起源：《主角》刘浩存上线即破圈作者： 简水虹：

陈李：我不看 AI 公司的估值 —— 一种不纠结、更沉静的投资方式

陈李系东吴证券全球首席经济学家、东吴香港行政总裁，中国首席经济学家论坛理事

一段功夫以来，一些伴侣们被陆续上涨的AI有关公司的股价折磨
。半导体股票还能上涨吗？海力士的估值合理吗？硅基生物的市值是不是见顶了？

跌，心累
。涨，心也累
。

我想，对于AI有关企业，传统估值工具不只是不够精确，而是从底子上用错了处所
。

预测现金流？率直说，是个大话

DCF模型的逻辑无懈可击：一家公司今天的价值，蹬宗它将来所有现金流折现后的总和
。

但它有一个暗藏的前提——你能预测将来的现金流
。

我们来看两个真实案例：

英伟达 ，2019-2023间的净利润不不变，且险些没有增长
。2019财年净利润约42亿美元，2020财年净利润骤降至28亿美元，2022财年净利润上升至98亿美元，2023财年又再次降至43亿美元
。随后在AI海潮冲击下，2024财年净利润暴增至298亿美元，2025财年进一步跃升至729亿美元
。

四年间，利润增长超过17倍
。

有几多分析师，在2022年的熊市底部，预测到了这个数字？

其时绝大无数模型给出的预测，与最终了局相差了一个数量级
。

SK海力士，是另一个例子
。作为全球最大的HBM内存供给商之一，它的盈利轨迹像过山车：2018年净利润超过15.5万亿韩元，2019年暴跌至约2万亿韩元，2023年因存储周期下行陷入巨额吃亏（-9万亿韩元），2025年随着AI对HBM的需要发作再度创出汗青新高，分析师预测2026-2027年将再创汗青新高
。

统一家公司，相邻两年的盈利能够差出十倍
。

AI产业链上的企业，其盈利和现金流的颠簸幅度，远远超出任何模型的预测天堑
。

经济学家弗兰克·奈特分辨了两种不确定性：一种是概率已知的可量化风险，保险公司靠这个定价；另一种是概率自身未知的奈特式不确定性，无从定价
。

AI产业今天面对的，正是后者
。在我们思想框架里，超速发展的将来，不是“知路自己不知路”，而是“不知路自己不知路”
。

对奈特式不确定性做DCF折现，是用风险定价工具处置底子无法定价的问题
。输入端满是猜测，输出端包装成了科学结论
。

这是一种勤恳的自我糊弄
。

用汗青做参照系？怎么分辨“反复”和“押韵”

PE估值法同样如此
。正确的利润预测是个大话
。

市盈率自身就是个相对估值步骤
。要么用PE做类似公司的估值比力，但是这些公司真的是类似的吗？AI产业发展充斥各类技术蹊径
？雌鹄唇型滴竦墓，选择了分歧的技术路线，发展远景大不一样
。怎么是可比公司呢？

仅仅将从事统一个行业的企业就使用市盈率进行对比，相宜吗？我跑步，那么我应该跟博尔特或者乔爷比力成就吗？

PE估值，也将此刻的市场阐发跟汗青相比，由于我们相信汗青押韵
５恰把涸稀笔歉鍪裁醋刺？这一次市盈率的头部，是上涨到汗青高点的120%还是150%？

“让我们用汗青均值的尺度差来衡量吧
。市盈率已经在二十年均匀值以上一个尺度差了，贵了
。”

Come On，各人都是分析师，知路这是假装专业的故弄玄虚
。

遵循熵增法规的宇宙，在不休尝试从未出现过的事物发展路线
。拿旧世界的坐标来衡量新世界的公司，自身就是一件奇怪的事
。2004年有人用传统媒体的PE衡量谷歌，得出"严重高估"；2010年有人用零售业的PE衡量亚马逊，得出"贵得离谱"
。推算在逻辑上没有谬误，但参照系错了
。

