识别炒作的 8 个指标：一份可重现的方法论
本文不只适用于 AI 投资，适用于所有技术叙事。每个指标都附带明确的打分规则，让方法论可复用、可验证、可质疑。
本文不只适用于 AI 投资，适用于所有技术叙事。每个指标都附带明确的打分规则，让方法论可复用、可验证、可质疑。
引子：为什么需要一个方法论？
每个时代都有”颠覆一切”的技术叙事：
- 1999 年：互联网将取代实体经济
- 2009 年：太阳能将取代化石燃料
- 2017 年：区块链将取代传统金融
- 2018 年：自动驾驶 5 年内普及
- 2021 年：元宇宙是下一代互联网
- 2024 年：AI 将创造 10 万亿美元价值
这些叙事中：
- 互联网部分实现了（用了 15 年，早期投资者大量被埋）
- 太阳能成本下降但市场份额仍小
- 区块链至今未实现核心命题（去中心化金融 < 1% 全球金融资产）
- 自动驾驶严重落后于承诺
- 元宇宙基本失败
- AI 处于早期，结果未知
问题不在于这些技术是真是假，而在于：
- 投资者很难在事中区分真趋势和炒作
- 即使是真趋势，时间表往往严重错误（互联网真兑现晚了 5-7 年，错位足以让所有早期投资者破产）
- 群体共识未必是真相——2000 年所有人都觉得”互联网是真的”，但具体公司的兑现度差异极大
所以我们需要一个结构化的判断框架：不是为了精确预测未来，而是为了避免最致命的错误。
这套方法论的设计原则
在介绍 8 个指标之前，需要明确几个原则：
1. 指标本身是主观的，但打分应该尽量客观
任何”识别炒作”的方法论都包含主观判断。但每个指标的打分应该有明确的标准，让不同的人对同一个对象打出相近的分数。
2. 不追求精确预测，追求避免错误
这套方法论不告诉你”X 公司股价 12 个月后涨多少”，但它能告诉你”X 公司是否值得严肃投资”。
3. 接受方法论的局限
8 个指标都是历史经验的总结，不能保证下一次泡沫会按同样规则展开。任何方法论都需要持续修正。
4. 区分”识别炒作”和”否定价值”
很多炒作的东西最终也成功了（比如互联网）。识别炒作不是为了判断”这个东西没价值”，而是为了判断”现在这个估值匹配哪个阶段的兑现”。炒作 ≠ 不会成功，炒作 = 时间错配。
关于 Gartner Hype Cycle 的背景
几乎所有重要技术都经历”膨胀峰 → 幻灭低谷 → 启蒙斜坡 → 生产力高原”的曲线，这是 Gartner 提出的经典模型：
判断一个技术处于哪个阶段，比判断技术本身真假更重要。本文的 8 个指标，就是辅助这个判断的工具。
第一部分：8 个识别指标的设计
在逐一展开之前，先看一张总览——这 8 个指标的全貌：
红色边框是权重最高的 5 个指标（对应后文的”4 个核心问题”，因为问题 1 同时对应指标 1 和 8）。如果时间紧张，重点理解这几个就够了。下面我们逐一展开。
指标 1 — 现金流溯源（权重最高）
核心问题：钱从哪里来？
判断逻辑：
- 真实价值的现金流路径是：终端用户 → 应用公司 → 平台公司 → 基础设施
- 炒作的现金流路径是：投资人 / 政府补贴 → 公司 → 资本开支
- 看一个产业，看终端付费起点是否真实存在
打分规则（0-3 分）：
| 分值 | 标准 |
|---|---|
| 3 | 终端付费稳定 + 占总收入 > 80% + 毛利 > 50% |
| 2 | 终端付费稳定 + 占总收入 > 60% |
| 1 | 终端付费存在但占比 < 50%，主要靠融资 |
| 0 | 主要靠政府补贴 / 战略投资 / 关联交易 |
历史依据：
1999-2000 年互联网泡沫：B2B 电商网站融资数十亿美元，但 1999 年美国实际 B2B 电子商务交易额仅 1090 亿美元。估值严重领先于真实付费规模。融资停止后，公司迅速消失。
