Loading...
Loading...
美联储加息一次够么？点击小程序查看报告原文
北京时间今天凌晨结束的9月FOMC上，美联储如期加息25bp，将基准利率升至3.75%~4%，是继2023年7月加息周期结束、2024年9月开启降息和2025年9月继续降息三次后，美联储的首次加息。
我们最早在7月FOMC点评中就提出，当前环境和1997年“预防式加息”有类似之处（《如何才能“预防式加息”？》），8月Jackson Hole沃什转鹰后又提示，从维护美联储信誉角度，9月最好加息（《沃什转鹰意味着什么？》、《如果加息会发生什么？》）。
加息后，美元站上100、10年美债小幅走高至5%，黄金微跌，美股科技微跌、传统股票因受利率影响更大跌幅更多，如地产银行。市场整体反应不大，更多在敏感的美元和传统股票上，这与我们在（《如果加息会发生什么？》）中提示一致：短暂的加息或降息更多是提前计入，除非连续加息（三次甚至以上）。市场的问题往往是事前因为害怕加息的影响而回避加息问题不做准备，却又在看到加息无可避免后过度担心加息后的冲击。实际上，我们认为加息不是坏事，不加息也未必是好事。
图表：会议后CME利率期货仍隐含年内再加息1次预期
资料来源：CME，中金公司研究部
那么，走到这一步后，市场关注的焦点在于，美联储加息一次够吗？对市场后续有和影响？我们在本文中将聚焦于此做出分析。
此次加息的特点：高度预期的加息，中性加息
首先，此次加息是一次高度预期的加息：1）CME利率期货隐含的9月加息概率已高达93%；2）5%的10年美债扣掉70bp的期限溢价，余下4.3%的利率预期隐含了至少两次加息；3）主要华尔街投行都预计9月加息。
图表：会议前CME利率期货隐含9月加息概率高达93%
资料来源：CME，中金公司研究部
图表：当前5%的美债利率隐含70bp的期限溢价，余下4.3%的利率预期隐含至少两次加息
资料来源：Bloomberg，中金公司研究部
图表：会议前主要华尔街投行都预计9月加息
资料来源：The Wall Street Journal，Nick Timiraos，中金公司研究部
其次，这是一次整体中性加息：1）加息25bp，完全符合市场预期，沃什表态维持与上次基调一致。8月Jackson Hole沃什转鹰后，8月非农、PPI和CPI又接连超预期，迫使沃什兑现鹰派承诺。对沃什而言，此次加息已是“箭在弦上不得不发”。沃什此次讲话与8月Jackson Hole会议表态基本一致：重点强调当前的通胀水平依然高于目标，且美联储的工作重心仍是价格稳定。
图表：8月非农新增就业16.2万大超预期
资料来源：Haver，中金公司研究部
图表：8月整体CPI符合预期，但核心CPI环比超预期，导致核心CPI同比几乎持平上月
资料来源：Haver，中金公司研究部
2）“点阵图”预计2026年还有一次加息，2027年持平，部分缓解市场对超预期鹰派的担忧。虽然点阵图的参考意义因沃什拒绝给出自己的预测而大打折扣，但依然是一个市场关注的参照。剩余18名委员的利率预测中值显示，2026年利率“中位数”升至4.125%，较6月“点阵图”的中位数3.875%多出一次加息预期，意味年内预期还有一次加息，这个与市场广泛预期的加息两次一致；2027年中位数持平，这少于CME利率期货此前预期的总计4次加息。
图表：点阵图2026年利率中位数4.125%，隐含年内还有1次加息，2027年持平
资料来源：美联储，中金公司研究部
图表：9月会议上美联储上调2026年通胀和增长预测、下调失业率预测
资料来源：美联储，中金公司研究部
美联储加息一次够吗？不存在连续且大幅加息的基础，除非油价失控
在这次已经高度预期的加息之后，美联储是否会连续且大幅加息？从本次会议的表态及当前基本面角度看，不存在连续且大幅加息的基本面基础（三次甚至以上），除非后续油价失控。高利率本身也将逐步传导到金融条件，从而抑制经济增长，这成为阻碍继续大幅加息的“反身性”因素，如当前美国30年抵押贷款利率已经逼近7%。
首先，从本次会议沃什的表态来看，沃什依然回避对未来利率走势做出前瞻指引，在新闻发布会上的基调也是延续Jackson Hole会议上认为美联储工作重心依然是价格稳定的表态，并没有太多超预期的鹰派内容[1]。
其次，从美国自身经济基本面角度，高利率也会对传统需求形成抑制，甚至压制AI投资，阻碍美联储连续加息，形成利率的“反身性”。目前美国经济K型分化，当前利率走高将反过来压制传统需求，从“反身性”角度抑制大幅加息。事实上，美国传统需求已受到高利率的抑制，尤其是利率敏感的地产和投资。8月ISM制造业PMI从7月高点55.6回落至54.6，成屋销售也在高利率抑制下再度回落。作为重要增长引擎的AI，由于龙头ARR的放缓和自由现金流逐步开始转负，对外部融资依赖度也在增加。在需求侧面临瓶颈的背景下，如果融资成本大幅抬升，也将削弱资本开支的意愿，进而影响整体增长。换言之，加息反而导致无法加息太多。
图表：8月美国ISM制造业PMI回落至54.6
资料来源：Haver，中金公司研究部
图表：近期利率的走高推动地产数据再度回落
资料来源：Haver，中金公司研究部
图表：除微软、Meta外的云厂商二季度自由现金流已经转负
资料来源：FactSet，中金公司研究部
图表：当前云厂商19.9%的加权ROIC高于WACC的9%
资料来源：FactSet，中金公司研究部
除非油价大幅失控。我们测算，若油价中枢维持在100美元以上甚至更高，那么CPI将无法继续走低，将给美联储带来更大压力，这也同样会给11月将面临中期选举的特朗普更大压力。我们测算，若油价三四季度中枢降至80美元，CPI同比会在年底回落至3.0%左右。
图表：我们预测若油价中枢不超过100美元，美国CPI同比年底大概率回落
资料来源：Haver，中金公司研究部
加息对市场影响？短暂加息往往是提前计入，市场通常“反着走”
我们此前多次提示，对市场而言，此次加息未必是坏事，而不加息未必是好事。
短暂的预防式加息，在“满足”市场对重塑美联储和美债信任需要的同时，影响更多是提前计入预期，所以市场往往“反着走”，兑现时反而是美债利率的高点和美股的低点，1997年格林斯潘加息一次如此，2024-2025的短暂降息同样也是如此（《如果加息会发生什么？》）。相反，只有持续大幅加息才会通过提高融资成本和收紧金融流动性对实际增长和金融市场造成更长期和大幅的冲击，典型如2022年俄乌冲突后为应对高通胀525bp的加息。因此，对于短暂的加息，扰动反而可以提供更好的买点。
回顾1990年以来历次加息周期的历史经验，加息初期对市场有扰动，但平均0-2个月内市场重拾涨势，预防式加息中影响更小。
我们复盘了1990年以来美联储6次加息周期：1）美债跌幅主要在加息前，预防式加息兑现后美债往往转为上涨，历次加息后美债平均下跌18天后（数据为1990年以来加息后表现中位数，下同）转为上涨，1997年预防式加息后长债利率很快见顶回落，2）美股在加息后会有扰动，但平均2月内反弹，预防式加息后反弹更快，标普平均在加息后59天下跌4.7%后、纳指平均在加息后68天下跌8.1%后重拾涨势，在1997年的预防式加息周期后反弹更快，标普下跌17天、跌幅6.5%后转为上涨，纳指下跌仅8天、跌幅3.8%后反弹。3）黄金同样如此，历次加息后平均82天下跌2.3%后转为上涨。4）美元涨幅更多在加息预期阶段，加息后并不必然大幅上涨，除非2022年那样连续大幅加息。5）AH股在历次加息后涨跌不一，更多受到国内基本面的影响，如1997年美联储预防式加息后，国内经济复苏叠加香港回归预期推动AH市场共同继续上涨。
