不只是价格上涨后的利润弹性，更在于供给调整通常很慢。一座大型铜矿从勘探、可研、审批，到建设、投产和爬坡，往往需要多年时间。因此，铜价今天上涨，并不意味着明年就会有大量新增矿山供给。
典型循环是：需求增长，供给跟不上；铜价上涨，矿山利润提高；资本开支增加；多年以后新增供给释放。这就是长资本开支周期。研究铜，不能只问下个月价格涨不涨，更要问这一轮供需缺口是一年，还是可能持续三到五年甚至更久。
当然，铜价并不只由矿山决定。废铜回收、精炼产能、库存、制造业需求、中国经济、美元和利率都会影响价格。矿山供给偏紧，也不等于任何时候精炼铜都一定短缺。但从长期看，如果需求继续增长，而大型新矿释放缓慢，铜价中枢就可能上移。铜未必每年涨幅最大，却可能在供需缺口形成后持续较长时间，因此更像长周期之王。

二、黄金：货币周期之王
黄金既有矿山经营杠杆，也有明显的金融属性。假设一盎司黄金的综合维持成本为1500美元，金价从2000美元涨到3000美元，即使成本同步升至1700美元，单位利润也会从500美元增至1300美元。
这个例子只是为了说明利润弹性，不能代表所有矿企的实际成本，因为矿石品位、能源、人工、税费、副产品和资本开支差异都很大。
黄金与铜的核心区别在于：铜首先是工业品，黄金首先是金融资产和非信用货币。铜要重点研究制造业、电网、新能源、矿山供给和资本开支；黄金则要重点研究实际利率、美元、央行购金、E T F资金、财政信用和地缘风险。黄金价格还会受到珠宝、金条金币、投资需求和矿产供给影响，但相较于铜，它明显更受货币与金融条件驱动。
因此，黄金的周期可以拆成两层：第一层是金价本身的货币与金融周期；第二层是金矿企业在金价变化下体现出的经营杠杆。黄金更像货币周期之王。

三、石油：宏观周期之王
石油的利润弹性可能非常高。假设某油田的完全成本为每桶50美元，油价从60美元升至80美元，单位利润会从10美元增至30美元。油价上涨约33%，单位利润却增加两倍。现实中，不同油田的成本、税费、运输、套期保值和折耗差异很大，因此这个例子只能用于说明经营杠杆。
石油的特殊之处在于，它不仅是商品，也是战略资源和政治商品。欧佩克+的产量政策、美国页岩油、俄罗斯和中东局势、制裁、库存以及全球经济，都可能迅速改变供需预期。传统大型油气项目通常需要多年开发，页岩油的资本开支和产量响应相对更快，而欧佩克+还可以通过主动减产或增产，在较短时间内影响市场。
因此，石油投资需要同时研究宏观经济、供给曲线、库存、政策和地缘政治。一场冲突、一次制裁或一次减产会议，都可能改变价格预期。石油更像宏观周期之王，但也正因为变量复杂，价格和企业盈利的可预测性通常低于单纯的供给周期资产。

四、煤炭：现金流之王
煤炭同样具有明显的利润弹性。假设吨煤成本为400元，煤价从600元升至800元，吨利润会从200元增至400元。煤价上涨约33%，单位利润翻倍。不过，煤种、热值、洗选、运输、长协比例、税费和企业资源禀赋都会造成很大差异，不能用单一成本代表整个行业。
煤炭过去的典型循环是：煤价上涨，企业扩产；供给增加，煤价回落。近年来，安全生产、环保、审批、资源禀赋和资本开支意愿共同影响新增供给，供给扩张并不总是能够迅速完成。如果新增供给受到约束，而需求又没有快速下降，煤炭就可能从单纯追逐价格波动的强周期行业，部分转变为具有周期属性的高现金流资产。
这并不意味着煤炭没有长期风险。能源结构变化、可再生能源增长、电力系统调整和钢铁需求变化，都会影响动力煤和焦煤的需求，而且动力煤与焦煤不能混为一谈。
煤炭投资更值得关注的问题是：在一个中性的煤价下，低成本企业还能产生多少自由现金流？如果企业不依赖煤价暴涨也能持续盈利和分红，它就不完全是一次性的价格博弈。因此，煤炭更像现金流之王。

