Jackson Hole - 全球央行年会之前大概率缺乏更多宏观货币政策和利率相关指引，所以我目前交易的是整体“风格”延续，包括这几个方面： 1）Broadening: 市场广度扩散，资金和注意力不会再高度集中在半导体硬件上游，资金扩散到工业蓝筹、小盘价值股， $SPY 继续反弹，但 $QQQ 内部持续分化 2）Cloud & Software: 云计算/软件ETF上周平均上涨8.52% $IGV 盘前再涨2.13% 3) De-leveraging: 半导体继续去杠杆：上周我们看到多空OI都大幅下降，整体流动性变薄和空头回补导致了剧烈的反弹，但这并不代表反转，如果继续拉升反而非常危险，代表这里并不是底，最理想的状态是 $SOX 以及存储和设备股在这里做三角收敛震荡 4）Rotation: 量化因子进一步印证了上面判断，成长股重新收到青睐 $SCHG 上周领涨，动量因子仍然收到压制 $MTUM 领跌，上周给大家推荐的质量股因子也表现出色；散户之前喜爱的ticker在趋势性行情结束后，不会立刻反转且停止折磨人的行情 5）油价快速回落；近端vix、长债、黄金、BTC都同步走弱，印证了短期风险缓解，可以喘口气，但市场仍然在定价中期风险 6）行业上看，可选消费 $XLY 和通信 $XLC 领涨，而房地产和公共事业受利率预期影响表现惨淡，科技板块由于内部分化严重总体表现出中性偏空形态 7）AI半导体内部，云计算 $WCLD （云计算三巨头，包括谷歌、亚马逊、微软的暴涨驱动）、软件和网络安全 （大上周已经做了选股和布局）是龙头；辅线是机器人 $BOTZ $HUMN $BOTZ 等都有一定涨幅； 其它细分赛道上周回报率整体为负，最惨的是芯片、存储、光、先进制程四个赛道 8）从市场目前铺单的整体情况看，主要是call个股 + 对冲指数 总体交易思路是做相对超额收益： ～ Long 软件/ Short 半导体 ～Long 大盘成长 / Short 动量 ～Long MSFT、AMZN、GOOGL、ORCL、CRM云平台一揽子组合 / Short DRAM、MU、LRCX存储设备一揽子组合 ～Long 罗素小盘 / Short 纳指100

📊 芬超盘口拆解： 赫尔辛基客让半球高水，欧战分心之下暗藏什么杀机？ 今晚凌晨12.ooam开踢 Tonight's focus 聚焦芬超焦点战！From the latest market data 来看， 这场比赛的 Handicap（让球盘） 和 Over/Under（大小球盘） 指数透露出非常微妙的机构态度， Let's break it down 深度拆解： 1️⃣ Handicap Analysis（让球盘口：客让半球高水）作为 league giants（联赛班霸），HJK赫尔辛基客场面对塞伊奈约基。Bookmakers 虽勉强开出客让半球（0.5）的生死盘，但客队水位给到了 1.00 high odds（满水/高水）， 而主队则处于 0.92 的舒适区间。 在赫尔辛基刚刚双杀晋级、自带 market heat（市场热度）的背景下，客队水位如此高企，说明机构对他们周中即将迎来的 UEFA fixtures（欧战生死战） 极度忌惮。 主力 rotation（轮换）和体能隐患可能成为致命伤，有明显的 trap bet（诱客/诱盘） 嫌疑。 2️⃣ Over/Under Analysis（大小球盘：高开 3.0 球）全场大小球直接顶到了 3.0 goals，且 Over（大球）水位处于 0.84 的低水区间。这说明即便客队分心轮换，两边的 tactical setup（战术打法）都不会保守。 主队以逸待劳势必全力对攻，而客队防线一旦不稳，丢球概率极大。 Tonight is highly likely to be an open game（大开大合的进球大战） 💡 My Prediction（终极研判）：HJK赫尔辛基客场赢盘难度极大。 本场更看好主队借 Home advantage（主场优势）力保不败，或者直接锁定进球大战。 Betting Tips（方向推荐）： 👉 Double Chance: Home Win or Draw (主队不败/胜平) 防冷 👉 Total Goals: Over 3.0 (全场大 3.0) ⚽️#中国足彩# #芬超# #足球分析# #HJKHelsinki# #SJK# #FootballPredictions# #BettingTips#

