Thesis OS on Korea Invest Insights

在盈利泡沫中，盈利预测最后才下调：AI 基础设施的资金集中与深度研究的价值

Sun, 31 May 2026 14:00:00 +0900

本文是一篇方法论笔记。作为分析素材的文章，建议一并阅读：AI 基板/PCB 投资论点（系统 BOM 的共同瓶颈）、高盛的代币需求 vs 摩根大通的内存 ASP 见顶，以及说明驱动这一切工作之结构的Thesis OS 公开笔记。

TL;DR

BCA 研究在近期报告中认为，AI 泡沫不是估值泡沫，而是盈利（earnings）泡沫。膨胀的不是市盈率，而是盈利本身。而且像所有泡沫一样，它终会破灭，但 BCA 补充说，按其自身的 AI 需求指标，目前还看不到迫近的信号。
盈利泡沫的核心特征是时滞。用 BCA 的话说，几乎在所有案例中，“股价远在盈利预测被下调之前就开始下跌”。市场一致预期是一个滞后信号。
因此，正当资金如此集中涌入 AI 基础设施的阶段，更重要的是一套直接读懂系统结构与需求领先指标、而非等待一致预期 EPS 的深度研究。等到预测被下调时，为时已晚。
本文不加夸张地梳理：这种深度研究究竟在看什么，以及我们如何以一个名为 Thesis OS 的结构把它运转起来。

1. 把 AI 泡沫称作"盈利泡沫"是什么意思

一提"泡沫"，人们通常想到市盈率飙升——那是估值泡沫，价格远比盈利涨得快。而 BCA 研究把 AI 看作一种略有不同的类型。它是盈利泡沫，膨胀的是盈利本身，而非价格。

这并非新模式。金融危机前夕，住宅建筑商与银行正是如此。它们的市盈率看上去很低，但只因不可持续的盈利抬高了分母（E），使倍数显得便宜。那些随景气盛衰大幅波动的行业——自然资源、航空、海运，以及当今的半导体——都容易陷入这类盈利泡沫。

眼下，半导体的营收曲线正与那幅图景相似。

来源：基于公开的 WSTS 年度汇总数据进行的近似重建，其中 2025-2026 年为估计值。仅作说明，并非投资建议。底层数据的形态与 BCA 研究报告（2026-05-28）所呈现的"半导体销售抛物线化"图表处于同一脉络。

营收曲线走成抛物线，既是好消息，也是警告。盈利快速增长时，市盈率显得很低。但若那盈利是周期的产物，那么倍数显得便宜这一事实本身，就可能成为陷阱。周期性行业那句老话在此适用：“盈利最高之时，正是最危险之时。"

不要误会。BCA 和我们都不是在说"现在就破”。BCA 判断其 AI 需求指标——采用率、代币支出、AI 编程工具下载量、GPU 与内存价格——大体仍处于令人放心的水平。要点不在时机，而在这个泡沫以何种方式运动。

2. 盈利泡沫真正的陷阱是"时滞"

盈利泡沫之所以危险，不在于它会破，而在于它破裂的顺序。

BCA 点出的核心是：华尔街分析师对盈利泡沫何时破灭判断得并不准。而且几乎在所有案例中，“股价远在盈利预测被下调之前就开始下跌”（BCA Research, 2026-05-28）。

把这句话在实战中的含义画成图，便是如此。

这是一张概念图，并非真实数据。它将 BCA 所描述的"股价领先、预测滞后"的时滞结构作了简化呈现。

红线（股价）先掉头向下。蓝色虚线（一致预期盈利预测）要到很久之后才被下调。二者之间的灰色区段就是时滞。如果你抱着"等分析师下调目标价或预测时再卖"的规则，你就总会恰好滞后这段时滞才行动。

由此得出结论。市场一致预期是一个滞后信号。盈利见顶时股价并不显得最贵，而等到预测被下调，股价早已下跌。所以只盯着预测，你会同时错过泡沫的顶点和它的拐点。

3. 所以才需要深度研究——它在看什么

如果预测是滞后的，那要看什么才能领先？深度研究看的不是头条 EPS，而是生成那个 EPS 的结构与领先指标。具体而言有四点。

① 读懂系统结构。“GPU 之后是内存，再之后是基板"这种线性叙事易于交易，却只对了一半。真实的 AI 基础设施是机架级系统，其中 GPU、CPU、DPU、NIC、交换 ASIC、内存模块与电源板一同增长。正如我们在AI 基板/PCB 投资论点中所梳理的，基板与 PCB 不是某轮轮动的终点，而是整个系统物料清单（BOM）的公分母。读懂结构，就能看出"真正的瓶颈在哪里”。