五、电解铝：供给约束之王
电解铝曾经是典型的扩产周期：铝价上涨，企业扩产；供给过剩，铝价下跌。行业逻辑发生变化的关键，在于新增供给是否受到约束。周期行业最怕的是价格一上涨，所有企业都能迅速扩产；只要新增供给持续释放，超额利润最终就会被压缩。
中国电解铝产能受到产能置换、总量控制、能耗和环保等因素影响，新增供给不像过去那样自由。但这不等于全球铝供给不会增加，海外新产能、复产、进口、开工率和区域贸易仍然会改变供需平衡。因此，供给约束不是铝价必然上涨，而是提高了行业高利润持续的可能性。
研究电解铝，不能只看铝价，还要看产能指标、电力成本、能源结构、氧化铝价格、运输和上游资源。高成本外购电企业与拥有低成本能源或资源优势的企业，盈利质量完全不同。电解铝更像供给约束之王。

六、化工：产能周期之王
化工最接近传统教科书中的周期行业：高利润，扩产；产能过剩，利润下滑；企业亏损，资本开支下降；落后产能退出，供给收缩；景气反转，利润回升。这是一条典型的资本开支周期。
化工与铜的区别在于，许多成熟化工品的产能复制速度比矿山快。铜价上涨并不能让大型铜矿在短期内出现，但只要技术成熟、资金到位且审批允许，部分化工品就可能在较短时间内扩产。因此，行业最赚钱的时候，往往也可能正在孕育下一轮产能过剩。
不过，“化工”不能作为一个单一行业判断。纯碱、P V C、烧碱、M D I、T D I、有机硅、钛白粉、农药、氟化工、涤纶和磷肥的供需结构都不同。研究化工，核心不是问“化工景气好不好”，而是看具体产品未来两到三年的供需表：现有产能多少，新增产能多少，需求增长能否消化供给，行业成本曲线如何。
例如，需求每年增长5%，而未来两年产能增长30%，行业就很难维持高利润；反过来，如果行业已经亏损多年、企业不愿扩产、落后产能退出，而需求仍在增长，就可能接近下一轮景气。化工利润还要看产品与原料之间的价差，而不是只看产品价格。产品涨价的同时，如果原油、煤炭、天然气或电力成本涨得更快，企业利润未必改善；最有利的组合通常是产品价格上涨，原料价格稳定或下降。因此，化工更像产能周期之王，但必须落实到具体子行业和具体产品。

七、磷矿：资源壁垒之王
磷矿有资源属性，但不能简单套用铜的逻辑。全球并不是没有磷资源，真正稀缺的是高品位、低杂质、低成本且容易开发的优质磷矿。因此，不能只看资源量，还要看可采储量、矿石品位、杂质水平、选矿难度、基础设施和经济开采成本。拥有资源与拥有优质资源，是两回事。
磷的主要需求仍来自农业和磷肥。磷是作物生长所需的关键营养元素，农业需求相对具有韧性，但这不代表磷矿价格永远上涨。粮价、种植收益、化肥库存、出口政策、能源成本和下游磷肥景气都会影响价格与利润。资源保护、环保、安全生产和出口政策，也会影响供给和产业链利润分配。
新能源产业对磷酸铁锂的需求确实带来了增量，但农业和磷肥仍是磷需求的基本盘，不能仅凭新能源叙事就把磷矿当成成长股。更准确的逻辑是：优质资源具有壁垒，农业需求具有韧性，供给又受到资源、环保和政策约束。因此，磷矿更像资源壁垒之王，赚的是优质资源稀缺性提升的钱，而不是单纯的需求爆发。