2021-2022 年元宇宙：Meta、Microsoft 投入数百亿美元，但消费者对元宇宙的真实付费意愿极低。没有终端付费，叙事崩溃。
应用举例：
- AI 编程（Claude Code）：终端用户（开发者 + 企业）付费 > 95%，给 3 分
- 中国 AI 芯片：智算中心建设 / 央企采购 / 政府补贴占很大比例，难以完全剥离，给 1 分
- AI 改造制造业：项目制为主，很多是政府引导基金或国企试点，给 0-1 分
指标 2 — 单位经济模型
核心问题：每多做一单，赚钱还是亏钱？
判断逻辑：
- LTV/CAC > 3 是健康 SaaS 的标准
- 毛利率 > 70% 是软件级别
- 回收期 < 12 个月意味着资本效率高
- 当一个公司不愿展示这些数字，多半是因为单位经济不健康
打分规则（0-3 分）：
| 分值 | 标准 |
|---|---|
| 3 | 公开数据中 LTV/CAC > 3 + 毛利率 > 70% + 公司主动披露 |
| 2 | 公开数据 LTV/CAC > 2 + 毛利率 > 50% |
| 1 | 用 GMV / DAU 等替代指标，回避单位经济讨论 |
| 0 | 单位经济为负（亏钱卖产品），靠融资烧钱 |
历史依据：
Pets.com（2000 年破产）：每件商品销售亏损 25-30 美元，LTV/CAC < 0.5。靠融资烧钱掩盖。9 个月烧光 3 亿美元后破产。
Uber 早期（2014-2018）：每单亏 6-8 美元，但持续融资。最终在 IPO 后才被迫展示真实单位经济，至今盈利能力有限。
警告信号：
公司的标准披露中如果只用以下指标，通常意味着不愿展示单位经济：
- GMV（成交总额）
- DAU / MAU（活跃用户数）
- 注册用户数
- 总下载量
- “用户增长率”（不是付费用户）
真正健康的公司喜欢披露：
- ARR（年化经常性收入）
- LTV/CAC
- 毛利率
- 净留存率（NDR > 110% 是 SaaS 健康标准）
指标 3 — 叙事一致性
核心问题：公司 / 行业的叙事在不同时期是否前后一致？
判断逻辑：
- 真趋势的叙事：从抽象到具体（互联网 → 电商 → B2C 零售 → Amazon Prime）
- 炒作的叙事：从具体到抽象，遇到反驳就换新故事
- 每次旧叙事失败都换新叙事是典型的炒作特征
打分规则（0-3 分）：
| 分值 | 标准 |
|---|---|
| 3 | 5 年内核心叙事一致，每次更新都是细化 |
| 2 | 叙事有调整，但核心命题未变 |
| 1 | 主叙事每 2-3 年换一次，但底层逻辑相同 |
| 0 | 叙事不断变换，每次都是”全新机遇” |
历史依据：
下图直观对比互联网与区块链的叙事演化路径——一图胜千言：
区块链 16 年叙事演化（典型炒作）：
- 2009：比特币（点对点电子货币）
- 2014：以太坊（智能合约平台）
- 2017：ICO（去中心化融资）
- 2020：DeFi（去中心化金融）
- 2021：NFT（数字艺术品）
- 2022：Web3（去中心化互联网）
- 2023：模因币（炒作币）
- 2024：RWA（现实世界资产代币化）
核心命题（颠覆传统金融）从未实现，但每次旧叙事失败都有新叙事接力。
互联网叙事（典型真趋势）：
- 1995：信息高速公路
- 2000：电子商务
- 2005：在线广告 + 搜索
- 2010：社交网络
- 2015：移动互联网
每一步都是上一步的自然延伸 + 商业化深化，而不是”全新概念”。
指标 4 — 时间承诺履约率
核心问题：行业 / 公司过去的承诺兑现了多少？
判断逻辑：