② 拆分变量。面对同一份 AI 需求，高盛盯的是代币用量（Q）与每代币成本（C），摩根大通盯的是内存价格（P）的上升幅度。把两份预测拆解为 P、Q、C后便会发现，看似冲突的两种观点其实在谈不同的变量，并且可以同时成立。把一切揉进一个头条数字，恰恰会掩盖这一点。

③ 直接追踪领先指标。与其等一致预期 EPS 被下调，不如盯住更早动起来的东西——HBM 长期合约价格与数量、服务器 DRAM 合约价、代币支出、GPU 与内存现货价、采用率等。这些会先于预测改变方向。

④ 区分事实、推断与揣测。“官方确认的事实"“合理的推断"和"单纯的揣测"不放进同一格。客户名称、是否被采用、合约条款等未经核实之事，明确标注为推断或揣测。少了这道区分，人就会被动人的叙事裹挟，把揣测当作事实买入。

这四点都不等预测被下调。所以它们较少受时滞之害。

4. Thesis OS——把这套深度研究当作体系运转的结构

把上述四点做好一两次并不难。难的是每一次都以同样的纪律去做。所以我们把这项工作交给一个结构，而非交给某人当天的状态。那个结构就是 Thesis OS。

Thesis OS 分为三种角色。

角色	职责
Alpha（알파）	收集证据——市场数据、筛选器、爬虫、事实核查管线
Lattice（격자）	判断——把证据编织成论点、建立预测、以反方逻辑加以检验
Arki（아키）	治理——以模式、工作流与健康检查保持整体一致

关键不在炫目的自动化，而在纪律的可重复性。把证据（Alpha）与判断（Lattice）分开，能减少好故事抢在证据前头的情况。有了治理（Arki），每次都按同一标准区分事实、推断与揣测，并持续追踪领先指标。Thesis OS 以开源形式公开，有兴趣的读者可以直接查看这个结构本身。

5. 本博客的工作——平实记录

写下这些是作为记录，而非夸耀。最诚实的证据，是这套方法论实际产出了哪些文章。

映射系统结构：AI 基板/PCB 投资论点——把 AI 视作机架级系统，并把基板重新定义为共同瓶颈。
拆分变量：高盛 vs 摩根大通——把看似对立的两份预测分解为 P、Q、C。
业绩透视（read-through）：Marvell Q1 FY2027、戴尔 Q1 FY2027——把美国业绩翻译为韩国零部件与材料的瓶颈。
追踪成本结构：AI 代币期货与每代币成本——竞争轴心从性能之争转向成本之争。

这些文章的共同点，是不急于给出"买/卖"的结论。它们转而描画结构、拆分变量、给出领先指标，并把个股不作为推荐、而作为观察点。目的是给读者自行判断的素材。我们并不声称能押中市场顶部或泡沫破裂的时点。正如 BCA 所言，连分析师也难以做到。我们想做的更为朴素：在预测被下调之前理解结构，并迫使自己去看领先信号而非滞后信号。

6. 结语

在这么多资金涌入 AI 基础设施的阶段，最危险的态度，是等着市场一致预期替你转向。在盈利泡沫中，那个信号总是来得迟。股价会先于预测下调而动。

所以深度研究不是炫目的预测，而是为了少迟到一点的准备。理解系统、拆分变量、直接盯住领先指标、把事实与揣测区分开。为了把这项工作不止做一次、而是每一次都以同样的纪律重复，我们使用一个名为 Thesis OS 的结构。若你有兴趣，我们建议你不只看结论，也一并看看其背后的结构与过程。

本文以注明出处的方式，简短引用了 BCA 研究报告《Earnings Bubbles Are Still Bubbles》（Global Investment Strategy, 2026-05-28）已公开的核心论点，图表则基于公开数据与概念自行制作。本文并非对任何特定证券的买卖建议；投资决策与相应责任由投资者本人承担。

这个博客是怎么做出来的：开源研究操作系统 Thesis OS 正式公开

Sat, 30 May 2026 11:00:00 +0900

🔗 前往仓库：github.com/youngseongshin/thesis-investment-os —— 驱动本博客研究的开源系统

今天这篇文章和平时有点不一样。它不讲某只股票，而是讲本博客的文章究竟是怎么做出来的。让我把幕后掀开一角给你看看。

一篇文章的诞生过程

Korea Invest Insights 的文章，并不是有人对着空白屏幕即兴敲出来的。它们背后运行着一个名为 Thesis Investment OS 的小型操作系统。名字听起来很大，但想法很简单。