经济周期理论（Business Cycle / 美林投资时钟类四象限模型）：高度符合。 • 扩张/复苏期 → 偏向成长股（QQQ、PTF 技术动量） • 滞胀/高通胀 → GLD（黄金） • 衰退/风险厌恶 → TLT（长久期国债，利率下行受益）、BND（广义债券） • 资产周期理论（Asset Class Rotation）：核心逻辑吻合。不同大类资产（股票 vs 债券 vs 商品）在经济不同阶段表现差异明显，轮动正是捕捉这种“风水轮流转”的经典做法。

美光毛利率84.9%，这个数字我第一眼以为看错了 一家做内存芯片的公司，毛利率跑赢了绝大多数软件公司。传统DRAM周期最好的年份也就40-50%，现在84.9%是什么概念？ HBM已经不是在按内存卖了，是在按稀缺资源卖。供给端就那几家能做，需求端是英伟达H100/B200这些卡的必配件，美光不用讨价还价，定价权在手里 $MU 这件事直接打脸了这周一直在说的那条rotation叙事，「钱从卖芯片的公司往用芯片的公司流」。费城半导体跌了一周，大家都在说存储芯片故事讲完了。但美光这张财报出来说，故事没讲完，利润率还在创纪录。市场的轮动判断可能跑得太快了 甲骨文再增募200亿，这条消息放在今天这个时间点更有意思。Oracle这两年的AI基础设施投入规模一直被低估，他们不像微软、谷歌那么高调，但数据中心扩张速度不慢 $ORCL 200亿的新融资，大概率还是砸进AI算力和存储。也就是说，美光那84.9%的毛利率，有一部分账单就是Oracle付的 上游定价权在美光，下游需求在Oracle，中间是英伟达的GPU把两头串起来。这条AI基础设施的价值链，每一环现在都在赚大钱，不存在哪一环被挤压 这跟过去的科技周期很不一样，以前硬件是苦生意，软件赚走大头。现在硬件层在AI这个场景下重新拿回了定价权 唯一的问题是持续性，84.9%的毛利率是建立在HBM产能极度稀缺的前提上，一旦SK海力士和三星的HBM产能爬坡追上来，这个数字会往哪个方向走，值得盯 DYOR 非投资建议

今天港股这波涨法，我觉得最值得拎出来聊的是一个结构性信号，科技权重集体拉升，但存储半导体高开低走、兆易创新午间大跌7% 同一个市场，同一天，两种走势 这不是随机的，这跟过去两周美股的资金轮动逻辑完全一致，钱从存储芯片往应用层移，摩根士丹利那条「卖芯片的公司→用芯片的公司」的rotation，现在在港股也看到同样的脚印 小米、阿里、京东、百度涨，兆易创新跌，背后是同一个逻辑，AI叙事的估值重心正在从硬件供应链往平台和应用层漂移 腾讯逆势飘绿这个细节也有意思，其他科技股都涨，腾讯偏偏绿，这更多是个股层面的问题，可能是监管预期、或者游戏版号节奏，但在大盘这么强的背景下独自走弱，值得留意 再说币圈，港股科技股大涨、美股情绪相对平稳，按理说风险偏好应该带动加密市场跟涨。但过去几天BTC一直在$62K附近磨底，这个反应钝化说明加密市场现在缺的不是宏观情绪，缺的是自己的催化剂，Strategy窗口期快结束了/ 7月13日，如果这周没有新的购入披露，这个隐性支撑就消失了 能源板块港股今天弱势，但原油这两天还在两周新高附近撑着，这个背离说明市场已经把美伊谈判成功定价了一部分，提前减仓能源 7月11日谈判如果破裂，能源股会补涨，现在这个弱势反而是个做多能源的潜在窗口 港股创新药、光通讯、汽车、黄金这几条线齐涨，感觉是内资在做风格切换，从等待政策到主动布局内需和新兴制造，这个方向跟A股最近几个月的结构性机会是对齐的 DYOR 非投资建议 #港股#

