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
一段时间以来，一些朋友们被连续上涨的AI相关公司的股价折磨。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相关企业，传统估值工具不只是不够精确，而是从根本上用错了地方。
预测现金流？坦白说，是个谎言
DCF模型的逻辑无懈可击：一家公司今天的价值，等于它未来所有现金流折现后的总和。
但它有一个隐藏的前提——你能预测未来的现金流。
我们来看两个真实案例：
英伟达 ，2019-2023间的净利润不稳定，且几乎没有增长。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浪潮冲击下，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。
有多少分析师，在2022年的熊市底部，预测到了这个数字？
当时绝大多数模型给出的预测，与最终结果相差了一个数量级。
SK海力士，是另一个例子。作为全球最大的HBM内存供应商之一，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亏损（-9万亿韩元），2025年随着AI对HBM的需求爆发再度创出历史新高，分析师预测2026-2027年将再创历史新高。
同一家公司，相邻两年的盈利可以差出十倍。
AI产业链上的企业，其盈利和现金流的波动幅度，远远超出任何模型的预测边界。
经济学家弗兰克·奈特区分了两种不确定性：一种是概率已知的可量化风险，保险公司靠这个定价；另一种是概率本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。在我们思维框架里，超速发展的未来，不是“知道自己不知道”，而是“不知道自己不知道”。
对奈特式不确定性做DCF折现，是用风险定价工具处理根本无法定价的问题。输入端全是猜测，输出端包装成了科学结论。
这是一种勤奋的自我欺骗。
用历史做参照系？怎么区分“重复”和“押韵”
PE估值法同样如此。准确的利润预测是个谎言。
市盈率本身就是个相对估值方法。要么用PE做类似公司的估值比较，可是这些公司真的是类似的吗？AI产业发展充满各种技术路径。看起来进行同样业务的公司，选择了不同的技术路线，发展前景大不相同。怎么是可比公司呢？
仅仅将从事同一个行业的企业就运用市盈率进行对比，合适吗？我跑步，那么我应该跟博尔特或者乔爷比较成绩吗？
PE估值，也将现在的市场表现跟历史相比，因为我们相信历史押韵。可是“押韵”是个什么状态？这一次市盈率的头部，是上涨到历史高点的120%还是150%？
“让我们用历史均值的标准差来衡量吧。市盈率已经在二十年平均值以上一个标准差了，贵了。”
Come On，大家都是分析师，知道这是假装专业的故弄玄虚。
遵循熵增规律的宇宙，在不断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，本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"。计算在逻辑上没有错误，但参照系错了。
用情绪做反向交易，同样是个陷阱
既然估值没用，有人会说：那就看市场情绪。AI概念人人都在谈，投资拥挤，这时候应该避开。所谓"不去人多的地方"。
这个逻辑，听起来像是独立思考，实际上是另一种随波逐流。
想清楚这件事：
完全跟随人群买入，是让别人的乐观情绪替你做决策。完全反向人群卖出，是让别人的乐观情绪替你做决策——只不过方向反了。
两者的本质是一样的：你的决策变量，是别人的意见，而不是你自己对资产和组合的判断。
一个顺着别人的意见走，一个逆着别人的意见走。都是丧失了自我决策的能力。
更深的问题在于：情绪指标本身极难度量。什么叫"人人都在谈论"？2021年的比特币，2000年的互联网，每一次泡沫之前，市场情绪都在高位，但真正的顶部，事后才知道在哪里。
用拥挤度做反向交易，与用估值做择时一样，都是在用无法准确度量的变量，来驱动一个高度敏感的决策。
拿情绪指标做反向交易，存在根本性的逻辑缺陷。
换一个坐标系思考
既然估值工具失效，情绪指标也不可靠，我们该怎么办？答案不是放弃，而是换一个坐标系。
不再问"这只股票值多少钱"，而是问：
这类资产在我的整体组合里，应该扮演什么角色，占多大比例？
这是一个本质上的问题转换：
从预测价格→ 转向管理组合，从判断贵贱→转向匹配自己的风险承受能力。
这个转换，让涨跌不再是决策的主要输入。
从关注单只股票的涨跌，到关注自己的投资组合。我希望自己的投资组合追求多大的收益率，承受多大的波动率，我愿意承受多大的风险，我希望自己的组合配置怎么暴露在更大的机会，而不是更大的风险。
从投资组合角度出发，有几个维度值得认真思考：
第一，看波动率贡献，而不是看收益率。
一只AI股票涨了50%，但如果它让整个组合的波动率大幅上升、夏普比率下降，从组合管理的角度，它反而是在拖累你。同时，AI相关股票之间高度相关，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，这是超级成长股的正常生命周期。
问自己一个问题：如果持有的AI仓位跌去60%，你的整体生活计划和心理状态，会受到多大影响？
如果答案是"难以承受"，那现在的仓位就已经超出了你的真实风险承受能力——无论这些股票看起来多么"值得持有"。
第三，用资金的时间属性匹配仓位。
五年以上不动用的资金，可以承受更大的波动；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，用规则化再平衡代替主观择时。
设定AI相关资产在组合中的目标区间，超出上限时机械减仓，低于下限时补仓
比如，你设定目标是15%。某一天组合里AI仓位涨到了22%，不需要判断它还会不会涨，直接减回15%。半年后如果跌到了9%，补回15%。这个动作，与股价涨跌无关。
这个框架让"要不要减仓"变成一个执行规则的问题，而不是预测市场的问题。你不需要知道它还会不会涨，你只需要知道它占比超了。
第五，把AI股票放在"杠铃"的高弹性端。
塔勒布的杠铃策略：一端是极度保守的资产（现金、短债），另一端是小仓位的高弹性资产（超级成长股）。中间的"中等风险"资产，反而是最危险的——它既无法提供保护，又无法提供真正的弹性。
AI超级成长股天然属于高弹性端。核心问题不是它贵不贵，而是这一端的总规模，在你的整体组合里是否合适。
让投资更平静
用这个框架思考，你会变得更平静。
当AI股票继续上涨时，你不会因为"卖早了"而懊悔，因为你的决策本来就不基于价格预测。
当AI股票大幅调整时，你也不会焦虑，因为你在建仓时就已经想清楚了这个仓位对应的最大回撤，它在你的承受范围之内。
真正让投资者痛苦的，往往不是亏损本身，而是在错误的框架下做出决策，然后被迫用错误的方式响应市场。
我不看AI公司的估值。
不是因为对这个行业没有判断，而是因为：在正确的坐标系里做出理性的组合决策，比在错误的坐标系里追求精确的价格判断，更接近投资的本质。
涨跌，交给市场。
组合，交给自己。
鼎宏优配提示：文章来自网络，不代表本站观点。