- 单次跳票：可接受（技术行业常见）
- 2 次跳票：警告（开始系统性怀疑）
- 3 次以上跳票：默认是炒作，直到证明否则
打分规则（0-3 分）：
| 分值 | 标准 |
|---|---|
| 3 | 过去 3-5 年承诺基本按时兑现，偶有提前 |
| 2 | 单次跳票 6-12 个月，最终兑现 |
| 1 | 多次跳票，但核心方向兑现 |
| 0 | 持续跳票，承诺与现实严重背离 |
历史依据：
特斯拉自动驾驶（典型连续跳票）：
- 2014 年 Musk：3 年内完全自动驾驶 ✗
- 2016 年：年底跨美国自动驾驶 ✗
- 2017 年：6 个月后 Robotaxi ✗
- 2019 年：明年 100 万辆 Robotaxi ✗
- 2020-2024 年：连续跳票
10 年内 7 次跳票，0 次按时兑现——按指标 4，自动驾驶得 0 分。
mRNA 疫苗（典型超预期兑现）：
- 2010 年：Moderna 等公司承诺 mRNA 平台可行
- 2020 年 1 月：COVID 出现
- 2020 年 3 月：Moderna 完成首批疫苗设计
- 2020 年 12 月：FDA 批准
- 从概念到大规模部署不到 11 个月，远超传统疫苗 5-10 年的开发周期
mRNA 在指标 4 上得 3 分。
应用到 AI：
- AI 模型能力提升：GPT-3 → GPT-4 → GPT-5 → GPT-5.5 基本按 12-18 个月节奏发布，分数较高（2-3 分）
- AI Agent 兑现：2023 年说”今年是 Agent 年”，2024 年又说”今年是 Agent 年”，2025 年再说一遍——重复跳票，分数偏低（1 分）
- AGI：从 1956 年达特茅斯会议至今 70 年，时间表反复推迟，0-1 分
指标 5 — 批评者质量
核心问题：行业最严肃的批评者批评的是细节还是核心？
判断逻辑：
- 真趋势的批评者：批评细节、应用边界、推广速度，但承认核心价值
- 炒作的批评者：批评核心命题、否认基本逻辑
打分规则（0-3 分）：
| 分值 | 标准 |
|---|---|
| 3 | 严肃批评者批评的都是细节，无人否认核心 |
| 2 | 多数批评是细节，少数严肃批评核心命题 |
| 1 | 严肃批评核心命题的人较多 |
| 0 | 多数严肃专家否认核心命题，只有从业者支持 |
历史依据：
对加密货币的批评：
经济学家 Krugman、Roubini、Munger 长期批评核心经济命题：
- “去中心化货币没有经济学基础”
- “比特币是没有底层资产的庞氏骗局”
- “区块链解决方案在寻找问题”
这些批评针对的是核心命题，且批评者都是诺贝尔奖级别 / 沃伦巴菲特合伙人级别。在指标 5 上加密货币得 0-1 分。
对互联网的批评：
1995-2000 年，几乎没有严肃经济学家否认互联网核心价值。批评集中在：
- “互联网公司估值过高”（细节）
- “.com 公司大部分会失败”（细节）
- “推广速度被高估”（细节）
但核心命题（互联网会改变商业）从未被严肃否认。互联网在指标 5 上得 3 分。
对 AI 的严肃批评：
LeCun（Meta 首席 AI 科学家）、Marcus（NYU 教授）、Bender（Stanford）等批评的是实现路径：
- “Transformer 架构有根本性局限”
- “Scaling Laws 会遇到天花板”
- “当前 LLM 不是通向 AGI 的正确路径”
但几乎没有严肃专家否认 AI 创造价值的能力。AI 在指标 5 上得 2-3 分。
这是 AI 与加密货币最根本的差异——AI 的核心命题被广泛接受，加密货币的核心命题被广泛质疑。
指标 6 — 用户留存测试