八、航运：赔率之王
如果只看短期利润弹性，航运可能最接近传统意义上的“周期之王”。假设一艘船每天现金运营成本为2万美元，运价为2.2万美元时，每天贡献约2000美元；运价升至4万美元时，每天贡献约2万美元。运价不到翻倍，现金运营层面的日贡献利润却可能增加十倍。
这里的成本只是现金运营成本，不包括折旧、融资、保险、维修和资本开支，因此不能直接等同于企业净利润。但它说明了航运的特点：固定或半固定成本较高，运价变化会对短期利润产生极大影响。
航运价格的核心不是简单的货物需求，而是有效运力。港口拥堵、绕航、航线拉长、船速变化、战争、制裁和贸易结构调整，都可能让实际可用运力突然下降，从而使运价出现非线性上涨。反过来，新船集中交付、拥堵缓解、航线恢复或需求下降，也可能让利润迅速回落。
同时，航运不是一个单一行业。集装箱、油轮、干散货、L N G船和汽车船的供需结构、合同模式、船队年龄和订单簿都不同。航运的优势是赔率高、利润爆发力强；弱点是波动大、持续性和可预测性较差。因此，它更像赔率之王。

九、到底谁才是真正的周期之王？
如果一定要评选，其实没有唯一答案，因为不同资产赢在不同维度。所以，真正值得问的不是谁排名第一，而是，你想赚哪一种周期的钱？
铜赚时间，黄金赚货币与信用，石油赚宏观和地缘，煤炭赚现金流，铝赚供给约束，化工赚产能出清，磷矿赚资源壁垒，航运赚极端赔率。看起来都是周期资产，背后却是八种不同的生意。
投资上真正困难的，也不是识别“这是一只周期股”，而是判断：这一轮，到底是什么周期？至于站在当前时点，铜、黄金、石油、煤炭、铝、化工、磷矿和航运，哪一种周期的钱更值得赚，需要进一步结合最新价格、库存、产能投放、资本开支、订单簿和估值来判断，不能仅凭行业标签下结论.

欢迎收听雪球出品的财经有深度，雪球，国内领先的集投资交流交易一体的综合财富管理平台，聪明的投资者都在这里。今天分享的内容叫红利E T F怎么选：全品类对比与最终答案，来自鴨先知。

数据截至二零二六年九月十日，覆盖全市场主要红利策略E T F。
过去两年，红利风格在A股市场展现出持续的相对优势。红利类E T F并非单一品类，按内核逻辑可划分为五大阵营。五类产品虽然名称相近，但底层选股逻辑与风险收益特征存在显著差异。本文基于数据对其进行梳理，并结合不同投资需求梳理配置方案。

一、红利E T F的五种细分品类
红利策略E T F的核心均在于筛选分红能力较强的上市公司，但各指数在定义“高分红”及叠加辅助因子上存在差异。按选股逻辑，可分为以下五类：
第一类，纯高股息。代表指数是中证红利和上证红利。选股逻辑很简单，就是挑那些连续三年都分红，并且按过去两年平均股息率排名前100或50只的股票。近一年收益大概在6.6%到8.6%之间。它的关键特征是行业分布最均衡，银行、煤炭、交通运输和公用事业这几个板块分布比较散。
第二类，红利+低波。代表指数有中证红利低波、红利低波100，还有标普大盘红利低波50。选股内核是：先在高股息池子里，再挑波动率最低的50到100只。近一年收益约1.5%到2.9%。它最大的特点是防御性最强，弹性最低，而且银行权重特别高，差不多占五成。
第三类，国企央企红利。代表指数包括央企红利、央企股东回报、国企红利和上国红利。选股逻辑是国资属性叠加分红。近一年收益在8.4%到17.5%之间，是这五类里近一年表现最强的。关键特征是：分红提升加上市值管理预期，这两点很受市场关注。
第四类，红利质量。代表指数是中证红利质量等。选股内核是股息率与盈利质量双筛。近一年收益约3.0%，这里要说明一下，这个数据是样本收益。它的特征是兼顾成长，产品规模比较小，适合作为卫星仓位来配置。
第五类，港股红利。代表指数有港股通高股息、恒生港股通高股息低波，以及标普港股通低波红利。选股范围是港股通内的高股息股票。近一年收益在负6.2%到2.3%之间。关键特征在于股息率估值双低，但要注意，这里存在汇率和红利税的折扣影响。
从数据可以看出，阶段性表现与长期适配性存在差异。国企央企类主要受益于主题政策驱动；红利低波类在市场偏好进攻时弹性受限；港股红利类近一年整体表现受宏观因素压制。选择具体品类时，需明确自身诉求是偏向现金流的稳定性，还是资本利得的弹性。

