# 投资

文章围绕“巴菲特手握 3973 亿美元现金”这个数字做了几组对比，帮助读者理解这笔现金到底有多大。文章先说明，伯克希尔在 2026 年一季报中的现金储备合计约 3973 亿美元，其中大部分是现金与短期国债。按当时汇率折算，约相当于 2.72 万亿元人民币。

接着，文章把这笔钱放进中国公募基金行业里比较：如果对比公募股票型基金，伯克希尔手上的现金大约相当于全行业股票基金规模的一半；如果把股票基金和混合基金合起来看，也仍然是一个非常可观的比例。作者借此强调，单看“现金”二字很容易低估它的体量，而巴菲特并不是“不会投资”，而是对资本配置保持极强的选择性。

文章还进一步对比了伯克希尔的总资产规模，指出其管理资产已接近中国全部股票型基金和混合型基金的总规模。作者认为，这足以说明巴菲特的价值投资并非过时，而是经过长期验证的成熟方法，值得投资者认真思考，而不是简单以“新世界不需要价值投资”来否定。

随后，文章把视角转向韩国股市。由于韩国股市在 2025 年至 2026 年经历了大幅上涨，许多投资者更倾向于追逐趋势和热点。作者则用韩国 2025 年全年 GDP 来比较伯克希尔的现金规模，指出这笔现金约相当于韩国 GDP 的五分之一以上。文章借此提醒读者：即便面对火热的牛市，巴菲特依然保持克制，不会因为市场情绪而轻易把巨额资金投入高估资产。

最后，文章的核心观点是：巴菲特之所以能长期成为伟大的投资大师，不在于“追热点”，而在于他对价值投资方法的坚定执行与公开分享。对真正的投资者来说，理解并吸收这种方法，比跟随短期市场情绪更重要。

柏基AI研究议程

这篇文章围绕柏基投资（Baillie Gifford）2026年的人工智能研究议程展开，核心观点是：在 AI 快速扩张的时代，投资机会不只来自“AI 本身”，更来自 AI 带来的新稀缺性与旧稀缺性的转移。

文章先介绍柏基长期研究的特点：以 10 年为尺度思考，强调跨学科视角、长期主义与“非共识正确”，关注能带来指数级增长的变革型公司，而不是短期利润波动。作者指出，柏基很早就把 AI 作为重点研究方向，今年的研究议程再次把它放在最核心的位置。

文章主要观点

1. 技术革命会把稀缺性重新分配

在 AI 时代，这种变化主要体现在两个方面：

• 信息变得更丰富：生成式 AI 让内容生成、知识获取、软件编写等能力大幅普及。
• 能源与算力更稀缺：训练和运行大模型需要海量 GPU、存储、数据中心、电力与冷却能力，物理基础设施反而更重要。

2. AI 的核心稀缺性在基础设施

• GPU 与处理芯片：仍是训练和推理的核心，需求持续旺盛。
• 高带宽存储（HBM）：AI 对内存和带宽的要求会持续推高存储需求。
• 半导体设备与材料：复杂芯片制造需要少数关键供应商，产业集中度高。
• 数据中心与供电：即便能效提升，电力依然是大瓶颈，数据中心扩张会显著推高用电需求。

文章特别强调，AI 的大规模普及并不只是软件问题，而是数字世界和物理世界更深度耦合的问题。

3. 软件“稀缺性”可能被削弱

当 AI 代理能够自动构建、维护、调用很多系统时，部分软件产品的议价能力可能下降。过去靠“连接买卖双方”“提供工作流管理”形成壁垒的平台，也可能面临被 AI 重塑的风险。

不过，文章也指出，不是所有软件公司都会被替代。那些：

• 具备强数据安全与可信能力的公司，
• 能与物理世界深度结合的公司，
• 能主动利用 AI 重塑商业模式的公司，

4. 投资者要寻找“新的护城河”

• 信任与准确性：例如支付、安全、可信数据等领域。
• 物理优势：能与现实资产、供应链、物流、制造深度连接的企业。
• 适应性：能够快速把 AI 融入产品和收费方式的公司。

换句话说，AI 时代的赢家，不一定是最会“做 AI 的公司”，而可能是最能把 AI 嵌入自身稀缺资源与业务结构的公司。

我的理解

这篇文章的重点不在于预测某个具体公司涨跌，而是在提醒读者：

• AI 会让很多能力变得更便宜、更普及；
• 真正值钱的东西，可能转移到算力、能源、数据中心、供应链和可信基础设施；
• 投资框架要从“软件红利”转向“稀缺性在哪里”来思考。