核心问题：用户用过之后还来吗？
判断逻辑：
- 30 天留存（D30）和 90 天留存（D90）是产品价值的最严格证据
- 如果产品对用户真有价值，他们会持续使用
打分规则（0-3 分）：
| 分值 | D30 留存 | D90 留存 |
|---|---|---|
| 3 | > 50% | > 30% |
| 2 | 30-50% | 15-30% |
| 1 | 15-30% | 5-15% |
| 0 | < 15% | < 5% |
历史依据：
Clubhouse（典型炒作）：
- 巅峰时期 1000 万 MAU（2021 年初）
- 6 个月内 D30 跌至 < 15%
- 2022 年裁员转型，公司价值大幅缩水
TikTok / 抖音（典型真趋势）：
- 持续 5+ 年 D30 > 60%
- D90 > 40%
- 至今仍是用户时间消耗最大的应用之一
应用到 AI 产品：
- ChatGPT：D30 留存约 60%（OpenAI 公开披露），3 分
- Claude：D30 留存约 50%，3 分
- GitHub Copilot 付费用户：年留存 > 80%，3 分
- 大量 AI 工具创业公司：D30 < 25%，0-1 分（信号：活跃用户数远小于注册数）
指标 7 — 投入产出比
核心问题：产业整体投入与真实收入的比例？
判断逻辑：
- 过去成熟产业的健康比例约 1:3 到 1:5（投入:收入）
- 高速成长期可以达到 1:1（投入大但收入快速接力）
- 投入大于收入意味着未来收入需要快速兑现才能消化
打分规则（0-3 分）：
| 分值 | 比例（投入:收入） |
|---|---|
| 3 | < 1:2（健康成熟期） |
| 2 | 1:1 至 1:2（高速成长期） |
| 1 | 2:1 至 5:1（高投入，未兑现） |
| 0 | > 5:1（投入严重领先收入） |
历史依据（与第 1 篇 4.2 节呼应）：
| 时期 | 比例 | 后续 |
|---|---|---|
| 1999-2000 电信泡沫 | 6:1 | 崩溃 |
| 2005-2010 互联网成熟期 | 1:4 | 健康 |
| 2012-2020 移动互联网 | 1:3 | 健康 |
| 2025 AI | 6.9:1 | ? |
| 2026 AI | 10.5:1 | ? |
下图直观对比这些历史时期：
AI 当前在指标 7 上得 0 分，且趋势在恶化。这是当前 AI 投资最大的系统性风险。
但要注意（这是与第 1 篇 4.3 节呼应的反思）：
- 投入方的财务健康度（大厂净现金状态）显著优于 1999 年电信公司
- 终端付费现金流真实存在
- 这意味着即使比例恶化，也未必会像 2001 年那样系统性崩溃
指标 7 给出 0 分不等于”必崩”，而是说”风险信号已经非常强”。
指标 8 — 第三方独立付费意愿（最严苛）
核心问题：完全独立、没有补贴、没有关联方的第三方愿意付费吗？
判断逻辑：
- 政府补贴、关联方采购、战略投资构成的”伪付费”会扭曲单位经济
- 真正的市场验证是独立第三方愿意拿出真金白银
打分规则（0-3 分）：
| 分值 | 标准 |
|---|---|
| 3 | > 80% 收入来自独立第三方付费 |
| 2 | > 60% 收入来自独立第三方 |
| 1 | 30-60% 来自独立第三方，其余靠补贴/关联 |
| 0 | < 30% 独立付费，主要靠政策驱动 |
历史依据：
3D 打印（2013-2014 炒作）：
- 90% 工业 3D 打印机销售给研究机构、大学、政府实验室
- 真正用于工业生产的 < 10%
- 股价暴涨 5-10 倍后跌掉 80-90%
- 在指标 8 上得 0-1 分
