AI Alpha 来源于技术进步的确定性
在过去一个月中， $通用人工智能 ETF-AGIX(AGIX)$ 增长了 23.15%，跑赢 Nasdaq100（11.76%）。AGIX 覆盖的 45 家公司中，有 36 家公司（占比 78%）的增长超过 Nasdaq100，有 14 家实现了 30% 以上的增长：
增长贡献 Top 15 的公司中，有 7 家为 Application，Infra 板块有 6 家公司，其余 2 家为 Semi & Hardware。
其中，有 7 家公司未被 Nasdaq100 覆盖，但被 AGIX 收录，而这 7 家中，又有 6 家是 Application 类公司，分别为 Duolingo，SAP、Roblox、Samsara、Tempus 和 Salesforce，涵盖了 AI 在教育、游戏、物联网、healthcare 以及企业 workflow 中的应用。
YTD 视角下，AGIX 的增长贡献主要来自以下公司：
今年年初，在 AGIX Index 发布半年时，我们也曾对 AGIX 的增长动能进行分析。在当时，我们就发现，能够让 AGIX 指数跑赢科技指数大盘的并不是通过覆盖头部企业赚取的 beta，而是有效抓住了那些因为市值等因素并未被科技大盘指数收入的早期 AI 受益者。这一特征在今天仍旧适用。
对比年初和今天，Contribution Top 15 公司基本没有发生变化，但 Infra 板块增加了 2 家，Semi 板块公司减少了 2 家，如果只看增长贡献 Top 10 ，会发现已经没有 Semi 类公司——这是当下 AI 叙事从基建走向应用扩散的最直观体现。
回看历史上几次重大市场波动和技术进步周期，一个显著规律是：宏观的不确定性并不会让技术革命停滞。过去 30 年科技进步有几条主线：计算与数据科学、硬件和网络互联、能源切换：
• 互联网泡沫中倒逼 Google 寻求盈利能力，从而开发出影响数字经济至今的广告体系；
• 金融危机中， AWS 按需 OpEx 优势凸显，收入在 2008-2010 期间直接翻 4× ，接近 $1B，并为后续云生态的崛起提供了低门槛算力基础；
• 熊市前过热的经济环境通常会推高油价，简介促进 EV 的渗透率进一步上升。
……
总的来说，熊市本身并不是促进科技进步的直接因素，但它带来的资金稀缺、需求突变与资产折价等压力会最终会传导为企业对创新解决方案的需求，并且和经济繁荣时期相比，这一周期内的市场对于创新技术和产品的筛选强度和标准更高，降本增效与平台型技术加速成型、并在下一轮扩张。
到了 AI 时代，这样的故事仍在继续。外部宏观不确定性并不会对 AI 进入 massive adoption 阶段的确定性带来影响，相反，企业为了应对外部环境带来的成本变化反而更有动力寻找新的解决方案，升级自身的商业模式。
SeriveNow $ServiceNow(NOW)$ 提到，关税给汽车制造业、零售业带来了巨大压力，而这些企业最直接的反应是思考如何利用 AI 来实现“Business Transformation” ，从而尽可能多地降本增效。更多科技公司的财报都在不断证明这一点。
AGIX 是 AI 时代的高成长股的集合
综合 YTD return 和 Holding Weight 分布，我们可以更清晰地看到 YTD return 头部的公司并不是 “Mag 7”，反而是中等市值公司（注：在 AGIX 的构建方法论中，公司 Weights 中引入了市值因素，因而 weights 也可以反映市值），且集中在 AI 应用和 Infra 领域。
而这些公司的另外一个特征是，业务具备高成长性，股价具备高波动性：
• DUOL $多邻国(DUOL)$ ：从今年 2 月中至 3 月初最低点，两周内回撤接近 40%，而从最低点至今，2 个月股价翻倍，并且股价再次突破历史最高点；
• PLTR $Palantir Technologies Inc.(PLTR)$ ：今年 2 月初一周内回撤超过 30%，但从 4 月初最低点至今，涨幅接近 50%；
• TEM：2 月中开始，单月股价共回撤 50%，一个月前的最低点至今增长了 56%；
……
这些特征同样也传导到了 AGIX：在这轮市场调整中，AGIX 的最大回撤为 -31.48%，相对于 Nasdaq100（-22.93%）和 S&P 500（-18.98%） 两个市场指数，分别多跌了 8.55 和 12.50 个百分点。但当市场恐慌情绪出尽后，AGIX 又率先反弹 4 月下旬，市场对于宏观不确定性的情绪利空逐渐出尽后，AGIX 单周即上涨了 10%，过去一个月上涨超过 20%。
如何理解 AGIX 的高弹性
为了更好地理解 AGIX -31.84% 最大回撤，我们把 AGIX 和其他 AI 主题 ETF（指数），以及头部科技公司个股在本轮市场调整中的表现分别进行了对比。对比结果发现：在熊市中跑输大盘指数是高增长、高波动板块在市场调整期的常见特征，在今年 Q1 这轮市场波动中，AGIX 的回撤处于这一类别资产的典型波动范围内，如果和科技股个股相比，AGIX 的波动要小很多。