图表：回顾1990年以来历次加息周期的历史经验，加息初期对市场有扰动，但平均0-2个月内市场重拾涨势，预防式加息中影响更小
资料来源：Bloomberg，中金公司研究部
从各类资产计入的未来一年加息预期来看，利率期货（3.0次）铜（1.6次）美债（1.0次）=美联储点阵图（1.0次）黄金（0.8次）道琼斯（0.1次）标普500（-0.5次）纳斯达克（-1.1次），这意味铜、美债和黄金计入加息预期较多。具体而言：
图表：当前铜、美债和黄金计入较多加息预期，权益市场相对乐观
资料来源：Bloomberg，中金公司研究部
► 美债：先修复期限溢价，长端名义利率或逐步筑顶甚至回落，体现“赔率”和交易机会。当前长债利率已完全计入年内再加息一次的预期，假设美联储年内再加息1次，对应10年美债利率中枢约4.8-5%。美联储此次兑现鹰派承诺也将有助于稳固联储信誉，从而缓解长债期限溢价上行压力。
图表：若美联储年内再加息1次，对应长债中枢4.8~5%
资料来源：Haver，美联储，中金公司研究部
► 美股：并不悲观，短期扰动或提供更好介入机会。我们在6月的年中展望里就进一步上调标普500点位至7800-8000（《“殊途同归”的K型分化》）。市场走到这一点位后的纠结震荡，除利率上行带来的流动性扰动外，更多因为AI需求侧放缓带来的回报不足担忧。整体估值并不贵，随着加息落地，如果AI产业发展有新催化，美股仍有上行空间，短期如果出现较大扰动也可以提供更好买点。
图表：基准情形下，我们年中上调2026年标普点位至7800~8000
资料来源：Bloomberg，中金公司研究部
► 美元：短期受到加息带来的信誉以及利差提振，我们依然预计整体维持震荡格局。短期内，美元仍受到加息带来的美联储信誉以及利差因素提振，叠加美国经济仍具韧性，我们依然预计美元指数维持96~99区间震荡格局。
图表：我们预计到年底美元指数在96~99区间震荡，不至大幅走弱
资料来源：Haver，Bloomberg，中金公司研究部
► 黄金：不加息的空间大于加息，目前更多类似上行空间不确定的看多期权。仅仅基于美债利率和美元的静态测算看，我们测算黄金支撑位在4200-4500美元附近。除非连续加息，黄金的下行压力相对可控，但上行空间也需要更多宏大的叙事。美联储不加息可以给黄金营造出信任丧失和去美元化的宏大叙事，而加息恰恰削弱了这一叙事，所以上行空间不如不加息时大，得等待更多叙事催化。
图表：我们静态测算，当前美元和实际利率支撑的金价大约在4200~4500美元/盎司
资料来源：Wind，中金公司研究部
图表：当金价超过5500美元，面临新旧体系分水岭的对抗，将会面临剧烈波动
资料来源：Haver，IMF，World Gold Council，UCGS，中金公司研究部
[1]https://www.federalreserve.gov/mediacenter/files/FOMCpresconf20260916.pdf
Source
文章来源
本文摘自：2026年9月17日已经发布的《美联储加息一次够么？》
刘刚，CFA 分析员 SAC 执证编号：S0080512030003 SFC CE Ref：AVH867
项心力 分析员 SAC 执证编号：S0080526050001 SFC CE Ref：BXU271
杨萱庭 分析员 SAC 执证编号：S0080524070028 SFC CE Ref：BXS665
郝悦宁 联系人 SAC 执证编号：S0080125070024
放弃百万美金年薪，牛津兄弟想训出「华尔街AI分析师」「自研模型，冲向交易金字塔尖。」
文｜孙小雯 海若镜
编辑｜海若镜
做AI金融模型创业前，子辰已是年薪百万美元的“金领”，凭借在顶级投行练就的交易嗅觉，赚钱对他来说不算难事。
创业的起心动念，源于一场AI交易大赛Alpha Arena。2025年底，DeepSeek、GPT、千问等大模型都下场参赛，也让子辰发现：通用大模型已经进化出一定的独立判断能力。也许未来，他引以为傲的投资决策能力，也能被大模型复现。
与其恐慌，不如下海去搏一搏风浪。他找到正在Meta从事模型研究的方正，两人一拍即合，开启了名为FreeRide的AI创业航程。「暗涌Waves」独家获悉，FreeRide AI近日完成数百万美元种子轮融资，投资方为L2F光源创业者基金。
在还没有Demo时，就拿到融资，关键有两点：一是选择的方向，二是创始团队的履历和潜能。从牛津大学数学系毕业后，子辰先后在伦敦和香港的摩根士丹利、摩根大通、华泰国际等机构工作，从事复杂衍生品交易，曾担任高级交易主管。
方正的履历则更为复合。牛津大学物理系毕业后，他先后在瑞银、Evercore、麦格理资本等机构，处理欧美区域的投行投资业务。因为感知到AI在金融行业的巨大潜力，他又回到剑桥大学攻读计算机科学博士，并参与到Meta、Oracle等大厂的AI模型训练和AI系统的研究。
两人开始探索：大模型已初具决策智能，但要让AI拥有“华尔街交易员”级别的能力，还有多少座山要翻越？
第一座绕不开的是“数据”。文本、代码可以被海量采集，但真正影响金融交易的高质量经验，往往只存在于一线从业者的大脑里。即便能采购诸多类型的数据库，但怎么判断数据价值、权重，进而转化为真实世界里的决策智能，仍有鸿沟。
而且，金融交易数据天然高噪声，现有大模型围绕coding智能体，适配出的长流程模式很难直接迁移。
架构层面，金融交易任务往往依赖极高维度的逻辑分析，很多任务不是定点、单向的求解路径，仅靠常规模型训练方法难以突破，还需要引入专门的系统学习架构。
即便金融专业模型掌握了应有的专业知识与能力，金融市场瞬息万变，只有让AI能够自主学习、自我进化，才可能捕捉到真实市场信号。
这些路障，也让他们理清了技术路线：做AI金融交易大脑，必须自训专业的垂直模型底座，同时做自进化Agent。基于在金融行业沉淀的经验，调整接入通用大模型的参数权重，进化出更有实操经验的LLM底座，先让AI成为有2-4年工龄的初级员工；再通过自进化Agent，让模型能够适应实时多变的金融交易。
自研模型，无疑是昂贵且艰难的。但子辰、方正认为，这是冲上金融“金字塔尖”的必经之路。一旦跑通，垂直模型进入塔尖的华尔街投行和一线基金，参与衍生品定价、复杂投资研究及决策，未来将能辐射更广的金融市场，甚至成为普通人的交易“副驾”。
在他们看来，模型大厂和互联网平台的确拥有更多算力与资源，但却很难偏离当前AI发展主线，聚焦于金融这一细分场景。未来AI系统，或许更像一个交响乐团：通用大模型，与一群专业模型合作，完成复杂任务。
除训练金融专业模型以外，两人在2026年发表论文，初步验证Agent在高噪声、高变化金融领域自进化的可行性。这一“会寻找Alpha的研究员”机制，在沪深300市场中测验，经过1600步进化后，将生成因子的IR中位数从1.6提高到3.9。这个表现不俗，在传统量化领域，IR大于1.0就可称为优秀因子。
技术初验后，接下来FreeRide将从衍生品定价等专业任务切入，做出金融专业人士可用的模型，再拓展到更广泛的金融任务。
以下是「暗涌Waves」与FreeRide联合创始人张子辰、沈方正的对话（经编辑）：
Part01
AI交响乐团：
通用模型带一群垂类
暗涌：通用模型能搭Agent和Harness，为什么还要自己训练底层模型？
子辰：我们还是要用第一性原理去解决智能问题。现在Agent和Harness的架构越来越复杂，但如果你不掌握底层模型权重，上层设计地再精妙，也会面临一些风险，比如通用模型无法满足特定场景的任务质量。
另一方面是，以后机构会有自己的Agent，但这个Agent用哪个模型去驱动？现在的通用大模型不一定适合，我们希望做出一个更适合金融场景的模型，让这些Agent有机会用到FreeRideAI模型。