应用到中国 AI 芯片产业链：
剔除以下”伪付费”后看真实第三方付费：
- 政府补贴（智算中心建设、AI 产业引导基金）
- 关联方采购（华为系采购海思 / 海光、阿里系采购平头哥）
- 央企采购（三大运营商、国家电网等政策性需求）
- 高校 / 研究院采购
剔除后估算：国产 AI 芯片公司真正第三方付费 < 30%。在指标 8 上得 0-1 分。
应用到美国 AI 大厂：
- NVIDIA、TSMC、Microsoft、Google：客户极度多元，独立付费占绝对多数。3 分。
- OpenAI：消费者订阅 + 企业付费，几乎全部独立。3 分。
第二部分：综合评分卡的应用
2.1 评分汇总规则
每个指标 0-3 分，8 个指标合计 0-24 分。
| 总分 | 等级 | 含义 |
|---|---|---|
| 18-24 | 强烈真趋势 | 已被现金流和单位经济严格验证 |
| 12-17 | 真趋势但有边界 | 真兑现存在，但天花板或时间不确定 |
| 8-11 | 早期 / 部分炒作 | 有真兑现痕迹，但叙事大于现金流 |
| 0-7 | 主要炒作 | 大部分价值依赖叙事而非现金流 |
2.2 重要警告
这套评分有几个不能避免的局限：
1. 主观性：每个指标的打分都需要主观判断。同一个对象，两个分析师可能打出 3 分差距。
2. 历史归纳：基于过去 30 年的技术周期。如果 AI 真的是工业革命级别的变革，历史规律可能不适用。
3. 时点依赖：今天打 12 分的领域，可能 6 个月后变成 18 分（兑现加速）或 8 分（叙事破灭）。评分需要持续更新。
4. 指标权重：本方法论假设 8 个指标等权重，但实际上指标 1（现金流溯源）和指标 8（第三方付费）应该更高权重。读者可以自己调整权重。
2.3 实战示例：4 个领域的评分
下图是 4 个领域的 8 维度评分对比可视化（详细论证见后）：
可以直观看出：AI 编程接近满分（23/24），AI 制造业大部分维度都偏低（10/24）。下面给出每个领域的详细论证。
示例 1：AI 编程（Claude Code、Cursor 等）
| 指标 | 评分 | 论证 |
|---|---|---|
| 1 现金流溯源 | 3 | 95%+ 来自开发者和企业付费 |
| 2 单位经济 | 3 | LTV/CAC > 5（开发者付费意愿强）；毛利 > 75% |
| 3 叙事一致 | 3 | 从 “AI 辅助编程” 到 “AI Agent 编程” 是细化，不是漂移 |
| 4 时间承诺 | 3 | 模型能力提升按预期兑现，工具迭代快 |
| 5 批评者质量 | 3 | 几乎无人否认 AI 编程价值，批评在边界（取代谁、不取代谁） |
| 6 用户留存 | 3 | GitHub Copilot 年留存 > 80% |
| 7 投入产出比 | 2 | 整体行业投入产出比一般，但具体到 AI 编程子领域较好 |
| 8 第三方付费 | 3 | 客户极度多元，无关联交易 |
| 合计 | 23/24 | 强烈真趋势 |
示例 2：AI 改造法律
| 指标 | 评分 | 论证 |
|---|---|---|
| 1 现金流溯源 | 2 | 80%+ 来自律所付费 |
| 2 单位经济 | 2 | 毛利率较好（60-70%）但 LTV/CAC 数据不公开 |
| 3 叙事一致 | 2 | ”AI 替代律师” → “AI 辅助律师” 是合理收敛 |
| 4 时间承诺 | 2 | 推进略慢于预期但未严重跳票 |
| 5 批评者质量 | 1 | 法律专业人士对核心命题（AI 能否做法律判断）有真实质疑 |
| 6 用户留存 | 2 | 律所一旦采购，留存高，但渗透率慢 |