用感情做反向买卖，同样是个陷阱

既然估值没用，有人会说：那就看市场感情
。AI概想人人都在谈，投资拥挤，这时辰应该避开
。所谓"不去人多的处所"
。

这个逻辑，听起来像是独立思虑，现实上是另一种同流合污
。

想明显这件事：

齐全追随人群买入，是让别人的乐观感情替你做决策
。齐全反向人群卖出，是让别人的乐观感情替你做决策——只不外方向反了
。

两者的性质是一样的：你的决策变量，是别人的定见，而不是你自己对资产和组合的判断
。

一个顺着别人的定见走，一个逆着别人的定见走
。都是失落了自我决策的能力
。

更深的问题在于：感情指标自身极难怀抱
。什么叫"人人都在讨论"？2021年的比特币，2000年的互联网，每一次泡沫之前，市场感情都在高位，但真正的顶部，过后才知路在哪里
。

用拥挤度做反向买卖，与用估值做择时一样，都是在用无法正确怀抱的变量，来驱动一个高度敏感的决策
。

拿感情指标做反向买卖，存在底子性的逻辑缺点
。

换一个坐标系思虑

既然估值工具失效，感情指标也不成靠，我们该怎么办？答案不是烧毁，而是换一个坐标系
。

不再问"这只股票值几多钱"，而是问：

这类资产在我的整体组合里，应该表演什么角色，占多大比例？

这是一个性质上的问题转换：

从预测价值→转向治理组合，从判断贵贱→转向匹配自己的风险接受能力
。

这个转换，让涨跌不再是决策的重要输入
。

从关注单只股票的涨跌，到关注自己的投资组合
。我但愿自己的投资组合钻营多大的收益率，接受多大的颠簸率，我愿意接受多大的风险，我但愿自己的组合配置怎么露出在更大的机遇，而不是更大的风险
。

从投资组合角度启程，有几个维度值切当真思虑：

第一，看颠簸率贡献，而不是看收益率
。

一只AI股乒厍了50%，但若是它让整个组合的颠簸率大幅上升、夏普比率降落，从组合治理的角度，它反而是在牵累你
。同时，AI有关股票之间高度有关，集中持有多只，并没有你以为的那么分散
。

第二，用最大回撤容忍度校准仓位
。

英伟达在2022年最大回撤超过65%
。这不是异常，这是超等成长股的正常性命周期
。

问自己一个问题：若是持有的AI仓位跌去60%，你的整体生涯打算和生理状态，会受到多大影响？

若是答案是"难以接受"，那此刻的仓位就已经超出了你的真实风险接受能力——无论这些股票看起来多么"值得持有"
。

第三，用资金的功夫属性匹配仓位
。

五年以上不动用的资金，能够接受更大的颠簸；三年内可能动用的资金，应该极低配置甚至不配置
。没有什么比在低点被迫变现更糟糕的事
。

第四，用规定化再平衡包办主观择时
。

设定AI有关资产在组合中的指标区间，超出上限机遇械减仓，低于下限时补仓

好比，你设定指标是15%
。某一天组合里AI仓位涨到了22%，不必要判断它还会不会涨，直接减回15%
。半年后若是跌到了9%，补回15%
。这个作为，与股价涨跌无关
。

这个框架让"要不要减仓"造成一个执行规定的问题，而不是预测市场的问题
。你不必要知路它还会不会涨，你只必要知路它占比超了
。

第五，把AI股票放在"杠铃"的高弹性端
。

塔勒布的杠铃战术：一端是极端守旧的资产（现金、短债），另一端是幼仓位的高弹性资产（超等成长股）
。中央的"中等风险"资产，反而是最危险的——它既无法提供；，又无法提供真正的弹性
。

AI超等成长股天然属于高弹性端
。主题问题不是它贵不贵，而是这一端的总规模，在你的整体组合里是否相宜
。

让投资更沉静

用这个框架思虑，你会变得更沉静
。

当AI股票持续上涨时，你不会由于"卖早了"而后悔，由于你的决策正本就不基于价值预测
。

当AI股票大幅调整时，你也不会焦虑，由于你在建仓时就已经想分了然这个仓位对应的最大回撤，它在你的接受领域之内
。

真正让投资者疾苦的，往往不是吃亏自身，而是在谬误的框架下做出决策，而后被婆酌谬误的方式响应市场
。

我不看AI公司的估值
。

不是由于对这个行业没有判断，而是由于：在正确的坐标下凤做出理性的组合决策，比在谬误的坐标下凤钻营精确的价值判断，更靠近投资的性质
。

涨跌，交给市场
。

组合，交给自己
。