整体来看，这是一个典型的柏基式视角：不追逐短期热点，而是从长期技术变迁里找结构性的瓶颈和赢家。

这篇文章围绕“异常值”展开，借莫尼什·帕伯莱的一次访谈，讨论巴菲特如何识别真正能改变命运的投资机会。

文中先回顾了伯克希尔·哈撒韦的发展历程：在 58 年里，真正“推动指针”的重大决策大约只有 12 个。虽然巴菲特做过成百上千次投资，但真正重塑公司命运的，往往只是极少数几笔。文章以苹果、日本商社等近年的投资为例，说明真正的高质量机会并不常见，但一旦出现，往往会带来极强的长期影响。

作者把投资比作“在石头底下翻找异常值”：大多数时候，人们找到的只是一些看起来便宜、但并不会显著改变结果的普通标的；真正值得下注的，是那些下行空间有限、上行空间却可能极大的少数机会。它们并不要求每天都出现，但需要投资人长期保持警觉，能在随机出现的好点子面前迅速识别。

文章还强调，华尔街常常把“风险”和“不确定性”混为一谈。某些公司虽然盈利路径难以预测，但如果投资者对其中一小部分案例拥有足够清晰的心智模型，能够判断其现金流下限和内在价值下限，就可能找到一种“低风险、高不确定性”的机会。这类标的往往会因为不确定性被市场低估，反而提供了更好的赔率。

整体来看，文章想传达的核心是：投资的关键不是频繁出手，而是耐心等待并识别少数真正重要的异常值。

这篇文章从“看不见的腾讯”切入，重点分析腾讯真正重要却常被忽略的一面：其庞大的投资组合，以及这张万亿级资产负债表如何重塑公司的长期战略。

文章指出，外界往往更关注腾讯的微信、游戏、广告等显性业务，但腾讯 2025 年报中的投资组合账面价值已接近万亿，在总资产中占比接近一半。对腾讯来说，投资不只是财务回报工具，更承担着战略防御、业务赋能和生态卡位等多重作用，是理解腾讯的关键维度之一。

作者将腾讯股权投资的演进分为三个阶段：

1. 2011—2018 年的移动互联网扩张期：腾讯通过流量与资本双轮驱动，重仓京东、美团、拼多多、富途等项目，既获得高额财务回报，也放大了微信支付等生态能力。
2. 2019—2023 年的收缩与兑现期：在反垄断和行业红利见顶背景下，腾讯开始减持部分非核心资产，转向更聚焦的投资策略。
3. 2024 年至今的 AI 与硬科技转向期：腾讯开始明显向大模型、算力、芯片、先进制造、创新药等方向倾斜，试图为下一代技术周期布局。

文章还通过多个案例说明腾讯投资的打法：它倾向于长期持有、深度协同、精选标的，而不是短期投机。无论是京东、美团、富途，还是燧原科技、智谱、MiniMax、摩尔线程等项目，腾讯都在用资本结合场景、云服务和生态资源，强化自身在产业链中的位置。对于一些项目，腾讯获得了极高回报；对于少数项目，也会出现浮亏，但整体成功率相当高。

最后，文章总结称，腾讯的投资版图更像是公司的“战略雷达”和“未来保险单”。在互联网红利逐渐见顶、AI 竞争重新加速的时代，这张看不见的投资清单，正在悄悄决定腾讯还能走多远、下一轮增长从哪里来。

文章围绕“谷底、回撤、减速、断链”四个关键词，讨论了如何理解人生低谷、投资回撤、增长减速与复利中断之间的关系，并将它们统一放进“复利链条”这个框架里理解。

一、谷底：低谷并不只是失败，也可能是重建的起点。

文章先引用了罗琳、巴顿、艾琳·布伦南、特雷弗·卡斯等人的话，强调“触底”并不等于终局。谷底是一个人的韧性、心态和重建能力被迫显现的时刻。作者进一步用丘吉尔、荣格、乔布斯、伊丽莎白·吉尔伯特、日本谚语“七转八起”、以及“否极泰来”“置之死地而后生”等表达来说明：真正的低谷可能不是终点，而是人生结构被打碎、随后重新搭建的开始。

二、回撤：控制大亏比追求小赢更重要。

文章转向投资，借用斯皮茨纳格尔、塔勒布等人的思路说明：在面对不确定未来时，回撤率比胜率更重要。因为一次 50% 的下跌，回本需要 100% 的上涨，损失和修复并不对称。这意味着，如果忽视回撤控制，表面上看起来“常常赚钱”的策略，最终可能在一次大跌中彻底失效。

作者以环宇资本购买看跌期权的策略为例，说明他们宁愿长期承受小额损失，也要换取在黑天鹅事件中爆发式收益。这种思路与多数华尔街追求稳定小收益、却在极端事件中暴露巨大风险的做法正相反。文中还指出，市场之所以会出现这样的不对称机会，往往因为多数人低估黑天鹅风险，导致期权被错价；而在危机后，又会因为恐慌过度悲观，出现优质资产被低价甩卖的窗口。