| 7 投入产出比 | 2 | 投入相对克制，产出按节奏来 |
| 8 第三方付费 | 2 | 主要是商业律所，付费独立性强 |
| 合计 | 15/24 | 真趋势但天花板低 |
示例 3：中国 AI 芯片产业链
| 指标 | 评分 | 论证 |
|---|---|---|
| 1 现金流溯源 | 1 | 大量来自智算中心 / 央企采购，独立终端付费占比难以剥离 |
| 2 单位经济 | 2 | 毛利率较好但 LTV/CAC 不可知 |
| 3 叙事一致 | 2 | ”国产替代” 叙事 5 年一致，但具体路径反复变化 |
| 4 时间承诺 | 2 | 性能追赶承诺基本按节奏，但生态承诺多次跳票 |
| 5 批评者质量 | 2 | 严肃质疑集中在 “生态” 而非 “硬件能力” |
| 6 用户留存 | 1 | 政策驱动采购，真实留存数据不公开 |
| 7 投入产出比 | 1 | 国家投入大，市场化收入不成比例 |
| 8 第三方付费 | 1 | 真正独立第三方付费占比可能 < 30% |
| 合计 | 12/24 | 早期 / 部分炒作 / 政策驱动 |
示例 4：AI 改造制造业
| 指标 | 评分 | 论证 |
|---|---|---|
| 1 现金流溯源 | 1 | 大量来自政府引导基金 / 国企试点 |
| 2 单位经济 | 1 | 项目制为主，单位经济概念都难定义 |
| 3 叙事一致 | 1 | ”工业互联网” → “数字化转型” → “AI 工厂” 反复变换 |
| 4 时间承诺 | 1 | ”灯塔工厂” 等承诺多次跳票 |
| 5 批评者质量 | 2 | 严肃工业人士对核心命题有真实质疑 |
| 6 用户留存 | 2 | 单个项目落地后留存高，但渗透极慢 |
| 7 投入产出比 | 1 | 政府投入大，市场化产出不成比例 |
| 8 第三方付费 | 1 | 多为政策驱动 |
| 合计 | 10/24 | 大部分炒作 |
2.4 这些评分意味着什么
重要提醒：评分不直接等于”应该买/卖”。
- AI 编程 23/24 → 强趋势，但 Claude Code 没有上市，相关投资标的（Microsoft 持有 GitHub Copilot、Anthropic 即将 IPO）需要单独估值
- AI 改造法律 15/24 → 真趋势但天花板低，意味着相关公司（Harvey 等）的估值不应该按”千亿美金市场”给
- 中国 AI 芯片 12/24 → 部分炒作，意味着估值应该谨慎，当前 PE 348x（寒武纪）/ 260x（海光）已经反映了”完全真趋势”的预期，安全边际很薄
- AI 改造制造业 10/24 → 大部分炒作，相关概念股不应该在严肃 portfolio 里
第三部分：4 个核心问题（精简版）
如果觉得 8 个指标太复杂，可以浓缩成 4 个核心问题。这 4 个问题对应了 8 个指标中权重最高的 4 个：
问题 1：把所有融资和补贴剥掉，公司能活吗？
对应指标 1（现金流溯源）+ 指标 8（第三方付费）
判断方法：
- 看公司收入构成中”独立第三方付费”占比
- 假设融资环境收紧、政策补贴消失，公司还能继续运营吗？
- 如果答案是”不能”，那么当前估值不可持续
问题 2：这个行业 3 年前的承诺兑现了多少？
对应指标 4（时间承诺）
判断方法：
- 列出该行业 / 公司 3 年前的公开承诺（产品发布时间表、市场目标、技术里程碑）
- 检查实际兑现情况
- 兑现率 > 60% 通常是真趋势的特征
- 兑现率 < 30% 应该高度警惕
问题 3：行业最权威的批评者批评的是细节还是核心命题？
对应指标 5（批评者质量）
判断方法：
- 找到该行业 / 公司最权威的 3-5 位严肃批评者