我们对比过GPT、Claude、DeepSeek、千问、MiniMax和智谱。在衍生品定价这类问题上，它们的确懂很多基础知识，但更像一个很好的实习生。你来投行实习，给出这样的回答，我觉得是OK的；但作为正式员工就不达标，因为你的答案过于肤浅，理论没有结合实际市场经验。
暗涌：投资人怎么看金融垂类模型，担心被通用模型吞掉吗？
子辰：感觉几个月以前，大家还在担心通用模型可以吞噬一切，但最近这一个月开始有变化。
通用大模型有几个限制，包括在专业领域的性能、成本和速度。对于特定专业，模型规模不一定是越大越好，最终形式可能是通用大模型与一系列专业模型合作完成任务。
现在的通用模型，在编程垂类已经做得非常好，但在金融、医疗等专业领域仍需要垂类模型。因为金融领域的一些实操经验，网上搜不到，书里也不会有。一个科技工作者很难复刻垂直领域里的顶尖能力。
方正：与其叫垂类模型，叫专业化模型可能更准确。与通识教育类似，现代AI在早期训练中打下的广泛知识基础，但若想像专业人士一样在特定领域独当一面，必须有高度专精的知识与职场技能培养。
暗涌：怎么确定金融模型该学什么？
方正：如果把模型训练比作“炼丹”的话，首先要知道这个“丹”是给谁吃的、解决什么问题。正因为我们团队在伦敦、纽约、香港等国际金融中心拥有丰富的专业经验，我们知道金融机构和专业人士需要AI模型做什么，就能反过来判断它应该具备什么能力、需要什么样的数据。
暗涌：买大量的商业金融数据库，来训练金融专业模型，是必须的？
子辰：确实需要采购数据库。但真正的经验是两点：第一，找到这些数据；第二，判断它们的价值和权重。同时面对100个数据，哪一个更重要？怎么把这些数据变成对决策有帮助的东西？决策思维链是怎样的？这些经验既往只存在于很小的金融圈，大家不会把它记录并公开出来。
比如期权定价的某一个参数，特定情况下怎么选，互联网语料和文献材料很少。但有一线交易实操经验的团队知道什么对、什么错，现有的数据里哪个权重应该更高、哪个应该更低。
如果只是把数据丢给模型专家，说“我有这些数据，你帮我去训吧”，最后的智能程度会非常低。就像经理让一个初级分析师分析问题，他直接把数据怼过去，那经理肯定会问：“我要你干什么？”
暗涌：只靠小圈子的经验，数据量够么？
子辰：首先，我们团队有能力从真实场景出发，针对需要解决的问题将相应的训练数据量放大。
另外，除了金融圈内的经验，我们还在做一件更有意思的事情，就是创建“模拟经验”的生成机制。它有些像AI斯坦福小镇，可以模拟人类的行为，各个角色在AI世界里交互。我们希望利用已有经验，用AI把数据量做大，去模拟更多有价值的经验。
暗涌：有具体的例子吗？
方正：关键技术细节，现阶段还不太方便透露太多。
但举一个例子，比如论文揭示的STAR机制，该机制处理的原始数据规模很小，而且全是有限、离散且信息与噪声高度浓缩的数值。
即便如此，我们仍然看到其中可以推导出有价值的观察结果，进而在后续阶段指导状态判断与决策行为。虽然应用于自进化和传统的后训练有所不同，但它印证了金融市场中很多信息可以被有效提取，并且作为信号推动AI系统与模型的整体迭代优化。
暗涌：金融领域现有的Benchmark怎么样，你们的垂类模型表现如何？
方正：现在金融领域的Benchmark并不是非常理想。比如去财报里找一些数字，本质上还是信息检索；或者是简单的计算，实质是把通用任务放到金融场景里。
我们也看到近期有一些Benchmark找专业人士标注，例如看一个问题需要从哪些角度思考的评测。但很多做得还比较粗糙，有些不是业内真正会考虑的问题。
子辰：我们不会盲目打榜。金融太大了，一个评测集可能只有小几百个问题。税务、会计、零售金融的问题跟机构金融的问题放在一起，各自覆盖面会比较狭窄。我们会针对性地判断，哪些Benchmark更适合我们。
Part02
自进化Agent：
即时感受市场变化
暗涌：为什么既要训练模型，又要让Agent自进化？
方正：它们是相辅相成的。由于通用模型在金融任务上的能力限制，只做Agent进化仍有效率和效果的瓶颈。与此同时，如果只做模型，那金融市场变化非常快，模型无法实时根据市场动态调整。
如果直接让通用大模型在金融任务上试错和进化，就像把基础能力不错的“高中生”送到华尔街，他成长为国际顶尖机构专业人士的进度，远不及直接引进具备扎实专业知识、高适应力的名校毕业生。训练金融专用模型，就是输出“AI金融名校生”。
我们希望Agent能够持续感知市场的变化，像人一样，慢慢沿着职业阶梯往上走。
暗涌：STAR自进化机制挖掘Alpha，和常见的Alpha挖掘有什么不同？这套机制会怎么用到产品里？
子辰：很不一样。一般大家会规定方向直接找Alpha。但我们的设计是让Agent进化成为一个很会找Alpha的研究员。
STAR加入了一个元认知模块，可以修改研究员的提示词、记忆、工具和研究流程。搜索时，也不只挑当前得分最高的个体，它会优先扩展能产生更强后代的谱系。论文里较少的进化步骤和成本，就将生成的因子使用的算子数量翻了将近7倍。
这些我们没有告诉它，都是它自主进化出来的。
反映到产品里，我们可以让用户定义自己想进化的方向。比如我现在有一个什么样的想法或者策略，你能不能通过STAR这套机制帮我进化，看看多少代之后会变得更好？这个是我们有机会做成“AI研究员”的能力之一。
暗涌：但论文的实验环境很简单，距离真正帮助机构做投资决策还有多远呢？
子辰：STAR这篇论文的核心目标并非优化单个Alpha因子，而是演化一个具备自主提炼能力系统的“Alpha研究员”。作为研究员，它能够综合市场现状、凝练思维框架、历史经验记忆及高阶数学算子工具，协同输出适配策略的量化因子。
这个世界上没有恒定的财富密码。
培养能够整合策略框架、经验与数学工具的研究型Agent，比单纯优化因子更具现实意义，也更契合人类研究员的工作逻辑。模型提出的因子，虽可通过不同样本及回测中的IC、IR和夏普比率等指标进行评估，但要将因子转化为最终的投资决策与收益，仍需历经投资组合构建、风险控制及交易执行等环节——这正是专业金融机构的标准运作流程。
现在机构大部分已经有自己比较成熟的机制，我们刚开始想做的是先融入进去。比如我给你一个好的Factor，你自己还有很多Factor，可以把它加进去做组合构建。
暗涌：怎么判断Agent给出的分析判断够不够专业？
方正：这里可以有很多方法，其中一种是将“高难度验证”转化为“低难度验证”。根据场景不同可以有很多具体实施细节，但其核心目标一致，即通过转换成正确性判定标准，简化整体验证流程。
不过，各种验证方法都无法完全取代行业最顶尖专家的重要性。我们有一个非常大的专家团来支持，他们是华尔街最顶尖的金融机构里的资深从业者，普遍有十几年、二十几年工作经验。
子辰：我举个例子。比如你问它怎么定价一个期权，普通的答案可能是看股票价格、波动率、股票的借款利率和股息率，这些都是教科书上能看到的东西。
但我们希望它能考虑到更多。比如这样的定价方式是否有对行业和同板块的分析，是否考虑到对未来事件的预测、对股票和行业未来资金流的分析等等。如果一个AI模型告诉我期权应该怎么定价，把这几点都说到了，我才觉得它在金融场景中是专业的。
Part03
未来之路
暗涌：FreerideAI首先想服务谁？他们最大的痛点是什么？
子辰：首先当然是希望金融机构和金融专业人士能满意。如果能做到，说明它达到了很高的智能水准。之后可以推广给更多普通人，这也是未来我们也想做的。
目前的问题是，大家根本不放心真的让AI协助投资决策。比如你问DeepSeek，明天该不该抄底？它会跟你说很多，看起来很专业，但有些回答存在AI幻觉，有些回答像教科书只给出概念。在专业的人看来，其实并不可用。