二、主流红利E T F横向对比（12只）
我们选取二零二五年九月十一日至二零二六年九月十日A股与港股红利E T F中规模靠前、具备代表性的12只产品，分为以下五类进行对比：
纯高股息类：注重行业分散与持有成本
中证红利指数代表性较强，跟踪该指数的代表产品包括易方达、招商、万家、汇添富等。该指数要求成分股过去三年连续现金分红，且分红规模保持稳定或增长，最终按两年平均股息率筛选前100只标的。其行业分布相对分散，银行、煤炭、交通运输及公用事业等单一行业的权重通常被限制在两成以内，降低了行业集中度风险。
红利低波类：注重回撤控制
该系列主要包括中证红利低波、红利低波100以及标普大盘红利低波50。选股机制在股息率基础上引入了波动率指标，筛选出50到100只高股息且历史波动较低的股票。在行业构成上，银行板块占比较高（通常在五成左右），这也解释了其在市场进攻期表现相对平缓的原因。
国企央企红利类：阶段性具备政策风口叠加
该类产品近一年相对表现突出，代表产品包括国泰上证国企红利、银河上证国企红利、广发央企股东回报、华泰柏瑞央企红利、招商央企回报等。主要驱动因素来自国资委相关考核指标体系的引导，以及央企提升分红比例与市值管理的相关预期。
使用建议：此类产品具备一定的进攻属性，但其超额收益包含较多政策与主题催化成分，不能简单线性外推。若认可央企分红率长期抬升的逻辑，可将其作为组合的卫星配置；若核心诉求在于基础收息与防御，则不建议作为唯一主体。
红利质量类：兼顾盈利基本面
红利质量指数（如中证红利质量）旨在缓解部分高股息股票因股价大幅下跌导致“假高股息”的现象，在筛选中加入了R O E、盈利增长等质量指标。从收益特征来看，其表现通常介于纯高股息与红利低波之间。该品类适合作为底仓之外的卫星增强工具，由于目前相关产品整体规模尚小，配置时宜优先选择规模相对较大、流动性较好的标的。
港股红利类：具备估值差异与高股息特征
港股红利指数成分股主要集中于能源、银行、电信及公用事业等领域。受A H股溢价影响，相同资产在港股市场往往具备更高的名义股息率。但在配置时需注意三个关键因素：第一，近一年受外部环境影响，港股红利类产品整体发生了一定回撤；第二，部分Q D I I额度受限的产品可能产生二级市场溢价风险；第三，红利税的差别化征收对短期交易者的实际收益有一定扣减。

三、资产配置与组合构建建议
红利资产通常不以短期资本利得见长，资产配置的结构往往比单只标的选择更为关键。可根据不同投资目标进行针对性组合构建：
第一类：防御收息型组合
底仓建议占60%到70%。这部分选的是红利低波，它的角色是核心仓，主要作用有两个：一是收息，二是抗回撤。也就是说，这部分追求的是稳，是整个组合的压舱石。
卫星仓部分，分为央企红利和港股红利。第一块，央企红利卫星，建议占15%到20%。 它的角色是分享央企分红率抬升带来的弹性；第二块，港股红利卫星，建议占10%到20%。 它的角色是补充股息率最高的那块，同时注意左侧分批布局。
组合预期：整体组合股息率相对稳定，年度波动水平低于宽基指数，适合重视现金流及资产防守属性的长期资金。可设立定期的再平衡机制，例如每半年检查一次，当单一品类权重偏离目标比例超过5%时进行调平衡。
第二类：稳健增值型组合
这类组合通过红利资产与成长型宽基的结合，利用不同风格资产的低相关性，有助于降低组合整体净值的波动。
核心底仓选择红利低波，建议占40%到50%。 第二块选择均衡高息类E T F，建议占20%到25%，用行业更均衡的中证红利做补充。第三块补充宽基成长类E T F，建议占20%到30%，避免组合全是价值风格。最后选择10%左右的央企和港股红利类E T F，在稳的基础上再搏一点向上的空间。
第三类：周期定投型组合
适合资金分批入场的投资者。建议采取以下两种思路之一：方案一，以中证红利或者红利低波ETF作为定投主体，侧重长期复利积累；方案二，以红利低波为主体，叠加月度分红的联接基金，保留部分现金流需求。
定投的核心在于坚持纪律，同时尽量避免在红利板块交易拥挤度处于历史极高分位数时集中重仓。