- 阅读他们近期的批评文章 / 言论
- 判断批评的层级（核心命题 / 路径 / 速度 / 边界）
- 如果严肃批评者否认核心命题，应该认真对待
问题 4：用户用过之后，30 天和 90 天还在用吗？
对应指标 6（用户留存）
判断方法：
- 寻找该产品的 D30 / D90 留存数据
- 如果不公开，看用户活跃数据 / 月度续费率
- 留存差的产品没有真实价值
综合判断规则
4 个问题中 3 个以上指向”炒作” = 强烈警告信号
例如：
- 公司主要靠融资 + 3 年前承诺基本没兑现 + 严肃批评者否认核心 = 几乎肯定是炒作
- 即使第 4 个问题（用户留存）数据好，前面 3 个的负面信号已经足够说明问题
第四部分：方法论的局限
为了诚实，必须列出本方法论的局限：
4.1 历史归纳的局限
这套指标基于过去 30 年的技术周期归纳。如果出现真正的范式转移（如工业革命级变革），历史规律可能失效。
反例思考：1900 年的人用”过去 100 年的经验”判断电力，会得出什么结论？很可能严重低估电力的长期价值。
应对：方法论是”概率工具”而非”绝对真理”。在大趋势上保持开放，但在具体投资上应用方法论防止严重错误。
4.2 时间维度的局限
这套指标判断的是”当前时点的健康度”，无法判断未来的演化。
例如：2010 年的 SpaceX 在指标 7（投入产出比）上得 0 分（投入巨大，收入很少），但 15 年后成为最成功的商业航天公司。
应对：评分应该作为”风险信号”使用，而不是”否决标准”。低分领域需要更高的潜在回报来补偿风险。
4.3 群体智慧的悖论
如果所有人都用这套方法论，那么市场会迅速 price in 高分项目，导致估值过高，反而降低投资回报。
应对：方法论的价值不在于发现”高分公司”（市场也能发现），而在于避免重仓”低分公司”——即使该公司的故事再动听。
4.4 主观性
每个指标的打分都需要分析师的主观判断。两个使用同一方法论的人可能给出不同评分。
应对：评分应该公开论证（而非只给数字），让其他人能质疑、验证、修正。本文实战示例的论证就是这种公开。
第五部分：方法论与具体决策的关系
这套方法论不直接告诉你买什么、不买什么。它告诉你：
- 哪些领域当前估值的”叙事 vs 现金流”不平衡
- 哪些公司主要靠故事支撑估值
- 哪些风险信号已经亮起
具体决策还需要考虑：
- 你的风险承受能力
- 你对每种情景的概率判断
- 你的资金占用周期
- 你能持续追踪信息的能力
例如：
- 评分 23/24 的 AI 编程是真趋势，但相关上市标的可能估值已经反映，超额收益空间未必大
- 评分 12/24 的中国 AI 芯片是”早期 + 部分炒作”，但如果你能买在严重低估时（比如未来某次系统性回调），仍然可能有大幅收益
评分 ≠ 投资建议。它是输入，不是输出。
结语：这套方法论真正的用处
本文不是要你”机械地给每只股票打分”。它的真正用处是：
- 当你听到一个动人的技术故事时，用 4 个核心问题筛一遍，避免最致命的错误
- 当你和朋友 / 卖方分析师讨论时，用 8 个指标作为讨论框架，让对话更结构化
- 当你做配置决策时，用评分校准每个标的的”潜在风险”，调整仓位
- 当你检视自己的判断时，用评分作为”反思镜”，避免过度乐观或过度悲观
最重要的——这套方法论本身也应该被持续质疑和修正。
如果未来 5 年某个评分 8/24 的领域大爆发，那说明方法论需要修正。如果某个评分 22/24 的领域突然崩溃，也是修正的契机。
真正的方法论不是”正确答案”，而是”可被改进的提问方式”。
系列其他文章
本文不构成投资建议。所有评分均为基于公开数据的方法论演示。读者应根据自身判断使用。
评论
登录后发表评论
还没有评论，来留下第一条吧