经济学是一门入世的哲学，研究市场现实问题，但出发点却关乎理想。哲学追求的理性主义，在无比复杂的近现代之后，发生了向内探索的转向，尤其是实证主义与经验主义的探索，形成了对理性主义很好的补充。如今，投资越来越多地不再依赖基本面分析、不再依赖对理论的掌握、不再依赖直觉，而是更多依赖实际数据、量化方法、模型迭代，甚至人工智能的采用。故事的开端，来自两场“滑铁卢”。
第一场发生在拿破仑大军兵临英格兰的时候。李嘉图当时在伦交所工作，他大量买入英国国债。他相信，无论战争结果如何，当市场如此悲观、认为拿破仑一定会打败英国，英国国债已经跌到非常罕见的高收益率位置，此时投资国债的风险远小于潜在收益。1805年至1815年，他每年都大量买入英国永续国债，持有多达十年，直到滑铁卢战役前夕。
理由是极端抛售、非对称赔率、策略推断，即对恐惧与贪婪的判断。1823年他去世时，遗产67.5万英镑。这是先验交易驱动的完胜，代表着古典自由市场时期投资者对先验确定性的追求。
100年后，新一代宏观大师已经是凯恩斯。他师从马歇尔，剑桥教授，著作等身，1919年作为英国财政部代表出席巴黎和会。1929年美股崩盘前，早已名满天下的凯恩斯从宏观判断出发，坚信货币政策可挽救经济，以杠杆形式大量持有大宗商品，1930年财富缩水80%。
凯恩斯与李嘉图的“滑铁卢”，同样的思维，不同的结局。同样是从宏观判断出发，同样是逆市下注，一次赢到底，一次输到底。此后的凯恩斯转换了投资风格，自下而上、集中投资、长期持有，不再依赖先验直觉和对理论的掌握。也正是在经历了自己的“人生滑铁卢”之后，他提出了金融市场“极端不确定性”（Radical Uncertainty）理念。
从李嘉图到凯恩斯，金融市场进入了极端不确定性的时代。先验投资的黄金时代落幕，后验投资者与经验主义开始大行其道。
凯恩斯转向之后，现代投资组合理论应运而生，强调运用市场数据去进行投资组合的风险管理。如果把预期回报和预期风险这两条轴看作其发展脉络，会发现大多数理论基本上都是在这个预期风险矩阵的相关性上做不断探索。
最初在CAPM模型下只有一个贝塔，唯一的市场因子。后来有了 FF 三因子（1993）把规模与价值异象作为风险补偿，Carhart 四因子（1997）引入股价惯性，FF 五因子（2015）转向盈利与投资驱动收益，q 因子模型（2015）从企业投资决策出发，q5 模型（2021）纳入未来增长潜力。每一个因子的发掘，都是对一个风险来源的解释。
但很少有人想过，投资最终取得的回报，来源是什么。是产权，是股权还是债权，是抵押物，还是实物资产的使用价值和现金流。这方面的探索在现代投资组合理论中较少被讨论。理论的重心偏离本源，资产配置由此进入了“青铜时代”。
而在资产配置的“黄金时代”，投资者关注的是更基本、但也更简单的问题。2000年前，人类首次拥有了财富，《塔木德》提出资产配置的基本教条；100年前第二次工业革命造就扩大生产的财富，格雷厄姆开创价值投资；50年前第三次工业革命让普罗大众拥有财富，马科维茨和夏普创立现代投资组合理论，投资理论从零维升到一维和二维。
“青铜时代”的标志就是维度增加、目标多元、理论复杂。ESG、社会责任……新的投资目标不断叠加，把维度打开，但模型稳健性也随之变差。
于是有一种新的投资理念产生，整体投资组合模式，即TPA方法。它克服“虚假分散化”问题（Over-bucketing），在先验框架上发起分权式市场竞争，不再预测收益，不再预测风险，每一个投资经理都可以通过竞争向投资基准、向资产配置部门拿资源。这种框架下，唯一要依赖的就是我们如何去建立自己的先验直觉。