四、配置红利E T F需关注的风险因素
行业周期性风险。部分红利指数以历史分红为筛选依据，成分股可能集中于煤炭、银行、能源等周期性行业。当行业处于盈利周期顶部时，当前的高股息并不等同于未来持续的高分红。投资前需关注前十大权重的行业分布。
市场拥挤度风险。若红利风格持续跑赢，市场资金可能产生阶段性集中。当板块成交额占比及关注度达到极高水平时，需防范风格阶段性切换带来的回调。采用分批建仓方式有助于平滑成本。
分红与净值折算。基金分红本质上是基金净值的一部分转化为现金分配，分红后基金净值会相应扣减。分红机制提供了现金流便利，但不等于直接产生额外收益，仍需关注产品整体的净值表现。
港股溢价与税负约束。投资港股红利类产品时，需防范Q D I I额度受限引发的场内溢价风险。同时，个人投资者经港股通持有股票获得的分红需按持股期限征收红利税，频繁交易可能侵蚀实际收益。
五、总结
在选择红利E T F时，产品本身并无绝对的优劣之分，关键在于产品特性与投资需求的匹配。综合考量规模、流动性、策略纯正度及运作历史，红利低波E T F展现出较强的综合属性；若追求较低的持有成本，中证红利E T F具备费率优势；若注重定期现金流分配，国企红利E T F提供了相应的分红机制；而若寻求更高的名义股息率与估值修复空间，港股红利类则提供了差异化的风险收益特征。明确自身的风险偏好与收益目标，按需配置，方能更好地发挥红利资产的长期价值。

欢迎收听雪球出品的财经有深度，雪球，国内领先的集投资交流交易一体的综合财富管理平台，聪明的投资者都在这里。今天分享的内容叫Astra发布的核心解读，来自Wade Gao

看完了大摩最新针对Astra的报告，大致总结了一下：
首先是关于Astra出现的重要性究竟意味着什么？
Astra G P T 6的重要性不应被简单理解为又一个用10万块G P U训练出来的模型升级——那种升级只是延续Scaling叙事，运行成本随芯片数量增加而上升。Astra 的真正意义在于能力广度（breadth of capabilities）与互操作性的实质性跃升，具体体现在四个前沿方向：推理能力、工程能力、计算机使用和完成物理世界任务；
换言之，前沿A I不再只是更会聊天，而是跨越到能够执行复杂推理、专业工程任务、直接操作计算机，甚至处理现实世界任务的层面。
所以可以说Astra是对模型从又一次升级到叙事转变的重大突破。

第二层意义则是从需求侧争论重新回到物理瓶颈
在七、八月份这一轮下跌行情中，市场一直在争论的核心问题是：服务已知的A I需求究竟需要多少基础设施？也就是质疑A I基建是否过度投资。
而Astra的出现可能把这个问题扭转为：随着模型智能的提升，有多少新的工作负载将变得经济上可行？
这是一个根本性的转变：讨论从需求是否真实存在，转向供给是否跟得上需求。
Astra实际改变的是每美元的智能量，这是最核心的经济学逻辑：
更好的模型可以创造弹性效应，当A I每花一美元获得的智能和实用性越高，推理工作负载的数量、持续时间和复杂度都会随之增加。
这类似于经典的杰文斯悖论，效率提升不是减少而是扩大总消耗。如果单位成本的智能产出提升，使用A I的经济门槛就降低了，原本不划算的应用场景变成可行的商业应用。
而可触达收入池的扩宽也是这次发布后人们为止兴奋的一个点，如果Astra的能力转化为商业上有用的应用，可触达的A I收入池将大幅扩展，远超今天以聊天/编码为主的使用场景。这对整个产业链的T A M是结构性利好。