让投资判断看得见、可检验，并对自己的历史成绩保持诚实。

它不是自动交易机器人，不是卖信号的服务，也不是"用 AI 帮你选股"的东西。它是一个框架，把零散的市场信息汇成一个论点（thesis），并让你日后能回头检验这个论点最终是对还是错。

这一结构分为三个角色。若以人来比喻，可以看成一支团队里的三个人。

1. Alpha —— 收集证据的人

Alpha 的角色是收集并核实事实。

定量数据：价格、成交量、资金流、基本面、披露文件
定性数据：新闻、披露、财报电话纪要、社区信号
用筛选器（screener）缩小候选范围，再叠加背景信息，把值得关注的标的浮现出来

Alpha 产出的是证据记录、市场快照、盘中提醒、筛选器候选名单，以及研究包（research packet）。一句话，它是诚实地把"发生了什么"堆积起来的人。它还不做判断，只负责收集原料。

2. Lattice —— 用证据构建判断的人

Lattice 这个名字取自查理·芒格所说的“思维模型的格栅（latticework of mental models）"——一颗由众多框架彼此咬合而成的头脑。

它的角色是把 Alpha 收集来的原料，转化为真正的投资决策。

登记一个论点，并整理成决策卡（decision card）
进行魔鬼代言人（devil’s advocate）式的审视，刻意站在对立面去推敲
把预测记入预测台账（prediction ledger），过些时日再回头检验它是否站得住

你在博客上读到的那种结构——“结论是这样"“这是事实，这是推测”——正是出自 Lattice。关键在于做出判断，但要以一种日后可以打分的形式留存下来。

3. Arki —— 维护系统运转的人

Arki 是最不起眼的角色，却也许是最重要的。它负责让整个系统保持健康运转。

定义承载数据的结构（schema）以及存储的布局（vault layout）
管理周期性任务（recurring jobs），并执行健康检查（health check）
保留变更记录（migration log），并治理各角色的权限与规则

若把系统比作一栋房子，在 Alpha 和 Lattice 干活的时候，Arki 就是那个确保水电暖气不断供的人。它并不光鲜，但没有 Arki，另外两位也撑不了多久。

这三个角色的成果 —— 真实示例

光说很抽象，这里给你看两篇最近经由这套系统产出的文章。

戴尔一季度财报与韩国 AI 服务器利润率的延伸解读 —— Alpha 收集戴尔的财报数字，Lattice 把它们接入韩国半导体与服务器价值链，从而构建观点。
Marvell Q1 FY2027 财报与韩国半导体的延伸解读 —— 同样的流程：从 Marvell 的定制硅数字出发，引向对韩国的延伸解读。

两篇文章都把"这是事实（Fact）、这是推论（Inference）、这是推测（Speculation）“分开来写。这一习惯正是 Lattice 强制的结构，而支撑这些事实的数据，则是 Alpha 收集来的。

为什么要公开这一切

做研究做久了，最可怕的是“想不起自己以前说过什么”。看起来漂亮的论点有的是；回头核实它们是否真的应验，却既麻烦又难受。所以大多数分析写一次就被遗忘。

Thesis OS 故意把这种"难受"内置进了系统。每个判断都附上证据，每个预测都被记录，所有内容日后都会被打分。不是因为它完美，而是因为它被设计成当它出错时，你看得见。

这套系统被设计为在本地运行。你可以用随附的样本数据先跑一遍——无需 API 密钥、无需券商登录、无需付费数据源。许可证为 MIT，需要 Python 3.10 或更高版本。

而这套系统对外发布的渠道，正是这三处：你正在阅读的博客（Korea Invest Insights）、Telegram @korea_invest_insights，以及 Substack。

欢迎进来看看

这篇文章的目的不是炫耀，而是邀请。如果你曾想过，怎样让投资研究更诚实、更可检验，不妨进来瞧一瞧。

你不必读完全部代码。哪怕只是浏览一下 README，也足以让你感受到"哦，原来这些博客文章是这样做出来的”。

👉 github.com/youngseongshin/thesis-investment-os

点个星（star）当然好，纯粹逛逛结构也无妨。我之所以掀开幕后，只有一个理由：让你亲眼看清，这个博客的判断究竟从何而来、如何生成。

免责声明：本文仅供研究与信息参考之用，并非个性化投资建议。所介绍的开源系统是一项研究工具；投资决策及其结果由投资者自行承担责任。