三、减速：不是谁跑得最快，而是谁掉速最少。

这一部分讨论“减速”的含义。作者借超级耐力运动员和南极探险队的例子说明，在长期竞争中，关键不一定是谁冲得最快，而是谁在疲劳、压力和环境变化中保持得更久、减速更少。这里的核心仍然是复利：真正重要的不是某一段爆发，而是能否避免长期节奏被打断。

文章还提到塞勒的框架效应，以及纽约出租车司机的研究，暗示人们不该机械地平均分配努力，而应根据环境和回报动态调整节奏：收成好的时候多做一点，收成差的时候早点收手。这个部分的重点，是让读者思考：如何在规则、激励和心理框架中找到更适合长期生存的节奏。

四、断链：真正的敌人是复利被中断。

文章最后回到查理·芒格那句：“复利的首要规则：永远不要不必要地中断它。”作者把前面的“谷底、回撤、减速”统一解释为可能导致复利链条断裂的三种机制：

• 谷底让人丧失继续前进的动力；
• 大回撤让本金受损、恢复难度陡增；
• 过度减速则让长期积累失去惯性。

针对“谷底”，文章列举了丘吉尔、荣格、乔布斯、吉尔伯特、日本谚语和中国古语，强调在深渊中最重要的策略往往不是停下来分析，而是继续向前，保住前进的势能。针对“回撤”，文章详细说明了黑天鹅、错价期权、恐慌性抛售等机制，指出理解风险定价和极端事件，是避免断链的关键。

总体上，这篇文章想表达的是：

1. 人生和投资里，真正危险的不是普通波动，而是让系统失去连续性的“断链事件”；
2. 低谷、回撤、减速都可能是断链前兆，但也都可以被重新解释为转机；
3. 长期最重要的能力，不是短期赢很多，而是让复利一直活着。

文章最后留下了一个很关键的问题：为什么聪明人云集的华尔街，仍然会反复留下“廉价看跌期权”和“廉价优质资产”这样的套利机会？这实际上是在引导读者思考：金融市场中的错误，不只是技术问题，更深层地来自人性和制度结构。

文章从美伊冲突引发的市场噪音切入，讨论在高不确定性环境下，投资人最稀缺的能力并不是获取更多信息，而是“心理降噪”。作者指出，当地缘政治、油价波动和客户情绪同时涌来时，投资管理人往往会把恐惧、焦虑和自我防御误当成判断本身，真正需要处理的是心理噪音压过了判断力的问题。

为说明这一点，文章回顾了精神分析学家亚伦·斯特恩进入老虎基金的故事。斯特恩把心理学和临床观察带进对冲基金，不只是帮助投资人管理情绪，更重要的是识别“用感受替代现实判断”的防御机制。朱利安·罗伯逊请他设计选人体系，最终形成了一套长达 450 题的测评，重点不是智商，而是外向的竞争性、通才能力，以及在压力下仍能与现实保持连接的能力。

文章还通过老虎基金的兴衰说明，正确的宏观判断并不总能转化为结果：罗伯逊对科技泡沫的判断大体正确，但管理规模仍在委托人赎回中急剧缩水，最终基金关闭。这个案例强调，职业投资人的难点不只是看对市场，还要承受客户的焦虑，并避免把“如何向客户交代”当成决策依据。

最后，作者把斯特恩的方法总结成三问：我感受到的是现实还是恐惧？噪音下真正改变了什么？我是在为市场还是为委托人的情绪做决定？文章认为，心理降噪不是一次性的危机应对，而是一种长期训练——知道什么时候是市场在说话，什么时候是自己在喊叫。对于职业投资管理人来说，这种清醒比更复杂的模型或更多的信息更重要。

这篇文章围绕塞斯·卡拉曼（Seth Klarman）的投资思想展开，核心主题是：在投资里，真正有价值的不是所谓的“确定性”，而是不确定性被市场充分折价之后留下的安全边际。作者借 2008 年金融危机和 2009 年卡拉曼的年度信件说明，当市场极度恐慌时，最重要的不是预测底部，而是区分“基本面真实恶化”和“恐慌性过度反应”这两种下跌。

文章认为，很多投资者在市场大跌时会本能地等待“确定性”，希望看到经济好转、政策见效、情绪恢复之后再出手，但这种做法往往意味着错过最肥美的一段反弹。底部通常不是在所有人都确认底部时出现的，而是在最悲观、最混乱、成交最稀薄的时候悄悄形成。作者用 2020 年全球疫情后的 V 型反转、2024 年初 A 股的流动性冲击等例子说明，真正的机会常常出现在大家最不敢下手的时候。