今天最重要的一件事，美联储6月会议纪要今晚公布，Fed到底鸽还是鹰，直接影响道指高位能不能站稳，也牵着BTC短线情绪走 币圈这边，Strategy购入窗口还开着，上周刚卖了3588枚BTC，市场在等他这周会不会买回来，有动作就有短线反应 苹果测试长鑫存储DRAM的消息还在发酵，这条线对三星和SK海力士中国市场份额的长期影响，比存储均价更值得跟 美股方面，芯片股还在承压，摩根士丹利那条rotation逻辑继续跑，钱从存储芯片往数据中心运营商移 明天SK海力士$290亿ADR纳斯达克挂牌，韩股情绪已经出过一轮了，美国这批增量资金怎么定价，明天见分晓 DYOR 非投资建议

板块轮动要来了，你准备好了吗？ 市场永远不会只涨一个方向。当高估值、拥挤交易开始透支预期，资金就会开始从高处流向低处。 下一阶段，资金可能从： 纯AI硬件 → 软件 高beta成长 → 稳定现金流 高估值热门股 → 被低估的大市值 Here’s 9 stocks that could benefit from the next rotation: ☁️软件 / Enterprise Software $MSFT — AI商业化真正开始兑现，Copilot渗透率才刚起步 $ORCL — 云收入加速，但估值仍远低于超级云同行 $NOW — 企业AI自动化核心受益者，Agentic AI真正落地场景 $SNOW — 数据层 + AI推理时代，估值已经被压缩很久 $CRM — AI Agent + 企业客户基础，属于被遗忘的大象 💳 Fintech $SOFI — 降息周期 + 消费复苏 + 金融超级App逻辑 $HOOD — 加密、期权、预测市场三重beta，流量红利仍在 ⚡ 能源 / 公用事业 $CEG — AI数据中心最终瓶颈是电力，不是GPU $VST — AI时代最确定的“卖铲子”之一：稳定电力供应 资金不会永远停留在最拥挤的地方。 水往低处流。而下一阶段，可能就是大市值低估值 AI受益股的补涨行情。