回过来，关于Bottle neck叙事的重申：
Astra的出现将瓶颈叙事从需求形成拉回到物理供给约束，即能否在规模化条件下交付这些智能。（之前人们还在担心的只看token消耗没意义到现在可以独立高效完成物理世界任务了）
市场目前正在低估三个与Astra相关的动态：
一个是G P T 6 Astra刚刚发布，其全球科技受益者尚未被充分定价；
再有就是供给紧张持续的时间究竟到什么时候？
可能会比原来预期的更长，原因是：
-部分环节缺乏实质性产能扩张。如A B F载板，报告预计A B F载板供不应求缺口到二零三零年会进一步扩大，供给需求比升至130%，新产能需要至少2年才能上线；
-制造复杂度不断提高，如H B M 4 E的后道工序复杂性；

如果总结下来的话，其实还是A I Compute、Networking和Memory；老生常谈
从投资角度讲，为什么目前低配产业链风险大于过度配置的风险？这个问题一直在困扰着所有人，永远都会分成两派，我假设安排低配风险大来代入，那么Astra正是支撑这一判断的关键催化剂：
它验证了A I需求形成尚未见顶，也就是弹性效应仍在展开；
它把争论拉回供给端，而供给端如A B F、H B M 4 E B E O L等的紧张是可验证、可追踪的；
所以结论不是简单的多买A I股票，而是精准投向更广泛的推理周期与有限物理产能、上升的内容强度、增加的制造复杂度交汇处。
当然为了防止出现七月那一波的打击，虽然大概率从筹码角度来说出现的概率很小很小了，但仍然不能排除。所以还是要时刻保持清醒。

问自己几个问题，可以不用回答
A I的预期已高到不允许只是好，而必须是完美，Astra带来的实际业绩若无大幅超预期怎么办？
A I 资本性支出到了未来一两年可能减速，股票定价看的是二阶导，还没完全兑现怎么办？
一旦宏观出现重大变化又该如何？
抛开这些永远不可能直接给出答案的问题，现在可以确定的是Astra G P T 6之于市场的意义，是它把 A I投资的争论焦点从“需求是否存在？基建是否过剩？”翻转为“单位智能成本下降，将催生多少新增经济上可行的工作负载”。
新的叙事框架下，接下来要盯得是这个

欢迎收听雪球出品的财经有深度，雪球，国内领先的集投资交流交易一体的综合财富管理平台，聪明的投资者都在这里。今天分享的内容叫中国软件公司将走向分化，来自投研小透明。