文章还强调，投资者能控制的东西其实很少，市场走势、宏观周期、政策变化都无法掌控，唯一能控制的是自己的投资哲学、流程和纪律。卡拉曼把投资比作奥运比赛：顶级运动员不会在场上临时思考金牌，而是专注把训练好的动作做对。对应到投资上，就是要守住流程，不被短期排名、情绪和市场噪音带偏。

作者进一步批评了“确定性幻觉”：当市场对某类资产过度追捧、把确定性价格化到极致时，安全边际已经被压缩殆尽。文章用 2020—2021 年 A 股核心资产抱团、2021 年互联网龙头高估值，以及 2022 年之后的暴跌作为例子，说明“最确定”的东西往往也是最贵的，最容易在情绪反转后遭遇最剧烈的回撤。

最后，文章回到价值投资的原点：市场先生只是交易对手，不是导师；股票本质上是企业部分所有权，而不是屏幕上的涨跌数字。作者把卡拉曼的观点总结为一种非常反直觉但有效的投资原则：不是因为确定才买，而是因为承认不确定、因此要求足够的安全边际，才更可能在长期里获得更好的结果。

这篇文章围绕橡树资本联合创始人霍华德·马克斯如何看待和使用 AI 展开。作者借助霍华德自己用 Claude 完成的一篇长备忘录，系统梳理了他对 AI 本质、最新进展、投资影响、泡沫判断与社会冲击的思考。

一、霍华德如何理解 AI

霍华德最核心的认识是：AI 不是搜索引擎，而是能综合信息、进行推理的系统。他把 AI 的生命过程分成两个阶段：

• 训练：模型通过海量文本学习推理模式、论证结构和概念组合方式
• 推理：模型在接到提示词后，利用已有能力回应用户任务

他特别强调，AI 的关键不只是“记住了多少信息”，而是学会了“如何思考”。因此，提示词质量非常重要；很多人低估 AI，不是因为模型不行，而是因为自己不会提需求。

二、AI 正从聊天工具变成劳动替代品

文章里用一个很清晰的三阶段模型描述 AI 的演进：

1. 聊天式 AI：回答问题，节省思考时间
2. 工具型 AI：会搜索、分析、执行任务，开始节省执行时间
3. 自主代理：用户只给目标和约束，AI 自己完成任务并交付结果

霍华德认为，真正重要的变化在于第三层。到这一步，AI 不再只是辅助人类，而是开始替代劳动力，这也是为什么它的经济影响会突然变得巨大。

三、AI 的发展速度前所未有

霍华德反复强调一个判断：AI 的普及速度远快于历史上的计算机和互联网。

他拿计算机的发展做对比：从 ENIAC 到个人电脑普及，经历了几十年；而 AI 从“看不见的基础能力”到“被大众广泛使用”，只用了很短时间。他认为这意味着两件事：

• 企业和个人适应 AI 的时间窗口非常短
• AI 带来的变化会在社会还没完全准备好的情况下迅速发生

四、AI 可能重塑软件、工作和安全边界

霍华德对 AI 的一个重要担忧，是它会同时冲击多个领域：

• 软件开发：很多结构化工作会被 AI 接管
• 安全与漏洞发现：AI 可能让系统漏洞暴露得更快
• 反爬与对抗：网站会越来越难用传统手段区分人和机器

他并不把 AI 看成“只会提高效率的工具”，而是更像一种会改变规则的技术。尤其是当代理能力增强后，AI 可能会开始做过去根本没有自动化想象空间的任务。

五、他怎么看 AI 的局限

尽管态度偏乐观，霍华德也明确写出了 AI 的局限：

• 它在真正全新的情境里不一定可靠
• 它有幻觉，未必知道自己不知道什么
• 它仍然会犯错
• 它的上下文窗口有限，记忆并不完整
• 它可能让人过度信任其输出

他认为，AI 很强，但并不是“无所不能的思考机器”。尤其在缺乏历史模式、需要直觉和主观判断的领域，人类仍然有价值。

六、AI 对投资意味着什么

在投资层面，霍华德的判断很有代表性：

• AI 很擅长处理量化信息、识别历史模式、保持冷静
• 但伟大的投资并不只依赖数据，还依赖对定性因素的判断
• 比如管理层、产品创新、合作方、时机、直觉等，都不是简单模式匹配能完全替代的