现代投资组合理论也采取了很多方法进行自我救赎。AQR资本合伙人Pedersen及其团队（2021）提出 EPO（Enhanced Portfolio Optimization）方法，该文获得当年格雷厄姆与多德卓越奖。作者发现均值-方差优化方法会低估资产之间的尾部风险，证据是在对各资产做主成分分析之后，尾部主成分的预测波动率比实现波动率系统性偏低，意味着分散化效果在一些尾部资产当中被高估了，从而错误地对其进行了高权重配置。
该文作者提出利用投资者已有的先验信念和可获取的市场信息，对协方差矩阵赋予收缩权重，把绝对值较高的负相关性收缩回来。
1921年，Frank Knight用概率分布的确定性与否区分了风险（Risk）和不确定（Uncertainty）事件，但并未进一步考察背后的投资者决策差异。根据Savage公理（1954），理性参与者通过主观赋权形成对未知分布的近似，将“不确定”转换为“风险”。2007年国际金融危机前夜，Richard Zeckhauser提出传统金融学假设已经失效，资产配置处于“无知”当中，他用 unknown and unknowable 概括这种状态，简称 UU。
风险、不确定性、无知，这三个词的差别不在于程度深浅，而在于我们手上有没有可用的分布。风险的世界里分布已知；不确定性的世界里分布未知但可推测，比如AI大概有几种可能的走向，每种走向大概能推出一类结果，主观概率仍有落脚点；到了无知，连有哪些场景都说不出来，模型无从下手。
这带来一个方法论上的后果。在无知状态下，唯一的方法是观察别人的行为，羊群效应由此产生。而支撑这种观察的判断力，很难从理论学习中获得，它超越了对财务报告的阅读能力。
当前，美股又进入了一个高度集中的阶段。这种集中在历史上曾经三次出现过，分别是1950年战后油气行业代替传统煤炭工业时的石油股集中，80年代石油危机时的能源股集中，以及2000年互联网泡沫时期。以有效行业数的变化幅度衡量，1950年代战后石油化工是-34%、14年；1980年代石油危机是-43%、5年；2000年代互联网泡沫是-37%、14年；现在是移动互联网与 AI，-55%、16年，仍在进行中。本轮集中度提高自2010年便已开始。
如果简单依据集中度来回避风险，会发现可用的历史参考数据实在太少，因为就三个事件。如何用三个事件来进行量化投资，是当前后验投资面临的问题。在这种状态之下，先验的投资思维，即基于宏观演绎出发的方法，具有更强的适用性。
罗伯特·希勒在《叙事经济学》中展示了一个类似病毒传播的模型，称之为流行的叙事。叙事刚兴起时大量传播，大量买入相关股票，但随着免疫消退，这个叙事最终会走向瓦解。新增传播超过退出，叙事扩散；新增传播不足以补充退出，叙事衰退。
像AI这样百年不遇的技术变革，同样可能遵循叙事的力量。值得着重关注的，是市场究竟有没有对AI的叙事产生“群体免疫”。这种免疫一旦形成，即使有再好的业绩，风险也是可能存在的。
2022年ChatGPT发布前，AI由科技巨头引领，竞争集中在模型参数、训练数据等基础能力上，属于企业竞争。ChatGPT发布后，越来越多的非AI企业开始用AI迭代生产力，AI更多变成产业之间的竞争。麦肯锡的调查显示，应用AI的企业占比在这一阶段明显上升。这时一旦有些行业被认为在AI当中受损，比如软件订阅会受到很大冲击，整个行业会不分青红皂白地受到抛售。
2023年达沃斯论坛之后，中国、美国、日本、韩国、欧盟纷纷出台鼓励人工智能发展的立法法规和监管导向。这意味着任何一个国家在AI产业中取得领先，都会受到全球投资者的追捧。中国台湾和韩国的股票市场是最直接的例证。中国大陆的情况更值得细看，出口连续两年维持在万亿美元量级，随着AI产业链出口占比提升，中国已经成为AI发展当中高度受益的经济体。AI由此成为国家之间的竞争。
AI是否已经影响就业市场，存在较大争议。仅从总体就业数据看，美国就业状况尚属稳健。但AI对宏观数据的影响，体现在薪资数据的结构性分化中。就业成本指数ECI反映综合用工成本，这条线走缓，意味着美国企业整体上不太需要大量雇佣工人。亚特兰大联储的 Wage Tracker反映留存在岗位上的人员工资，这组数据非常强劲，意味着还在岗位上的人收入在增长，这也是现在美国通胀的一个重要来源。