• AGIX vs AI ETFs
我们首先选择了 20 支 AI 主题类 ETF（或指数）进行分析。这次下跌中，平均回撤为 ～-30.18% ，回撤幅度最大的为 WISE（-39.15%），回撤幅度最小的为 XAIX（-23.35%）。
在和 S&P500、Nasdaq100 的跌幅比较中，AGIX 等 AI 相关 ETF 资产相比于市场大盘都要高出约 10-12 个百分点的额外回撤风险，其中，相对于 S&P500 平均多跌 11.20 个百分点， Nasdaq100 平均多跌 7.25 个百分点。
“超跌”的这一特征在历史回调期同样存在：2022-2023 年间市场回调中，AI ETFs 相对 S&P500 的额外回撤多达 19.44%，比 Nasdaq100 平均多跌了 9.52 个百分点（但有意思的是，在 2020 年疫情对股市的冲击，科技公司反而成为避难所， AI ETFs 相较于 SPX 的额外回撤仅仅为 0.65%）。
AI ETFs 之间的表现差异则十分有限，在这次回调中，回撤相对 S&P500 和 Nasdaq100 的标准差均仅为 0.0349，说明选择任何一只 AI 主题 ETF 都将面临相似的超跌风险，影响 AI ETFs 表现的主要原因在于整个 AI 板块的高增长、高波动特征，而非个别 ETF 的特殊因素。
因此，我们也可以说 AGIX -31.84% 的回撤并非是异常脆弱性的信号，而是 AI 板块在市场调整期的常见特征，是追求 AI 领域长期增长潜力所需付出的短期波动性代价。
• AGIX vs 科技股个股
那么 AI 板块内的具体资产在市场波动期间又是如何表现的？我们以“Mega 7”公司为比较对象进行了分析。
在本轮市场下跌中，Mega7 的平均回撤达 -32.94%，其中最大回撤的公司为 TSLA $特斯拉(TSLA)$ （-48.19%），下跌最少的为 MSFT（-20.72%），二者差距高达 27.47 个百分点。这些公司相对 S&P500 平均多跌了 14.02 个百分点，相对 Nasdaq1000 平均多跌了 10.07 个百分点。
并且，和 AI 主题 ETFs 不同，科技公司个股展现出了更为显著内部分化：科技股之间相对 Nasdaq100 科技指数的标准差高达 7.75%，远高于同期 AI 主题 ETF 之间的标准差（3.49%）。
假设投资者在 2025 年初持有三只科技股的均等组合：MSFT（-20.72%）、NVDA（-36.89%）和 TSLA（-48.19%），其组合回撤为 -35.27%，比 Nasdaq100（-22.93%）多跌了 12.34 个百分点，比 AGIX 多跌了将近 5 个百分点。相比之下，如果持有的是 AI 主题 ETF，无论选择哪一只，其表现都会比直接持有个股更可能接近市场平均水平。
历史数据进一步证实了这一特征：
• 2022-2023 年市场调整期间，科技股相对 S&P 500 的额外回撤达到了 27.83%，相对 Nasdaq100 平均多跌了 17.91 个百分点，标准差达到了 17.91%；
• 2020 年疫情冲击中，科技股相对 S&P 500 平均多跌 2.89%， 相对 Nasdaq100 平均多跌了 8.96%，标准差为 11.36%；
总体上，头部科技公司在熊市中不仅平均跌幅比大盘指数更深，其内部表现差异也远大于主题 ETF。
这些指标意味着对于投资者来说，个股选择风险大幅提高，尤其是在市场波动期间，对于个人投资者，通过 ETF 投资这些高成长性公司的体验显然要比持有个股更好。
AI Hype 存在吗？
“估值过高”也是市场常常对成长股的质疑，尤其是在 AI hype 的情绪下，AI 叙事主线下的高成长性公司也更容易被市场更高的 multiple，那么，AGIX 是否也受到 “股价虚高”的影响？我们从估值角度对 AGIX 和科技指数代表 Nasdaq100 的估值进行对比分析，结果如下：
从 Price / Book Value 的角度，AGIX 的平均估值和 QQQ 处于同一水位，而考虑到 AGIX 覆盖公司的高成长性，我们选择以 PEG 角度进行对比的话，就会发现，AGIX 的估值甚至还比 QQQ 低 10% 以上。这一特点说明，这些被 AGIX 覆盖的 AI 公司相对于其他科技股在近年被给予高估值，但考虑到公司未来业务和盈利增长速度，其成长性和增长潜力远大于普通科技股的增长。
换句话说，AGIX 覆盖了“高成长性但具备合理估值”的 AI 成长股。这是因为在 AGIX 的构建方法论，无论是 AI 耦合度（ AI Readiness）还是 AI 潜力（AI Potential），都兼顾和定型和定量打分。
精彩评论