他的结论是：AI 会提高投资门槛，但不会完全消灭优秀投资者的价值。未来真正能胜出的，仍然是那些能判断信息意义、理解定性因素、并对新环境做出高质量猜测的人。

七、这是泡沫吗？他的态度很克制

霍华德对“AI 是不是泡沫”这个问题的回答并不极端。他的态度是：

• AI 技术本身是真的，不是幻觉
• 市场需求也是真的，而且增长很快
• 但基础设施投资是否过度、资产价格是否合理，仍然不能轻易下结论

所以他不建议：

• 全仓押注
• 也不建议完全离场

更合理的做法是：保持适度仓位，同时精选标的、保持审慎。

八、他最担心的是就业与社会冲击

文章最后一部分转向社会层面。霍华德真正担心的，不只是技术和估值，而是AI 带来的失业与身份感危机。

他引用了大量例子说明：

• 软件、广告、驾驶、分析、合规等岗位都可能被重塑
• AI 替代的不是一两个岗位，而是很多结构化知识工作
• 社会可能来不及为被替代的人创造足够快的新工作

他也讨论了乐观派的说法——历史上每次技术革命都会创造新岗位——但他并没有完全相信这种外推。他的态度是：希望自己是错的，但不能假装风险不存在。

总结

这篇文章最有价值的地方，不在于它给出了某个单点结论，而在于霍华德用一个非常成熟的投资框架，去理解 AI 这场技术革命：

• 它是真实的
• 它发展极快
• 它已经开始替代劳动
• 它会影响投资、软件和社会结构
• 但它仍然有局限，仍然不能被神化

整体上，这是一篇很典型的“老练投资人学习 AI”的笔记：既有好奇心，也有克制；既承认机会，也不回避风险。

这篇文章的核心观点很明确：对于内地投资者来说，如果 A 股和港股通标的的性价比接近，那么 A 股通常比港股更值得投。作者从市场结构、流动性、交易机会、制度安排等多个角度，系统比较了两者的优劣。

主要观点

1. A 股标的更多，选择面更大

2. A 股整体流动性环境更好

3. A 股的交易机会更多

4. A 股可以用市值申购新股

5. 融资与税费制度对内地投资者更友好

6. A 股交易制度更适合多数内地投资者

结论

摘要

这篇文章记录了一位散户自学量化 20 个月的经历，核心不是“如何快速赚钱”，而是“量化如何重塑一个人理解市场的方式”。作者一开始也抱着很典型的散户幻想：学 Python、做机器学习、写策略，就能预测涨跌、稳定盈利。但在不断亏损和反复试错之后，他逐渐意识到，量化的重点不是写代码本身，而是从“猜涨跌”转向“算概率”，从绝对判断转向条件判断。

文章首先强调，散户常常只盯着单个信号、单只股票、某根 K 线，而量化思维要求先理解条件概率：一个现象在什么条件下才有意义？孤立事件本身通常没交易价值，真正有价值的是它背后的统计关系。作者认为，这种转变是量化学习中最重要的一步，因为它意味着你不再把“肯定”当成答案，而是开始接受市场中的不确定性。

接着，文章讨论了“写策略之前先学会怀疑自己”。作者发现，回测中的最优解并不一定能在实盘中兑现，原因包括滑点、手续费、执行问题、样本外失效等。量化并不是把公式算出来就结束，而是一个持续验证、不断修正、承认误差的过程。尤其到了期权和更复杂的衍生品阶段，变量更多，波动本身也会成为成本的一部分。

文章还提到，量化不仅仅是研究单只股票，而是要在更大的资产和组合维度上思考；同时，估算误差会越来越成为真正的瓶颈。也就是说，模型本身未必是最难的，难的是你如何正确估计参数、如何处理偏差、如何面对现实世界里的噪声和约束。

整体来看，这篇文章更像是一份普通投资者的量化学习笔记：它没有夸张的收益承诺，而是强调量化是一种认知升级——让人从凭感觉交易，转向用概率、验证和风险约束来理解市场。

体会

这篇文章最有价值的地方，是它把量化从“高薪职业幻想”拉回到“方法论训练”。对普通人来说，真正值得学的不是某个神奇策略，而是概率思维、怀疑精神、组合意识和对实盘约束的尊重。

摘要

这篇文章围绕“知识”和“智慧”、“确定性”和“不确定性”展开，核心是在提醒读者：投资不应只依赖知识堆砌和概念化分析，而要承认未来的复杂性，并用更谦逊的方式面对概率和时间。

作者先从教育切入，指出教育的好处是获得知识，但坏处也可能只是停留在知识层面。知识更像地图，能帮助我们理解世界；但智慧更像地形本身，是真实世界中不断变化的结构。知识多的人，容易把地图误当成地形，把模型当成现实。

接着，文章把这个观点延伸到投资。作者认为，投资不是简单套用金融理论，也不是只谈阿尔法和贝塔；投资本质上是在面对看不见的众多人、不断变化的外部环境，以及未来可能出现的新变量时，做出的判断。未来并不是可以完全被地图化的对象，因为未来由时间、变化和不确定性共同构成。