暗涌：现阶段，你们希望模型达到什么水平？什么时候能看到初步产品？
方正：近期要达到外资投行或者顶级对冲基金初级员工的能力，也就是有2到4年工作经验的员工水平。
随着模型训练越来越厉害，进化机制匹配得越来越好，再慢慢提高经验年限。当然，一开始是我们重点训练的场景和专业领域内，之后再逐步扩大事情的边界。
子辰：我们计划Q4推出初步Demo，到时候就可以看到一些特定场景的预演。衍生品定价是其中一个，未来还会逐渐泛化，扩展到二级市场交易、一级市场的投研等等。
暗涌：现在有密集接触投资人吗？什么时候准备启动下一轮融资？
子辰：最近主要在密集做产品研发和模型训练，等下个月Demo出来之后，再开始见一些投资人，准备融下一轮。
排版｜郭栩君
图片来源｜Unsplash
Weekly丨华尔街做了节点，参议院还在数票Weekly丨华尔街做了节点，参议院还在数票
9 月 16 日，Circle 的 Arc 主网上线。创始验证人名单像一张老钱点名册：BlackRock、DTCC、ICE、Visa、Mastercard、渣打、MoneyGram。测试网跑了一年，2.44 亿笔交易，5 月的代币预售把估值定在 $30 亿。给区块链跑节点这件事，现在是华尔街的本职工作。
银行不只是去当验证人。9 月 1 日，Bank of America、Citi、Goldman Sachs、Wells Fargo、UBS、德银等 21 家银行宣布组建稳定币合资企业，股权横跨五大洲：先发美元稳定币，2027 年上半年上市，随后铺欧元等 G7 币种，GENIUS 与 MiCA 双轨合规。一年的研究项目落地成一家公司。Circle 一个季度内第二次被机构联盟狙击。
VC 的钱走的是同一个方向。本周加密融资 $2.92 亿，93% 流向支付和银行基建——拉美汇款平台 Félix 拿 $2 亿，代币化存款网络 Cari 由七家美国银行联合注资，OpenReserve 揣着 OCC 牌照预批融完种子轮。牌照第一次成了种子轮的融资材料。
最讲仪式感的两件事反倒集体跳票。CLARITY 法案 9 月 15 日表决前，通过概率从 58% 跌到 20% 以下，七名民主党参议员卡着伦理条款不放。Anthropic 的公开版 S-1 从"8 月底"滑到"9 月底"，OpenAI 的"9 月挂牌"没了下文。$2 万亿的故事，先过不了自己的时间表。
市场自己找了个新热源。Robinhood Chain 的 DEX 单日交易量 9 月 5 日冲到 $37 亿，单日费用 $375 万，超过 Ethereum 和 Base 之和。两个月前它还是条 meme 链，现在是代币化股票的主交易所。
UNI 90 天涨了 134%，收费开关按下六周，第一个业绩兑现周到了。借贷侧同样在换挡，Morpho 活跃借款 $50 亿创历史新高，逼近 Aave。泼冷水的是 Centrifuge，9 月 2 日的报告说真正接入 DeFi 组合的代币化资产只有 12%。上链的多了，上市场的还是少数。
机器那头在抢位置。Visa 的支付接进 OpenAI，agent 经用户授权在对话里直接下单，Visa 首席产品官把话说满："这场变革比互联网和移动更深刻。"
Anthropic 走的是反方向，开源 Claude Commerce Agents 蓝图，agent 嵌进商户自有 App，支付方式留给商户自选。一个抢入口，一个站商户。同一周 x402 开始被挤水分：累计 1.65 亿笔、6.9 万活跃 agent，约一半交易量疑为测试流量。机器经济的第一次刷量审计。
华尔街已经去当验证人了，参议院还在数票。
关闭
更多
一个27岁的AI研究员从Anthropic辞职了，因为他担心AI会导致人类灭绝。昨天呢，我在X上看到了一条流量已经过了1亿的帖子。
讲道理，我在X上已经很久很久没有见过这种流量的帖子了。
发帖的人叫Jacob Coxon。
刚刚从Anthropic辞职。
他说，过去三年，他先后在OpenAI和Anthropic做大模型预训练。
然后现在，他不干了。
原因也非常离谱。
因为，他觉得OpenAI和Anthropic正在朝着能够自我改进的超级智能一路狂奔。
并且，拿着所有人的生命下赌注。
他甚至说，真正参与制造这些前沿AI的人里面，有不少人私下里真的相信：
如果事情最后失控，人类可能在这个十年结束之前灭绝。
我第一反应其实是：
这哥们谁啊？不会又是哪个营销号吧。。。
然后就验证了一下，发现人确实是真的。
这哥们今年27岁，英国人，数学出身。
2016年和2017年，他连续进入英国国际数学奥林匹克竞赛队伍，后来进入剑桥大学Trinity College学数学。
2021年，他参与过一篇发表在eLife上的医学统计论文，用贝叶斯方法研究结核性脑膜炎患者的基因型和生存率之间的关系。
2023年左右，加入OpenAI，GPT-4o的官方贡献者名单里，就有Jacob Coxon。
到了GPT-4.5，OpenAI更是直接把他列为了核心贡献者。
然后就是今年。
他从OpenAI去了Anthropic，工作依然做最核心的预训练。
但是没干多久，感觉是在不太行了，没办法违背自己的意志，就把工作辞了，然后在X上发了这些警示。
甚至《华尔街日报》还报道他说，以后这哥们甚至想离开AI行业了，再也不干了。
然后这帖子发出来以后，Anthropic的对齐负责人直接站出来支持Jacob了。
他说，小哥是对的，而且10年内发生的概率，大于10%。
还有另外一个Anthropic里面做安全研究的，也站出来以“个人身份”支持Jacob。
而且按照他的观察：
在AI公司里面，职位越高的人，往往反而越担心这个问题。
甚至刚刚离开Anthropic、之前负责可扩展监督的Joe Benton，也说Jacob对整个行业现状的描述，确实是准确的。
当然，这些依然只是他们对于未来风险的判断。
没人知道10%到底对不对。
不过我在看完他们发的内容，还有看完了很多评论以后，突然感觉到了一种荒诞感。
这个荒诞感源于我在11年前看过的一篇文章。
然后直到今天，都印象极其极其深刻，甚至这篇文章，我最近每年还会再去读一遍，常读常新。
这就是2015年1月Tim Urban写的一个长的丧心病狂的文章：
《The AI Revolution》，翻译过来，就是《人工智能革命》。
它分为上下两章，第一章叫：
通往超级智能之路。
第二章叫：
我们的永生，或者灭绝。
我到现在还记得，2015年我作为一个学生，在知乎上读完了这两篇长文的翻译版之后，对于我那幼小的心灵和浅薄的认知所产生的巨大的冲击。
真的被震撼了非常非常非常久。
因为那篇文章最后提出了一个极其简单、极其粗暴、又极其宏大的判断：
如果人类最终真的造出了远超自己的超级智能。
那它只会把人类文明狠狠推向两个方向：
一边是灭绝。
另一边是永生。
没有其他解。
然后昨天，在Jacob发了那个帖子之后，我又把这篇文章翻出来，读了一遍。
我忽然觉得。
我们好像真的站在了那篇文章的时间延长线上。
甚至有一点，一切皆命定的感觉。
Tim Urban当时先讲了一个特别经典的东西。
就是人类这个物种，很难真正理解指数增长。
因为我们的脑子天然喜欢线性推演。
今天比昨天多一点。
明天大概也比今天多一点。
可文明的发展经常完全不是这个样子，这才是很多时候，文明的图景。
站在那个转折点，看起来可能很刺激。
但你得知道，站在时间图上的人，其实根本看不到右边有什么。
所以，这才是站在这里的真实感受：
多么残酷的现实。
Tim Urban也举了一个特别有意思的例子。
假如你穿越回1750年，随便抓一个人，把他带到2015年。