小时工资则考虑了就业结构变化，而它现在放缓最快，意味着新增就业更多是低端化。就业的极化由此在宏观上反映出来。三组数据的分化与AI替代的解释高度吻合，但移民减少、行业结构变化、疫情后劳动力市场重构等因素也可能贡献了一部分，这是判断时需要留意的。
最初AI基础设施建设所需的资本支出主要由云计算基础设施巨头的自由现金流提供，但支出越来越多，巨头现金和等价物占总资产的比例持续下降。同期AI相关企业债务发行规模快速上升，2026年过半时，发行规模已比去年全年多出17%。
它们不仅在资本市场上融资，还大量从银行借款。摩根士丹利和高盛2026年上半年贷款规模较去年同期分别扩大3393亿和2232亿美元，增速达到28%和22%，明显超过其存款增速。观察AI融资矛盾，不妨抛开金融市场的融资，多关注从银行的借款，这可能是一个很好的观察变量。
下一个问题是利润泡沫。2016年，美国会计准则委员会发布了一项更新，要求对上市公司持有的非上市企业投资按公允价值计量，于2018财年生效。这本来是为了体现会计的稳健性，但政策制定者并没有想到会出现一个奇观。未上市的AI相关企业规模如此巨大，在上市公司财务报表上占据很大比重，而它们上市之前不断融资，重估速度非常快。
以OpenAI、Anthropic为例，Pre-IPO的每一次融资都会形成新的估值，按会计准则必须强制反映到利润表里，形成巨大的非经常性收益。过去两年，上市科技巨头成为这些非上市企业的重要投资人，其投资行为和业务合作持续推高估值，进而在损益表中体现为非经常性收益的急速上升，已成为科技巨头净利润的重要来源。
会计准则的重估效应意味着，这些上市公司的商业模式可能都是值得怀疑的。比如英伟达本来是算力提供商，但似乎开始从事金融业务。当一个实体经济的企业开始做金融业务的时候，往往意味着这个行业可能面临错位和风险。
英伟达提出了收入分成和兜底回租模式，要解决的是NeoCloud云服务商的融资困境。过去几年，NeoCloud通常取得大型云厂商的五年期照付不议合同，以合同向银行抵押融资，链条是闭合的。但随着最近两年亚马逊、微软等纷纷自建算力，其客户变成了一些AI初创企业和推理服务商。这些企业无力签订五年长约，只能签一年期短期租约，而银行基于短期租约，不太可能提供三到五年的购芯贷款。
英伟达为这些NeoCloud提供全额担保，条件是超额收入必须向英伟达提供40%的分成，很像对冲基金的做法。它还提供兜底协议，如果算力最后没有很好地被租出去，剩余算力由英伟达兜底回租。这套安排下，NeoCloud在芯片全生命周期的IRR回报在-2.6%（英伟达兜底）至25.4%（市场价租出）之间。这极大地刺激了NeoCloud的采购，但也往往意味着危险，所有风险都在向英伟达集中。
另一个明星企业是SpaceX。2026年6月，SpaceX通过IPO在股票市场募资860亿美元，将超过20%的发行股份分配给个人投资者，获得3倍认购；IPO后两周，又在债券市场发行250亿美元投资级债券，发行利差大幅高于当日BBB级公司债利差，投资者在定价时就把它当成了垃圾级债券。而到了二级市场，IPO一个月内，随着星舰试飞不顺叠加股票解禁压力，SpaceX股价一度跌破发行价，债券各期限收益率上行38至65个基点，价格最低跌至发行面值的91%，当时已按BB级公司债定价。一级市场的定价分歧，在二级市场收敛为卖出高估。
随着中期选举临近，AI的理念之争，背后涉及的价值对齐主义和有效加速主义的争夺将进入白热化。价值对齐是把人类价值观编码到模型中，引导AI按人类的预期目标、偏好或道德原则发展；有效加速主义是加速主义的右翼分支，主张不受限制的技术进步是解决贫困、战争和气候变化等问题的方案。
