，但应用端具备更高的赔率和爆发潜力。”具体来说，他筛选AI应用公司有三个核心标准：与阿里生态的绑定深度，业务场景的刚需性与AI渗透率以及独特的数据壁垒与闭环能力。   在流动性变局中把握节奏   谈及对今年市场的整体看法，吴昊展现出了对宏观变量的敏锐。他认为，在经济增长动能转换的大背景下，科技成长风格会占优，AI应用、算力等方向仍有演绎空间，但关键在于年中前后的拐点。   “若海外主要央行采取先降息后缩表的策略，全球流动性可能回流美债等美元资产，届时依靠估值扩张的科技成长股可能承压。”他表示。   基于此，他在布局上更讲究均衡。一方面，在AI方向上，其重心正从基础设施向应用端倾斜，尤其关注港股市场。“港股市场不相信故事，只认业绩，很多有真实场景的AI应用公司都在港股市场挂牌，估值泡沫相对较小。”他认为。   “主动+量化”捕捉认知差与执行差   吴昊的投资框架带有鲜明的“主动+量化”复合印记。计算机专业出身与早期量化研究的背景，让他深信市场绝大多数阿尔法是未被识别的贝塔；而多年的主动投资实战，又让他格外重视对产业趋势的理解与把握。   “我的方法可以归结为两点：认知差和执行差。”吴昊说，在认知层面，传统的主动基金经理更依赖信息差，但随着市场有效性增强，这种优势在减弱。吴昊摒弃了依赖信息差的传统方式，转而深耕产业趋势和周期位置，更加重视顺势而为，理解产业链变化。例如，理解阿里AI战略从防守转向进攻的质变，就是一种认知差。主动聚焦于那些难以被模型刻画的领域，如公司战略意图、业绩释放节奏、产业链的微妙变化等。   而在执行层面，他借助量化工具克服人性弱点。他表示：“行为金融学告诉我们，投资者买入后总会寻找利好消息来强化信念。量化模型能提供纪律，帮助我们‘冷冰冰’地执行，比如通过监测行业成交量占比与市值占比的对比、历史涨幅分位水平等指标，来判断市场是否过热。”目前，量化在吴昊的决策占比已达六、七成之多。
=*=*=*=*=*=
当前为第2/2页
上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页