让他看看飞机、高速公路、智能手机、互联网、卫星、核武器、空间站之类的高科技玩意。
这个人可能会觉得自己直接进了仙界，直接就，吓尿了。
可如果1750年这个人，也往前穿越同样的265年。
去1485年抓一个人回来。
那这个时候，1485年的那个人，震撼可能就会小很多。
再往前，为了获得同样的文明落差，可能需要跨越上万年。
Tim Urban给这种足以把古代人脑子干宕机的文明进步，起了一个很好玩的名字：
DPU。
Die Progress Unit。
大概意思就是，“一份足够把古代人震撼死的科技进步”。
以前攒一份，可能要1万年。
后来只需要几百年。
再后来，几十年，然后，越来越快。
2015年我第一次看的时候，感触还不是很深。
直到2026年的今天重新看。
Emmmmmmm。
我们这代人，好像已经开始亲自体验这个东西了。
2022年，ChatGPT出来，大家发现AI居然能像个人一样聊天。
2023年，GPT-4出来，我们发现，原来这叫多模态大模型。
然后，以o1为代表的推理模型。
Claude Code。
Codex。
Agent。
一个接一个。
应接不暇。
到了上周，GPT-6 Astra已经可以像人一样操作电脑，自己打开Blender、Houdini、Unity、Excel，在陌生软件里面找按钮、试错，然后几个小时一直干下去。
更别提学术那边。
5月份，一个OpenAI模型直接推翻了一个研究了80年的Erdős离散几何猜想。
9月4日，Anthropic拿Claude花11天，把费马大定理变成了一个1300万行、可以被计算机逐行检查的形式化证明，这活人类原本估计可能要干十年。
还有最近饱受争议的，OpenAI极限88小时解决的千禧年难题。
这个世界，好像越来越科幻了。
当然，最核心的还是另一件事，也是Jacob最担心的那件事：“自我改进的超级智能”。
2015年。
Tim Urban问：
如果AI有一天开始帮助人类研究更强的AI，会怎么样？
2026年2月。
OpenAI在GPT-5.3 Codex发布的时候说：
这是他们第一个在创造自己的过程中发挥关键作用的模型。
现在几乎稍微强一点的模型，都会在训练阶段有AI的参与。
这种感觉真的非常奇妙。
像是十一年前有人在雾里面，用光射出了一条虚线。
当时大家都不知道那根线会通向哪里。
十一年以后，我们低头一看。
自己，居然真的走在上面。
那篇文章后面还有一个我到今天都记得的东西。
智能阶梯。
Tim Urban说。
人类特别容易低估超级智能。
因为我们习惯把“更聪明”理解成：
普通人、聪明人、天才、爱因斯坦、超级AI之类的区别。
好像大家都在一个很窄的区间里面。
可你换一个参照物。
事情就会突然变得特别恐怖。
比如，黑猩猩和人类。
从整个生物智能尺度上看，黑猩猩和人其实只隔了一点点。
可就这一点点。
一边只会拿树枝捅白蚁窝或者蹭蹭树。
可另一边，发明了微积分、量子力学、互联网等等，甚至，还能飞出地球。
所以如果人类上面，还有一个比我们高一两个认知台阶的东西，那可能已经很难理解了。
可如果再往上呢？
Tim Urban当年写。
一个足够高阶的超级智能看我们。
可能就像我们看蚂蚁。
甚至它想给我们解释一个最简单的概念，我们都未必有理解那个概念所需要的认知结构。
这也是为什么那篇文章最后一定会走到：
Intelligence Explosion。
智能爆炸。
假如有一天，AI真的达到顶级AI研究员的水平，那它最有价值的工作之一。
很自然就是：
继续研究AI，帮助人类把下一代模型做得更聪明。
下一代更聪明以后，又更擅长研究下一代。
于是。
智能变强。
制造更强智能的能力也一起变强。
然后形成一个正反馈。
这东西2015年看起来。
真的很科幻。
可2026年的我已经没法像十年前那样，纯粹把它当科幻看了。
因为在各个模型厂子里，最原始的反馈回路，已经形成了。
当然，今天离真正意义上的递归自我改进还很远。
GPT-6不会自己造出GPT-7，然后GPT-7半夜醒过来，再自己训练GPT-8。
但那条逻辑链最早的几环，已经可以看见了。
于是我就会产生一种很奇怪的宿命感。
好像只要人类真的把“智能”这颗种子种出来，后面的事情就天然拥有一种巨大的惯性。
更聪明的AI，可以创造更大的经济价值。
更大的经济价值，吸引更多资本。
更多资本，买更多GPU。
更多的GPU，训练更强的AI。
更强的AI，又开始反过来帮助人类制造更强的AI。
公司之间还在竞争。
国家之间也还在竞争。
你不做，那别人也在做。
你不往前，那没办法，别人往前，你跑不跑。
最后整个文明像一条越来越陡的河。
所有人都知道水流越来越快。
可没有任何一个人或者一个群体，能真的握着整个世界的航向。
而Tim Urban那篇文章真正让我记了十一年的。
就是那个水流尽头的画面。
他引用Nick Bostrom的概念。
说，地球历史上出现过无数物种，然后，几乎全部消失了。
灭绝好像就是一种吸引子状态，一旦掉进去，你就再也回不来了。
可超级智能可能第一次给生命打开另一种吸引子。
Species Immortality。
物种永生。
Tim Urban画了一根平衡木。
人类一直走在上面，你只要一直走，那一定某一天。
小行星、瘟疫、战争、某种我们自己创造的技术等等。
就可能把我们撞下这个平衡木。
而超级智能出现以后。
我们可能就经历最狠的一次撞击。
一边，是所有物种最终都熟悉的终点。
灭绝。
另一边。
却是地球生命从来没有抵达过的地方。
永生。
这就是2015年那篇文章我觉得至今最迷人的地方。
它把所有关于人工智能的问题，几乎都压缩到了文明尺度。
我们今天天天讨论。
AI会不会抢程序员工作。
设计师怎么办。
那个公司可能会赢等等等等。
但是如果时间拉到足够长以后，AI这个人类最大的赌局，究竟能不能让我们这个物种，第一次，让生命摆脱死亡这个终极规则。
但如果赌输了，那只有一个结局。
灭绝，甚至是，加速灭绝。
所以看到这，你就可能理解，为什么开头，Jacob Coxon在研究了这么久AI以后，会辞职，会在X上，发出这样的帖子。
当然，我也能理解。
为什么还有那么多人明明担心，却依然选择留在实验室里面继续研究。
因为这东西的另一面，真的太诱人了。
AI今天已经开始参与数学发现。
开始进入药物研发、开始分析人类基因组、开始暴力研究新材料、开始操作实验和软件，开始加速人类世界的一切。
如果这条曲线继续往前。
再给它3年、5年。
会发生什么？
我不知道。
也可能没有人知道。
但我有时候会觉得，人类造AI这件事。
甚至已经慢慢超出了一个普通技术产品的范畴。
它很像一个物种，第一次试图制造一个比自己更聪明的东西。
这到底是人类文明最伟大的一步。
还是我们从罐子里抽出的那颗人类最后的黑球。
我不知道。
我只是这个时代里，一叶随波逐流的小舟。
我每天都用着AI，感受着AI带给我的便利，觉得AI实在是太好玩了。
然后偶尔，像昨天这样，重新翻开一篇十一年前的文章。
才会突然从每天鸡毛蒜皮的Benchmark、Token、Agent里面抬起头。
看一眼这条河到底流向哪里。
这个问题太大了。
但如果让我选。
我当然希望Tim Urban那根平衡木。
最后把我们撞向另外一边。
我希望癌症有真的消失的那一天。
希望衰老成为一种可以治疗的疾病。
希望我喜欢的人不用离开。
希望人类可以长命千岁。
希望我们走出太阳系奔赴那遥远的半人马星系。
希望某一天。
今天那些关于AI毁灭人类的文章。
都变成历史上的杞人忧天。
如果最后。
AI真的能帮助人类，跨过那根几百万年来，没有任何物种能跨过去的平衡木。
让生命第一次摆脱疾病、衰老、随机灾难和死亡的束缚。
那它就一定会成为整个人类历史上。
最伟大的事情。
没有之一。
你们串通好了？1.