今年年初，市场给软件股讲了一套悲观故事：A I接管大量办公室工作，企业需要的员工席位减少，Claude Code又让自建软件变得更容易，传统 SaaS 的收入和长期价值都要下调。数月之后，美股软件 E T F I G V明显反弹，Sales force与Anthropic公布了Claude force试点方案。
我重新梳理今年以来的软件产业相关投研资料后发现，多头逻辑在2月恐慌最强时已经形成。海外财报让它进入股价，中国软件公司也开始交易这套逻辑映射。国内A I应用行情的下一阶段会明显分化。
一、多头逻辑先在恐慌里出现
2月的软件抛售，把三种压力压在了同一个估值里。SaaS行业自身已经进入成熟期，瑞银当时统计，大型SaaS公司的平均增长从疫情前的20%以上降至二零二五年的约13.4%。企业同时把部分传统I T预算转向模型、算力和数据治理，应用软件要在更紧的预算里证明优先级。Co work等Agent产品的发布，又把席位减少、企业自建以及模型厂商进入应用层的担忧推到台前。
完整的多头论证也在2月形成。美银、巴克莱、汇丰和Bernstein当月都认为“软件终结”被过度定价：A I可以更快地写出功能，企业采购仍然包含对长期运行和业务后果的责任。
同一批悲观材料里，还藏着后来推动反弹的收入逻辑。人工席位可能减少，客户净支出仍有增长空间。席位数量与客户总支出开始脱钩。产业判断先发生变化，市场仍在等待订单和收入确认。
二、财报和仓位让判断进入价格
3月底，摩根大通跟踪的样本中已有19家公司给出达到或超过预期的当年增长指引。到了5至6月，收入、订单和指引的改善变得更集中，数据、安全和可观测性软件率先交出超预期财报。
价格反弹还有仓位的推力。年初流行的交易是做多硬件、做空软件。软件财报改善后，这个拥挤组合开始平仓，随后出现软硬件同时增加净多仓的情况。基本面修正终值假设，仓位变化放大股价弹性。
Sales force最新一季的数字把这套逻辑讲得更清楚。二七财年第二季度的c R P O同比增长14%，Agent force与Data 360的A R R接近39亿美元。Sales、Service和Slack席位同比增长，约一半Agent force bookings来自客户追加额度。
试点阶段的Claude force给出产品分工：Claude负责推理和交互，Sales force提供实时数据、业务规则、权限与工作流，并执行操作。
8月的投资者反馈依然偏爱基础设施和安全，对应用软件保持分歧，部分相对收益也被解释为空头回补。海外市场已经修复统一压低软件终值的定价，随后开始区分公司。
三、中国软件开始交易海外映射
国内软件行情正在沿着海外逻辑展开。年初，投资者先交易A I冲击软件终值；海外财报改善、I G V反弹后，国内市场开始交易资金从硬件向软件和应用扩散的映射。映射先作用于风险偏好，随后进入盈利预期。国内承接的是海外的定价方法：A I合同能否进入收入，存量客户能否增加支出，A I收入能否带动主业增长、利润和现金流。
5月的中国软件研究已经记录这种变化。投资者关注点从“软件还能不能生存”，转向A I收益通过什么机制、在什么时间兑现。9月的投资材料进一步把公司分成几类：A I已经推动整体增长，A I只贡献少量增量，合同领先于收入，以及轻工具继续承压。国内市场开始采用海外从统一终值折价走向经营分层的定价方法。
中国软件面对的经营条件更苛刻。企业I T预算压力更大，合同、收入和利润之间的传导更慢。一些公司已有A I产品和订单，主业增速与盈利尚未改善。海外上涨提供方向，国内公司估值修复需要自己的财报来完成。

结语：下一阶段只奖励三种能力
历史积累要进入客户留存。历史客户、行业数据、权限体系和核心工作流进入企业日常经营，才能降低流失率、稳住续约并提高使用黏性。经营年限、客户名单和旧代码不会自动形成优势。Coding Agent降低了迁移成本，存量厂商需要证明客户留下来的理由比过去更强。
A I能力要带来真实增购。新功能进入付费模块、额度补购、用量收费或结果收费，才能成为新的收入来源。A I使用量增长之后，存量客户总支出能否提高，将直接决定这轮行情有没有业绩基础。
稳定执行决定软件能否进入核心流程。准确性、数据安全、权限控制、审计、人工接管和故障处理，决定A I能否进入生产环境。稳定执行会提高客户信任，也会影响续约与提价。轻量功能、低责任场景和缺少数据控制力的产品，将继续受到模型工具和企业自建的冲击。
海外软件已经完成第一轮终值修复，中国市场正在交易这套映射。国内行情接下来会从叙事扩散走向公司分化。
我更倾向于把这轮应用行情看成软件行业重新分层的开始。此前因A I冲击而下跌的软件公司，不会同步回到原来的估值；能够兑现经营结果的公司才有持续行情。

欢迎收听雪球出品的财经有深度，雪球，国内领先的集投资交流交易一体的综合财富管理平台，聪明的投资者都在这里。今天分享的内容叫美国非农就业数据是怎么出炉的，来自波西米亚弗雷迪。

今年8月7日晚上八点半公布的美国7月非农就业人数，因实际值与预期差距极大，数据公布后金价直接暴涨。那时候我特别好奇，非农就业数据究竟是怎么统计出来的，而市场预期又是如何形成的。之后我花时间去了解了一下。