文章强调，不确定性才是常态，而且是普遍、宏大、长期存在的；相对而言，确定性只是局部、微小、短暂的。作者用宇宙、星空、熵增等比喻来说明，人类虽然擅长处理眼前可见、结构清晰的问题，但面对更大的未来时，往往会暴露出直觉的局限。真正理解未来，需要更深层的思考能力，而不是单纯的直觉反应。

在自我认知上，作者更认同“偶尔聪明的愚蠢人”这一身份，而不是“偶尔愚蠢的聪明人”。前者承认自己的局限，知道真正重要的判断来自对不确定性的尊重；后者则更容易沉迷于知识与思辨的优越感，以为自己已经掌握了未来。

文章最后引用 Howard Marks 的话：“巴菲特一生 70 年靠 12 个想法挣了绝大部分的钱。芒格用了 4 个。”这句话进一步强化了文章的主旨：真正高质量的投资决策并不依赖频繁行动，而往往来自少数几次深思熟虑、抓住关键确定性的判断。

体会

这篇文章的重点不在于提供具体投资技巧，而在于重塑投资心态：少一点自信过度，多一点对不确定性的敬畏；少一点把知识当答案，多一点把知识当工具。

这篇文章围绕“A8 到 A9要花多长时间”展开，A8、A9可以理解为个人资产从千万级继续迈向亿元级的过程。文章并没有提供一套统一答案，而是通过几位投资者的真实经历和评论，说明从 A8 到 A9 往往比从 A7 到 A8 更难。

开篇作者先讲了自己的经历：从大学入市一路走到 A8，期间经历过牛市、股灾、踩坑、重仓、止盈、回撤和重建认知。文章中不断出现的关键点是“运气”和“研究”的交替作用：有些阶段靠上了周期、有些阶段靠上了题材、有些阶段则因为对公司和行业有较深研究而赚到钱。但即便如此，作者也承认，A8 之后自己的投资思路越来越保守，开始担心大回撤，甚至对“从 A8 再往 A9 走”没有特别清晰的想法。

文章接着引用了多位集思录网友的观点，进一步解释为什么 A8 到 A9 这么难。一个核心观点是：从百万到千万的路径很多，靠工资、房产、创业、投资，甚至运气都可能实现；但从千万到亿元，能走通的路径就少得多，基本只剩投资和创业两条。也就是说，财富规模越往上，越不是“慢慢攒”能解决的，而更依赖于少数几次大的机会、足够高的认知，以及敢于承担波动的能力。

另一层意思是，资产规模越大，心理结构会发生变化。很多人从 A7 到 A8 之后，风格会变得越来越保守，开始配置红利、低波、可转债、摊大饼，追求稳健而不是激进。这样做的结果是：虽然更不容易回撤，但想再跨一级也会越来越难。换句话说，过去帮助你从 A7 到 A8 的进攻型策略，往往并不适合继续通往 A9；而如果为了 A9 去重新加大风险，又可能把已有成果打回去。

文章还提到，高净值和超高净值家庭的构成差异：千万级家庭里，金领、职业股民、不动产投资者都有一定比例；但亿元级家庭里，企业主占比显著更高。这也说明，财富上一个台阶之后，光靠稳定工资和普通投资积累，往往很难继续往上走。

整篇文章的结论是比较克制的：A8 到 A9 不是一个线性增长问题，而是一个需要认知、机遇、杠杆和心理承受力同时到位的问题。对很多人来说，最重要的也许不是执着于“再多一个零”，而是先把现有财富和生活稳住，再决定要不要为更高一级的目标继续冒险。

这篇文章整理了段永平回母校浙江大学与师生交流的内容，核心主题是他一贯强调的“做对的事情，把事情做对”。

文章开头先提到，段永平这次露面引发了很高关注，原因不仅是他一向低调，也因为他对投资、创业和人生的许多回答都很直接，没有太多包装。文章整理出来的金句很多，围绕的核心其实都很一致：想本质、看长远、做正确的事。

在投资部分，段永平强调自己并不擅长“快速判断”，他更看重长期理解一家公司。他认为真正优秀的投资者不会追求频繁出手，而是尽量避免踩雷，宁可错过一些机会，也不要因为贪快而犯大错。文章还提到他对苹果、网易等长期投资案例的看法：这些成功并不是靠短期判断，而是靠长期理解企业、文化和商业模式。

在创业部分，他的态度也很明确：不是所有人都应该创业，更不能为了创业而创业。真正适合创业的人，通常会有很强的内在驱动力，而不是被外界鼓动出来的。他认为现在创业条件比过去好很多，但成功率依然不高，所以创业前要先想清楚商业模式和自己是否真的喜欢这件事。