孙割是地球上玩流量前三的人，第一是川子，第二是马斯克，第三是孙割。
孙哥的这篇小作文明显是刻意用了普通人能看得懂的词汇，而且以短句为主，这样更能增加传播力度。
你以为孙哥是亏了3000万吗？孙哥只是拿3000万买了个全网最爆的热搜而已，这不比去年600万美金买根香蕉划算？这不比和巴菲特这老登吃顿饭划算? 要知道孙哥和巴菲特吃顿饭都可以放四五次鸽子。
2.
沃什今天在全球央行年会上的讲话，其实重点就一句话：控制通胀是美联储的职责，态度偏鹰。
我感觉沃什其实就是在说一件事：美联储依然会保持政策的独立性，不是川家私产。
市场给出的回应非常直接：9月加息概率上升了15% 来到了55% 。
现在美债的反应最有意思，30年期收益率下跌，10年期拉锯，2年期上涨。
说明加息被计价的同时，30年长债长债用上涨投了赞成票。此前华尔街的代表德鲁肯米勒出来讲话就是想表达这个观点。
这样贝森特之前说的要让长债回购规模翻倍，子弹还没实际打出来30年美债收益率就已经下来了，等于市场端验证了真加息不会引爆债市，这样9月就可以大胆的加了。
也从侧面证明了贝森特跟沃什是在打默契牌，美元是美国甚至是全世界最重要的商品，无论是美联储还是财政部都不可能，眼睁睁的看着美元信用毁在自己手里。
那具体什么时候加息呢？美联储一般会在市场预期加息概率达到70%的时候加。现在是55%，还有20%的空间。
接下来还有：9月4日：8月非农；9月10日：8月PPI ；9月11日：8月CPI ；9月15—16日：FOMC。
密切关注这些时间点就行了，正常来说加息概率会一点点推高，到了70%的时候，落地。
那么如果长债收益率见顶，像黄金、比特币之类的肯定是利空了，这里会有很大的机会。
加密原住民跳过华尔街的收盘钟，bStocks 如何让美股进入 24 小时市场？撰文：ChandlerZ，Foresight News
当股票代币的发行技术逐步成熟，市场开始意识到难点集中在发行之后，代币需要持续报价、足够深的流动性，还要有一条回到真实资产的转换通道。早期代币化股票经常停留在资产映射层面，链上有代币，交易仍围绕华尔街的营业时间运转。一旦底层市场收盘，做市深度和价格锚点都会变弱。
2026 年 7 月，这个市场第一次进入百亿美元月成交区间。根据币安研究院的统计，代币化股票成交额达到 182 亿美元，是 6 月的 4.4 倍，也超过此前六个月的总和。其中，DEX 成交 128 亿美元，CEX 成交 54 亿美元。交易更多地发生在链上钱包和智能合约中，代币化股票开始形成独立于传统券商账户的流通网络。
7 月代币化股票成交额约为 SPY 同期成交额的 2.3%，6 月时这一比例为 0.4%。一个月里这个比例扩大近 5.8 倍，表明着加密平台和链上市场正在承接更多美股交易需求。
币安的 bStocks 是这一轮增长中最活跃的产品之一，bStocks 在 6 月 11 日上线，8 月 23 日累计成交额达到 104 亿美元，其中超过 7 成 % 来自链上市场。仅在 7 月，bStocks 的 DEX 成交额便达到 74 亿美元，占当月代币化股票 DEX 成交总额的 85%。币安研究院还测算，bStocks 市值在 7 月 29 日超过 5 亿美元，约占全球代币化股票市值的 27%。
bStocks 在全球代币化股票市值中的份额由 6 月的 10% 升至 7 月的 27%
来源：币安研究院《Stock Price Discovery Moves On-Chain》
到 8 月 3 日，Token Terminal 统计的 bStocks 资产价值达到约 6.24 亿美元，超过 xStocks 的约 5.79 亿美元，在该平台跟踪的代币化股票发行项目中升至第二，仅次于 Ondo Finance。上线不到两个月，bStocks 已经获得数亿美元资产支撑和数十亿美元成交。
bStocks 由注册在阿布扎比全球市场（ADGM）的 BTech Holdings Limited 发行。它的法律形式是代表相关金融工具的凭证，持有人获得对应美股或 ETF 的经济敞口，不会直接登记为上市公司股东。发行时，特殊目的载体通过受监管的经纪与托管安排持有底层股票，再按照 1 比 1 关系铸造 BNB Smart Chain 上的 BEP-20 代币。产品文件称，底层资产实行隔离保管和每日核对，链上同时发布储备证明；分红、拆股等公司行动通过数量调整机制传导到代币。
符合资格的币安用户可以持有传统股票头寸，再将支持的股票按 1 比 1 比例转换成 bStocks，也可以直接在现货市场交易 bStocks。代币提取到 BNB Smart Chain 后，可以进入自托管钱包、DEX 及支持的 DeFi 协议。转换受适用地区和用户资格限制，链上转移会产生网络费用。一份美股敞口由此可以在传统股票账户、币安订单簿和链上钱包之间流转。
当华尔街休市，bStocks 提前反映 92% 的周一开盘价差
美东时间周五收盘以后，公司公告、地缘政治和宏观政策仍在变化，传统正股的主要流动性随美国交易时段结束而收缩，周末更会停止交易。新信息只能等到周一开盘集中释放，开盘价相对周五收盘价由此出现跳空。过去，这段时间里的市场判断主要停留在新闻、研究和场外报价中，普通投资者缺少可以直接成交的价格。
数据显示，2026 年 7 月，币安上的 bStocks 成交中有 62% 发生在美股闭市期间。从 6 月 11 日上线至 7 月 28 日，闭市时段累计成交达到 15 亿美元。仅 7 月 28 日的一周，链上 bStocks 成交的 92%、币安成交的 59% 出现在美股闭市时段。
bStocks 链上与币安分时成交分布
来源：Dune、币安研究院《Stock Price Discovery Moves On-Chain》
币安上的交易集中在美股盘前和开盘前后，链上成交则从美东时间 20 时开始进入高峰，并在亚洲交易时段保持活跃。对中国香港、新加坡等亚洲市场的用户而言，美股风险敞口由深夜交易变成了白天也能处理的资产。
6 月 14 日至 8 月 2 日，币安在 bStocks、xStocks 和 Ondo Global Markets 三家平台合计成交中的占比，美国市场开盘时平均为 69%，闭市时段升至 82%，周末达到 94.4%。代币转换完成后，bStocks 可以直接在币安订单簿和 BNB Smart Chain 上交易。转换机制会随需求增减代币供应，纳斯达克闭市时，订单簿和链上合约仍能继续撮合成交。
在支持转换的时段，传统股票头寸可以按 1 比 1 比例变成 bStocks，为代币市场补充供应；bStocks 也能沿着反向路径回到股票头寸。订单簿出现溢价或折价后，资产转换会把交易需求传导到代币数量，周末的流动性因此可以随着价差调整。
同一组数据中，Ondo 在美国市场开盘时占三家平台成交的 27%，闭市时段降至 15.2%，周末进一步降至 3.7%。币安的份额沿着相反方向上升。越远离华尔街的营业时间，能够独立提供订单簿和链上流动性的产品越容易集中成交。
截至 7 月 28 日，bStocks 已经经历七个完整周末，其价格提前反映后续周一开盘跳空幅度的中位数达到 92%，开盘时的平均剩余偏差只有 0.19%。
七个周末中，bStocks 周末价格提前反映周一开盘价差的平均值和中位数
来源：币安研究院《Stock Price Discovery Moves On-Chain》
正股跳空低于 0.5% 时，bStocks 判断方向的准确率为 81%；跳空在 0.5% 至 1% 之间，准确率升至 90%；跳空在 1% 至 3% 之间，准确率达到 97%。跳空超过 3% 的 41 次观测全部方向一致，bStocks 提前反映的幅度中位数为 99.6%。变动越大，周末价格提供的信号越清晰。