一、非农就业数据是哪个部门负责发布的
美国劳工统计局（简称B L S）是美国劳工部下属的联邦统计机构，负责发布非农就业人数、失业率、C P I、P P I、JOLTS 职位空缺、工资和劳动生产率等数据。

二、非农就业数据是怎样统计出来的
美国劳工统计局每月同时进行两项调查，一是企业调查（简称“C E S”），二是家庭调查（简称“C P S”）。
企业调查方面：调查约11.9万家企业和政府机构，覆盖约62.2万个工作地点，调查得出的数据为非农就业人数、平均时薪、平均工时。
家庭调查方面：调查约6万个家庭，调查得出的数据为失业率、劳动参与率、就业人口。
即，通常所说的“新增非农就业人数”来自企业调查，“失业率”和“劳动参与率”则来自家庭调查。

三、非农就业数据的市场预期是怎么来的
非农就业数据的市场预期是财经媒体调查经济学家预测后计算出的中位数。
参与调查的有路透、彭博、华尔街日报、Fact Set、Dow Jones Newswires等财经媒体，它们直接收集经济学家的预测。
其中，路透、彭博、华尔街日报的预测数字最常被全球资本市场引用。
经济学家通常参考每周首次申请失业救济人数、A D P私营就业数据、I S M制造业和服务业就业分项、企业招聘和裁员公告、JOLTS 职位空缺和离职数据、消费和税收及工资支付数据、季节性因素及政府部门招聘情况、前几个月非农的修正规律等因素后提供预测数据。

四、非农实际值为什么容易大幅偏离预期
首先是非农的抽样误差本身就极大。
B L S 自己公布的月度就业变化的90%置信区间约为正负13万人。
这意味着，即便经济学家的判断完全正确，比如真实值就是正8万，但B L S报出来的数字也可能在负5万到正21万之间的任何位置，纯粹是因为抽样波动。
其次，首次公布值不是最终结果。
首次报告时，部分企业尚未反馈数据，B L S必须进行推算。迟到的企业数据会在以后两个月补入，随后还会进行年度基准修订和季节调整修订。
所以财经媒体所称的“实际值”，准确地说只是当时能够得到的最佳初步估计，而不一定是最终真实值。
另一个问题在于，季节调整会在结构变化时失效。
例如，7月的负2.3万里，地方政府教育负5万（暑期季节因子）加上 休闲酒店负4万（世界杯结束）等于 负9万。
季节因子是用历史规律计算，当某年出现历史上没有的事件（比如今年世界杯在美国举办），因子就会算错。
最后一个因素是回复率下降。调查回复率长期下滑，首次公布时的样本回收率远低于历史水平。这正是初值总要被修正的原因（5到6月合计下修10.3万人）。

五、B L S 初步基准修正
每个月发布的非农就业数据来自C E S企业抽样调查，特点是速度快，但它毕竟是抽样估算。首次公布的非农数字不是精确的岗位普查，而是一个带有抽样误差、模型估算和季节调整的初步估计。
一年以后，B L S可以获得更全面的Q C E W数据。Q C E W主要来自企业向各州提交的失业保险税务记录，覆盖美国95%以上的就业岗位，相当于接近一次岗位普查。
B L S会按照“基准修正额 等于 Q C E W等全面统计得到的岗位数 减去 C E S抽样调查估算的岗位数”的公式，将两套数据进行比较
如果结果为负，说明此前的CES抽样数据高估了就业；如果结果为正，说明此前低估了就业。
今年8月28日晚上公布了B L S基准修正结果，即下修了7.9万人，它的含义是2025年3月至2026年3月期间C E S抽样调查累积形成的净误差为高估7.9万人。

六、什么时候正式修改历史非农数据
8月28日公布的只是“初步基准修正”，目前不会把过去各月的官方非农数据直接改掉。9月4日晚上发布8月非农就业人数时，仍然只会按照正常程序修正6月和7月数据。
最终基准修正将在2027年2月随2027年1月就业报告一起公布并正式计入历史记录。