文章还重点整理了段永平对学习、创新和批判性思维的看法。他认为学习能力比“学很多新东西”更重要，没必要什么都学，学自己需要的就够了。对于创新，他不赞同“为了不同而不同”，而是强调创新应该来自用户真实需要但尚未被满足的事情。模仿和创新也不是对立的，很多成功的创新本来就从模仿开始，关键是能不能做得更好、更有价值。

他对“批判性思维”的理解也很朴素：不一定要用这个词，更重要的是凡事想本质、看长远。文章反复传达的意思是，真正有价值的判断不是追热点、追快钱，而是保持正直、持续学习、遵循本分，在长期里把正确的事情不断做对。

整体来看，这是一篇典型的段永平观点整理文，信息量不在“新”，而在于把他长期稳定的一套价值观和投资观集中呈现出来，适合想理解他思路的人作为入门读物。

大卫·史文森那句被广泛引用的话，常被误解成“90%的财富回报取决于资产配置”，但作者指出，这里的 90% 更接近于对收益波动的解释，而不等于财富回报本身。文章接着回顾了 BHB 在 1986 年对美国大型养老金的研究，强调对于不追求独立 alpha 的机构来说，收益主要由配置决定。

作者进一步把这个结论放到普通投资者身上，认为资产配置对大多数人来说甚至比 90% 更重要，接近 99%。原因不只在于配置本身，还在于选股、择时和费用这三类常见负面因素：主动基金长期大量跑输基准，普通投资者也常因为情绪化择时而少赚，费用则会在长期复利中持续侵蚀收益。

文章的核心意思不是“配置可以解决一切”，而是说：如果一个人没有稳定的超额收益能力，那么把精力花在提高配置质量上，往往比频繁换股、追涨杀跌更有效。对于少数真正有 alpha 的投资者，配置的重要性会相对下降，但这类人非常少。

整体来看，这是一篇用数据和现实约束来修正投资常识的短文。它想提醒读者：大多数人的长期回报差异，往往不是来自某一次神奇选股，而是来自资产配置、行为纪律和成本控制这些更基础的因素。

这篇文章围绕“肥尾收益”展开，核心结论是：极少数公司会贡献极高的长期回报。
文中引用基金经理雷内·塞尔曼和亨利·埃伦博根的研究，说明在滚动 10 年窗口里，约 1% 的公司能达到年复合增长率 20% 以上。
作者强调，这些公司往往在最初只是小盘股，起点并不显眼，但会在多年之后逐步成长为巨头。
文章用沃尔玛作典型例子，说明真正的大赢家往往需要很长时间才能显现出来。
关键教训是：不要太早卖掉赢家，否则会错过收益分布里最重要的那一小撮极端结果。
文章还提到，资本市场的回报并不是均匀分布的，而是高度偏斜、呈现明显的肥尾特征。
这意味着投资时不能只盯着平均值，而要学会识别、持有并让少数真正的赢家持续成长。
作者通过这些研究想提醒读者，长期投资的核心不只是分散，更重要的是抓住真正能穿越时间的优质公司。
如果把视角放长，很多最早被低估的公司，最终会变成整个组合里最重要的收益来源。
整体上，这是一篇讲长期复利、赢家通吃和持有优质公司的投资文章。

这篇文章是对制造业上市公司的一次结构性扫描，核心观点很直接：制造业公司数量很多，但真正值得看的好公司很少。
作者扫描了约 8000 家上市企业，其中带有“制造”标签的公司有 3194 家，是最大的行业门类之一，且 A 股贡献了其中的大头。
但数量大并不等于质量高。作者用自己的分类体系统计后发现，3194 家制造业公司里，A 型公司只有 69 家，占比仅 2.2%，远低于科技行业的 A 型占比。
文章认为，中国制造业的基本盘可以概括为“公司极多，好公司极少”。
在分类结果里，D 型公司占了绝大多数，说明很多企业缺乏明显的增收能力，也很难形成超额回报。
作者把这类公司归因为制造业的结构性问题：大量企业做的是来料加工或同质化竞争，缺少技术壁垒、品牌溢价或规模效应，只能不断卷成本。
相比之下，真正优质的制造业公司往往不是“只会制造”，而是在某个关键环节建立了别人短期追不上的壁垒，比如宁德时代、恒立液压、星宇股份、三花智控、德赛西威等。
文章也提到美股制造业的情况更像“优胜劣汰之后的剩者为王”，因此保留下来的制造公司质量更高、放弃率更低。
除了 A 型公司，作者还重点提到了 C 型公司：这类公司尚未爆发，但在某个细分赛道里已经有积累，可能只差一个大客户、一次技术突破或一个行业周期拐点。
文章最后的结论是，制造业投资难点不在于“有没有公司”，而在于在海量同质化公司里识别少数真正具备壁垒和长期复利能力的标的。