也就是说，华尔街闭市后，bStocks 先通过真实订单消化新信息。而在正股恢复交易时，开盘价再沿着 bStocks 已经走过的方向补上差距。消息对股价的冲击越大，周末成交形成的方向越清晰。
价差出现后，谁把两个市场重新拉近
如果 bStocks 在周末上涨，正股到周一仍停留在周五收盘价，两边会暂时出现价差。但 bStocks 与币安传统股票头寸之间支持 1 比 1 双向转换，这条通道让价差可以通过真实交易收窄。
美股开盘后，交易者可以同时观察正股和 bStocks。当两者出现偏离，反向交易会增加高价一侧的供给，并提高低价一侧的需求。符合资格的用户还能在币安站内转换股票头寸和 bStocks，使交易结果传导到代币供应。价差扩大吸引更多交易，新增供给和需求又推动价差收窄，这个循环把链上价格和传统市场重新连在一起。
假设某只正股周五收于 100 美元，周末公司发布利好后，对应 bStocks 升至 103 美元。周一正股恢复交易时，bStocks 已经给出了新的价格参考；正股开盘向 103 美元靠近，两边价差随之缩小。若开盘后仍有偏离，反向成交和资产转换会继续调整供需。七个周末中观察到的 92%，正是这段周末价格变化在周一开盘前已经完成的部分。
截至 7 月 31 日，共有 4777 个用户账户在较短时间内对 bStocks 与对应传统股票进行方向相反的交易，相关配对成交接近 12.5 亿美元。
其中，4076 名用户只完成过一次匹配，合计成交约 1000 万美元，中位匹配间隔不到 1 分钟。另有 518 名系统性参与者持续重复这类交易，贡献约 12.3 亿美元，占全部匹配成交的 98.8%，中位执行间隔为 2 分钟。他们合计取得约 170 万美元价差毛收益。
由于 Binance 是目前几乎唯一支持普通用户随时币股转换的交易所，这将原来只属于机构的低风险套利机会开放给所有普通用户，大额价格校正则由具备系统化能力的一小批账户完成，这样的新结构性用户变化趋势值得关注。
bStocks 与币安传统股票之间的套利式匹配成交量在 7 月底快速上升，累计接近 12.5 亿美元
来源：币安研究院《Monthly Market Insights，August 2026》
在传统 ETF 一级市场，授权参与者（Authorized Participant，AP）负责连接基金份额和底层证券，只有获得基金授权的 AP 可以直接使用创设与赎回机制，AP 与做市商属于两个不同角色，部分机构会同时承担两种职能。普通投资者可以买卖 ETF 份额，却无法直接向基金交付一篮子股票并换取新份额。
bStock 和币安是唯一一个提供了站内套利通道的平台，在把传统股票交易和 bStocks 转换放进同一账户后，符合资格的普通用户也能接触到类似的价差校正过程，用户无须获得 AP 资格，可以在支持的股票头寸和 bStocks 之间完成 1 比 1 转换，转换费为零，处理速度接近即时。产品界面降低了账户、系统和操作流程的门槛，套利机会因而从机构主导的后台流程进入普通用户能够触达的交易入口。
bStocks 转换成链上代币后，还能在 BNB Smart Chain 的 DEX 和 DeFi 协议中流转，周末形成的价格在币安和链上持续交易，美股开盘后，跨市场交易再推动价差收敛。同一项资产由此接通了中心化订单簿、底层股票和链上市场。
成交渗透率六周扩大 30 倍，四分之三 Gen Z 账户在净买入
到 7 月 28 日，币安和链上市场的 bStocks 合计成交量，相当于对应正股及 ETF 成交量的 0.3%。六周前，这一比例只有 0.01%，此后扩大约 30 倍。尽管仍远低于正股的量，但若考虑进所有代币化股票的成交量，与美股最大 ETF SPY 做比较的话已经占比达到 2.3%，显示代币化股票市场正在从边缘走向全球资本市场的中心舞台。
此外，币安研究院在 8 月发布的 Gen Z 研究显示，在 Gen Z bStocks 账户中，6% 从未卖出，76% 处于净积累状态，后者比 Millennials 高 9 个百分点。Gen Z 平均每月交易 bStocks 3 次，同一群体在传统股票上的月均交易次数为 8 次，在 TradFi 永续合约上为 13 次。只买不卖的 bStocks 账户平均每月交易 1.63 次，典型账户为 3.45 次，高频账户在前者中的占比只有 0.1%。
不同年龄群体中，累计买入量高于卖出量的账户比例；Gen Z 在 bStocks 中的比例为 76%。
来源：Binance Research《Gen Z Perspective Rewrite》
每月 3 次的交易频率，加上超过四分之三账户处于净积累状态，使 bStocks 更接近一项持有和增配工具。短线交易仍然存在，但没有主导 Gen Z 用户的账户行为。
同一研究中，Gen Z 传统股票账户只买不卖的比例为 22%，bStocks 为 6%，TradFi 永续合约为 1%。不同产品之间的差距与持有周期相呼应。股票敞口可以持续积累，永续合约通常包含更频繁的开仓和平仓，bStocks 的账户行为更接近现货持有。
8 月初，ETF 已占 Gen Z 传统股票成交额的 25%，6 月时为 14.6%；Millennials 同期的比例为 9.5%。无杠杆 ETF 获得的 Gen Z 股票净流入占比也从 6 月的 18.5% 升至 7 月的 21.9%。这些账户的换手频率更低，杠杆使用也更克制，一部分资金开始流向分散配置工具。
小结
币安账户内的股票和 bStocks 可以相互转换，闭市期间仍能成交，资产提取到链上后，又可以进入钱包和 DeFi。年轻用户可以在同一账户中长期持有 bStocks，也能在美股闭市后调整头寸，提取后的资产则继续在链上流转。美股休市后的价格信号，正在获得交易和资金的共同支撑。
正股开盘时，传统市场仍是主要定价中心，收盘钟响起后，bStocks 让美股敞口继续报价、成交和流转。华尔街仍决定股票在哪里上市和清算，但加密市场开始决定它一天可以交易多久。
工具平权时代，散户正在用上华尔街的执行方式和复杂工具撰文：ChandlerZ，Foresight News
在机构交易台，「买入」只给出了方向，距离一条完整的交易指令还差执行时长、可见数量、市场参与率和价格限制。交易员需要据此决定订单分多久完成、每次显示多少、成交活跃时跟进多少，以及怎样降低大额交易对市场价格的冲击。处理这些问题的 TWAP、Iceberg 和 POV，过去通常依附于订单管理系统、经纪商算法和专门的交易接口。
TWAP 的执行时长、Iceberg 的显示数量和 POV 的市场参与率都可以写成参数，这给了 CEX 批量提供工具的条件。交易所同时连接用户账户、实时行情和撮合系统，建成执行引擎后，同一套软件便能服务大量账户。机构系统里的算法由此进入普通用户的下单页面，技术接入和系统采购成本也被分摊到整个平台。
同一时期，DEX 的聚合器开始拆分交易路径，部分协议提供限价单和自动化接口，链上衍生品平台也允许用户借助程序运行交易机器人。CEX 更容易把复杂订单封装进统一界面，DEX 则保留链上可验证和自托管的特点，同时需要处理 Gas、钱包授权、流动性分散和程序接入。两条路径最终指向专业执行工具正在离开少数机构的专用系统。
Bybit 如何把七种工具放进一套执行流程
Bybit 交易页面上的 TWAP、Iceberg、POV、追逐限价单（Chase Limit）、分段订单（Scaled Order）、套利下单（Arbitrage）和 Webhook 信号交易组成七种工具，覆盖时间、可见数量、流动性、价格和外部信号。
一笔大额委托直接进入盘口，容易迅速消耗附近流动性，TWAP 因此按照预设时长和频率把订单拆成连续的小额委托。Bybit 允许用户继续设置触发价、停止价，以及市价或限价执行。成交被摊到一段时间后，一次性冲击可能下降；如果市场在执行期内持续单边波动，后续子单也可能以更差的价格成交。