关于AI时代的职业发展，吴恩达和Lawrence在斯坦福的AI时代职业发展讲座内容很详实，分享下我的收获。 1️⃣ AI能力在加速 有一项研究让吴恩达反复引用：AI能完成的任务复杂度，每7个月翻一倍。 衡量复杂度的方式是：这个任务让一个人做需要多久？ 几年前 GPT-2 能完成的任务，换成人类来做也只需要几秒钟，但现在已经进化到AI能够完成需要人类几十分钟甚至几小时的工作。 AI编程方向的翻倍周期更短，大概70天。 但有意思的是，很多人对这个加速的感知是被扭曲的。 原因很简单，评估 AI 能力的 benchmark，满分是100%，你做到90%之后再进步10个点，数值的绝对值变化看起来很小。 于是去年有段时间整个互联网在讨论 AI 是不是在走下坡路，这是因为用一把只能量到100的尺子去量一个还在生长的东西，当然会产生这种幻觉。 真正能衡量 AI 是否变的更智能的指标，不是在 benchmark 测试上的分数，而是 AI 能够处理的任务的复杂度这条曲线，目前看，还在往上走。 2️⃣ PM 和工程师的比例在变 当 Build is Cheap，瓶颈就转移到了决策。 传统硅谷的工程师和 PM 比例大概在4:1到8:1。一个 PM 负责写需求、定方向，四到八个工程师负责执行。 这个比例背后的假设是：执行很贵，写代码很贵，所以你需要大量人手把一个清晰的 spec 变成可运行的代码。 但现在这个假设已经失效了，编码成本在快速下降，但产品决策的成本没有同等下降。于是工程师和 PM 的比例开始向1:1靠近，甚至有团队开始践行这个配比。 更进一步，吴恩达说他现在最欣赏的那批工程师，是能写代码也能跟用户聊的人。 这两件事以前被认为是不同人来做，现在越来越多地被要求长在同一个人身上。 他自己说：在生涯早期，他曾经试图说服一批工程师多做产品工作，结果把一些真正优秀的工程师弄得很沮丧，因为他们不擅长做 PM 工作；他说那是他做过的错误决策之一，后悔了很多年。 然后他说，他觉得自己现在正在重蹈同样的错误。 这句话有点绕，但我觉得他说的是真话：不是所有工程师都应该变成 PM，但如果你恰好能做这件事，你现在的优势会比任何时候都大。 3️⃣ 团队 > 公司 这部分我觉得是整场讲座信息密度最高的地方，也启发了我的机会选择思路。 他讲了一个案例：有个斯坦福的学生，被一家很热门的 AI 公司录用，但对方拒绝事先告知他会加入哪个团队，说有什么 rotation 机制，入职之后再分配。这个学生因为公司品牌够大，就签了 offer，结果被分配去做 Java 后端支付系统。做了一年之后觉得无聊，离职了。 然后吴恩达说，他在 CS230 课上分享过这个案例之后，另一个学生在几年后去了同一家公司，遇到了一模一样的情况。不是 Java 后端，是另一个跟 AI 八竿子打不着的方向。 如果一家公司入职前不告诉你会在哪个团队，这件事本身就是信息。 logo 不大但团队很强的地方，往往比 logo 大但团队一般的地方学得更快。你不是从走进大门那一刻的兴奋感里学东西的，你是从每天打交道的人身上学东西的。 在这个时代，能去到一个足够强的AI Native的小公司，一定比进入大厂的某个传统业务团队更好、成长更快，团队 > 公司。 4️⃣ AI时代的三个能力支柱 接下来换成 Lawrence Moroni 做分享，他是互联网科技的数十年老兵，呆过Google、Microsoft、Meta等公司，他接着讲了他看到当前 AI 人才身上的三个最重要的能力。 1.深度理解：不只是会调 API，而是要真的能读懂论文、理解模型架构、知道什么是信号什么是噪音。这个护城河现在比任何时候都值钱，因为现在社交媒体通过 AI 生成内容、制造噪音的成本降到了零。 2.业务聚焦：你能不能把技术能力翻译成商业价值。他讲了一个案例：一家欧洲公司来找他说想做 Agent，他直接问的第一个问题是为什么，不是要做什么 Agent。剥洋葱剥到最后，CEO 想要的其实是让销售团队更有效率。这个目标里从头到尾都没出现 AI 这个词。从这个真实需求出发，才能做出真正有用的东西，而不是一堆漂亮的演示。 3.Bias toward delivery：这个是他说的，想法很便宜，执行才是一切。他见过很多人带着半生不熟的想法进面试，也见过很多人带着不完整但落地得很扎实的方案进面试，通常都是后者能拿到结果。 5️⃣ 深刻理解技术债 每一行你使用AI生成的代码都是债。 Bug、文档、维护、新需求，这些都是你在还债。问题不在于要不要用 AI 生成代码，而在于你生成的每一行代码是好债还是坏债。 把 technical debt 当成财务债务来理解：买房贷款是好债，冲动刷信用卡买鞋是坏债。 判断标准就三条：你的目标清不清楚？有没有真正的业务价值被交付？别人能不能看懂这段代码？ 他说他在硅谷见过太多人把 vibe 出来的代码直接 check in 进仓库，然后没人知道那堆代码在干什么，原作者后来找到了更好的工作，离开了，那些代码就留在那里成了一块永久的技术债。 最后：一些职业建议 Lawrence 说，他预测未来五年 AI 会发生分叉：一边是越来越大的 frontier model，另一边是越来越小、可以自部署的 open weight model。 他的判断是，大模型这边的泡沫会先破，小模型这边的泡沫会晚一些。 好的工程师应该同时押注两边，而不是把所有技能集中在一个方向上；会训练、微调模型的人才很重要，未来会有越来越多企业自部署小型模型。 相比于做一个领域的专家，更推荐做多个领域的复合人才。