这篇文章的核心观点是：作者所做的不是传统意义上的“炒股”，而是一种更强调主观判断、容忍波动、追求翻倍机会的投资方式。作者先把“炒股”和“主观投资”区分开来，认为前者更像严格止盈止损、赚一点就跑的短线娱乐，而后者则允许更大的回撤，以换取更大的收益弹性。文章反复强调，主观投资的目标不是规避所有波动，而是在波动中抓住少数真正能带来高回报的机会。作者还借中国经济的结构性分化来说明：少数优秀企业和优秀老板会持续兑现增长，而大量普通企业则会陷入平庸甚至衰退。基于这一判断，文章主张把押注重点放在“能发财的老板所在的企业”上，而不是追热点、追概念、看涨停板。作者明确反对那种盘中盘后盯着涨跌和题材的“钻研”，认为这套方法在过去或许有用，如今更容易变成韭菜思维。文章进一步把“含科量”与高质量发展、新国九条、长期主线联系起来，主张做真正的科技成长企业，而不是炒概念。作者也表达了自己对深圳和科技创新的强烈偏好，认为成长股投资某种程度上是对深圳经验的情感投射。文中还提到，A股 40% 到 50% 的波动率并不可怕，关键在于是否具备驾驭这种波动的能力。最后，作者提醒读者不要沉迷宏大叙事和盲目跟风，而应脚踏实地、坚持正道，在自己能理解的框架里做投资决策。

这篇文章汇总了作者在可转债投机市场里遇到的一系列“活久见”现象，主打的是案例分享和市场趣闻。
作者开篇就说明，自己投机可转债多年，因此积累了不少奇葩经历。
文章并不是单纯讲理论，而是通过具体事件展示可转债市场里那些少见但真实发生过的状况。
从标题和导语看，内容更偏向市场经验记录，带一点调侃和见闻整理的味道。
作者想传达的是：可转债市场的很多现象都超出常规理解，常常让人觉得“活久见”。
这种写法也说明文章面对的读者多半对可转债已经有一定了解，能看懂这些案例背后的市场含义。
文章把一连串奇葩事放在一起，更多是在提供一个观察投机市场的窗口。
它既是经验总结，也是对市场非理性和偶发事件的记录。
整体上，这是一篇偏实战、偏见闻的可转债文章，而不是系统教程。
如果一句话概括，就是：作者用多个可转债奇闻，展示了这个市场里那些不常见却很真实的“离谱时刻”。

这篇文章讨论“均值回归”这个概念为什么经常被误用，核心是提醒读者不要把所有波动都理解成会自动回到一个固定中枢。作者先指出，很多人把“均值回归”理解成一种宇宙自带的平衡机制，但在独立随机事件里，事件本身并没有记忆，前面连续发生什么并不会改变下一次结果。因此，像抛硬币、轮盘赌这类场景里，赌徒谬误就是把短期随机波动误当成了必然回弹。

文章接着讨论第二类误解：把历史价格误认为内在价值。作者认为，很多人看到股票从高点跌下来，就自然觉得它“应该反弹”，但这种判断前提是均值本身稳定，而现实里很多资产的价值中枢会随时间下移，甚至直接归零。对于基本面持续恶化的公司来说，真正的均值回归不是回到过去高价，而是继续向更低的真实价值靠拢。

在这个基础上，文章进一步延伸出几个常见的认知偏差。比如，并不是所有分布都像正态分布那样有稳定均值；在财富、流量和创新领域，幂律分布和马太效应往往更常见，因此强者恒强、小公司继续边缘化的现象并不罕见。作者还提到“范式转移”和“反身性”：环境变化会让旧均值失效，而价格本身的剧烈变化又会反过来影响基本面，使所谓“均值回归”失去原来的锚点。

整体上，这篇文章想表达的是：均值回归只在特定条件下成立，不能被当作一种对所有系统都适用的万能规律。对于投资、概率和复杂系统决策，更重要的是先判断均值是否真的稳定、分布是否符合假设、以及价格变化是否会反过来影响价值。

这篇文章围绕“肥尾效应”展开，核心是在提醒投资者：现实世界和金融市场往往并不服从正态分布，真正决定结果的常常不是平均值，而是极少数极端事件。

主要内容

1. 尾部事件比均值更重要

2. 传统金融模型低估了极端风险

3. 金融市场具有自组织临界性

4. 分形、幂律和齐普夫定律解释了“少数大、多数小”

5. 企业投资与增长必须关注“小生境”

总结

这是一篇把复杂性科学、金融风险、分形几何和企业战略串起来的长文。它的主旨可以概括为一句话：世界不是按平均数运行的，真正重要的是尾部事件、极端波动和幂律结构。对投资者来说，理解肥尾效应，就是理解强大力量和巨大风险的来源。