近期Dario和黄仁勋之间展开了一场嘴仗，讨论到底要不要放缓AI的发展。Dario表示越来越确信必须放缓能力提升的速度。黄仁勋则表示，数据中心是伟大的，它是未来20年、25年的石油，比互联网还要大得多。马斯克的站队很有意思。他一直是有效加速主义者，但政治嗅觉非常敏感，在特朗普第二次上台之后转投共和党阵营。
而这一次共和党再次在中期选举中面临弱势，马斯克主动站到了价值对齐主义这一边。共和党在中期选举中的失利，有可能带来民主党在今后立法中出台更多对AI不利的监管措施，这意味着AI的理念自身可能出现转向，共振的风险值得一级市场的分歧、二级市场收敛为卖出高估，反映的是市场对单个AI资产定价的内部修正。
更值得警惕的是，这种修正可能通过长端融资市场传导为系统性风险。共振的通道正在这里。美国长期融资市场已经是由AI融资和美国国债融资两大支柱并行的市场。科技公司投资级信用债总规模仅占国债发行量的3%，但10至20年期科技公司信用债规模已超过国债规模的50%，2026年科技公司新增发行长债规模已与美国国债发行规模相当。
美国的长债、超长债收益率大幅上升，不仅反映了大家对利率和财政可持续性的担忧，还反映了大量AI融资可能挤出美国财政部在超长期市场的融资能力。按这个机制推演，将来AI泡沫破灭之后，国债的主权风险和AI相关企业的信用风险存在共振的可能。这属于情景推演，而非已经发生的事实。
这种共振和2008年金融危机中间看到的多维度骨牌效应不一样。骨牌效应是一家倒下之后风险依次传染，房地产客户违约传导到银行，再到按揭抵押证券、衍生品、投行，是逐级传导。但海啸效应不同，凡是涉及AI这种宏观叙事，都会遭到市场一致性的抛售。这种叙事的力量非常强大，2020年新冠危机时见证过，凡是涉及密接的行业都会被无差别抛售。而这正是美国AI面临最大的问题。
与此同时，美国当前并不具备一个足够强大的美联储来提供支持。沃什在Jackson Hole的演讲中明确了更加市场化的政策路径，包括减少前瞻指引、以短端利率为核心。2025年7月，尚在美联储主席候选人角逐中的沃什多次在媒体采访中提出“美联储的资产负债表是错误的”，美联储与财政部需要一项新的“1951年式”协议，不再配合财政部管理长端利率。沃什对自身的定位是保证短端利率处于低位，长端利率的高低则属于财政部长贝森特的职责范围。
在过去十多年间，全球央行之间、央行和财政部之间形成的财政货币协同当中，有三个重要的默契都在被同时打破。第一个默契是美联储帮助财政部管理长端利率，但沃什的态度是放弃这一职能。相反，如果长端利率上升，按其7月份的表态，这反而是不加息的一个重要理由，因为市场金融条件收紧了。
第二个默契是美国的财政部不再希望帮助日本央行管理汇率。8月份的一次干预号称美国财政部出手，但规模非常有限。这种情况下，美国财政部会推动日本央行加息，进一步收紧全球货币条件。
第三个与之相关，日本央行也不得不让日元有一个升值的过程。日元贬值在长期有利于美国压低通胀，但现在日元开始升值之后，一切过程将会逆转。
所以这三个默契都在同时被削弱。当前的困境，是一个非常经典的丁伯根法则下的三难困境。丁伯根法则指出，在一组线性关系下，为了满足经济政策目标，独立工具数量应不小于目标数。传统的央行或者说美国在国会授权目标下其实就两个目标，通胀率与充分就业。但特朗普在政治化的过程当中，为美国货币政策提供了第三个目标，那就是要有一个低利率的追求。
美联储曾经拥有前瞻指引、资产负债表政策和联邦基金利率，三个目标对应三个工具，可以动态平衡。但在特朗普增加KPI之后，美联储让前瞻指引不再使用，丧失了政策主动性，又提出缩表主张，对长端利率放任不管，造成央行和财政之间的冲突。三个目标只剩一个可用工具，这种约束将使市场走向滞胀的边缘。■本文根据作者2026年10月11日在中央财经大学金融学院专业学位研究生业界导师大会上的主旨演讲内容整理，仅代表个人观点