当交易者希望隐藏完整订单规模时，Iceberg 每次只向市场展示其中一个子单，当前子单完成后再提交下一笔。Bybit 提供四种下单偏好，让用户根据成交速度、Maker 身份和追价范围选择委托方式，盘口上的单笔数量因而不再等同于交易者的完整意图。
与按照固定时间推进的 TWAP 相比，POV 先读取市场能够承接多少订单。用户设置参与率后，系统根据实时成交量或盘口深度调整子单规模。Bybit 将参考对象分为已成交量、对手盘流动性和同侧盘口流动性三种模式，市场活跃时加快执行，深度收缩时相应放慢。
限价单进入盘口后，如果最优买卖价不断移动，Chase Limit 会跟随价格调整委托，减少手动撤单和重新挂单。用户可以设置追价方式、最大偏离和触发价，系统默认通过 Post-only 尽量保持 Maker 身份。需要在一个价格区间分散建仓或退出时，Scaled Order 可以批量挂单，并提供均匀、递增、递减和自定义四种分布方式。
面对资金费率或不同市场之间的价差，Arbitrage 把两侧订单放进同一流程，帮助用户协调现货、永续合约等头寸的建立与退出。双腿交易的操作得到简化，两侧成交时间、手续费和价差变化仍会影响最终结果。策略产生于 Bybit 之外时，Webhook 可以接收 TradingView 信号，再按照预设条件执行永续合约或期货订单，用户无需另外搭建中间程序便能把指标和策略条件接到真实账户。
把上述功能放进同一矩阵，工具数量为 Bybit 7 种、Gate.io 5 种、OKX 4 种、Binance 3 种、Bitget 2 种。数量之外，三种 POV 模式、四种 Iceberg 偏好、四种 Scaled Order 分布，以及 Chase Limit 的追价限制，也让 Bybit 用户可以针对不同流动性和价格状态调整执行方式。
工具进入交易页面后，AI 又降低了学习指标、整理规则和编写基础策略的难度，TradingView 与 Webhook 则把策略信号接到了真实交易账户。普通用户可以先理解一种策略，再让它持续执行。随着用户开始比较一笔订单怎样成交、是否需要手动盯盘、策略信号能否直接落到账户，交易所之间的竞争也进入工具数量、参数深度和执行效率。
POV 让散户开始按照流动性下单
TWAP 的执行进度由时间决定，POV 的速度则取决于市场当下能够承接多少订单。用户设置参与率后，系统根据实时成交量或盘口深度计算每次提交的子单，市场活跃时加快执行，深度变薄时自动放慢，从而避免订单速度与市场承载能力完全脱节。
此外，机构处理大额方向性交易时，经常按照流动性变化调整订单速度。Bybit 将成交量、对手盘深度和同侧盘口深度做成三种可选模式后，普通用户无需自行开发算法，也能决定一笔订单以何种方式参与市场。
如果参与率设置过高，POV 仍可能增加冲击成本；观察窗口或流动性模式选择不当，也会改变成交速度和滑点。散户由此获得了与机构同类的执行逻辑，参数如何设置仍取决于交易规模、市场状态和风险承受能力。
工具进入普通账户后，执行差距和市场会怎样变化
用一个普通账户完成拆单、隐藏委托、流动性跟随和外部信号执行，意味着散户与机构之间的工具入口已经靠近。Bybit 的七种工具覆盖多个执行环节，三种 POV 模式、四种 Iceberg 偏好等参数设置也让用户能够应对不同市场状态。但仓位和资金规模带来的差距仍然存在。
即使下单页面提供了同类工具，机构仍然掌握更低延迟的基础设施、专有数据、更大的交易容量和完整的风险系统。相同工具可能产生不同结果，差别会落到参数设置、策略检验、异常处理和交易纪律上，专业能力仍需要长期积累。
如果这些工具被更多普通账户使用，盘口中可能出现更多小额子单，单笔挂单也会更难反映完整交易意图。POV 会让部分订单流随成交量变化，Webhook 可能增加由指标和条件触发的自动订单，散户的操作也会逐渐转向参数、回测和风险限制。相关工具的采用率、订单占比和滑点变化，将决定这种去门槛化最终会给市场微观结构带来多大影响。
小结
TWAP、POV、Iceberg 进入普通账户，TradingView 信号也能直接触发 Bybit 下单。排除资金和仓位规模，散户与机构至少开始使用同一类执行方法，普通用户也能管理执行时间、可见数量、流动性参与和策略触发。
总体而言，机构仍在低延迟、专有数据和系统化风控方面占优。交易所解决了工具能否获得的问题，交易者还要回答参数怎样设置、策略是否有效、风险如何控制。往后的差距会更多地体现在谁能把参数设对、把风险管住。
师徒之争德鲁肯米勒在华尔街日报发文，标题很直白“让债券市场说话”，批评财政部将长期债券回购规模翻倍至至少40亿美元。
这里介绍下背景，贝森特年轻时进入索罗斯基金，当时负责该基金全球宏观投资的核心人物就是德鲁肯米勒。两人的关系非常深，不是普通的同事关系，而是“老板—学生—导师—长期盟友”。
贝森特后来自己明确说过：“Stan Druckenmiller was really my mentor.” 也就是说，贝森特本人直接把德鲁肯米勒称为自己的导师。
德鲁肯米勒的核心观点是，市场聚合了任何委员会都不具备的信息，价格就是这些信息到达决策者的方式。长期国债收益率是世界上最重要的价格，也是美国剩下的唯一财政纪律执行者。
他的逻辑是：市场 → 聚合无数投资者的信息 → 形成价格 → 政府观察价格 → 政府调整政策。
所以30年美债收益率从4%涨到5%、甚至5.5%，不能简单理解成：
“市场出问题了，我们把收益率压下来。”
而应该首先问：
“市场为什么要求美国政府支付这么高的利率？”
他文章里还有一句很精彩的话：如果市场认为5.5%才是合理价格，那么政府应该接受这个价格，然后去解决为什么市场要求5.5%的根本原因。这非常符合他几十年的宏观交易思想。
我是非常旗帜鲜明的站队德鲁肯米勒的，贝森特完全就是来搞笑的，人家海力士都拿出200多亿来托底股价，他40亿美元就想撑住40万亿的美债？
如果贝森特想让长债收益率下跌，靠TGA资金回购长债是治标不治本，因为长债收益率这么高，根本原因就是美帝的赤字太高了。
想让长债收益率下跌，短期可以靠买债、降通胀、降政策利率；长期真正有效的，是让市场相信美国未来的财政供给和通胀风险下降。当然这些操作的难度实在是太大了。
我这个带专生可以给他一个更简单的思路：印钱，就是美联储放水。
事实上，我们所处的是信用货币的时代，这个时代最典型的特征就是政府不断的印钱来来解决债务，收割普通人。
当然，以前靠不断扩张信用就能解决的问题，现在开始越来越难解决了。
这也是为什么比特币上涨的原因。
英伟达七连跌，为啥华尔街在抛售硅谷Alan Walker · 写于香港中环
2026 年 8 月 25 日
中环，早上七点半。美股收盘三个半小时。
隔壁桌两个做港股科技的在争一件事：英伟达连着跌了七天，是不是 AI 的故事讲完了。
这个问题问偏了。今年以来费城半导体指数整体涨了约七成，美光涨 213%，超威涨 142%，而英伟达只涨了约 7%，在费半成分股里垫底。钱没有离开 AI，钱只是离开了英伟达。
股价七天连跌，通常不是因为哪一天出了坏消息。真正的顺序几乎总是反过来的：大资金先做决定，价格随后反映，理由最后被写出来。下面前五段讲的是资金和人，后三段才讲盘面和财报。
先把四个数摆出来
208.48 美元 - 8/24 收盘
−7.5% - 七连跌累计
+7% - 年内涨幅（费半垫底）
18 倍 - 远期市盈率
01
先走的是谁
这轮七连跌的第一天，是 8 月 14 日。
同一天，美股二季度 13F 持仓报告集中披露——按规定，管理规模超过 1 亿美元的机构，要在季度结束后 45 天内 交出美股持仓底牌。6 月 30 日往后数 45 天，正好是 8 月 14 日。
那天市场看到了什么：
二季度机构对英伟达的操作
桥水 - 减持 17.62%。同期科技股全面减仓：谷歌 −33.81%、微软 −34.39%、亚马逊 −53.85%；半导体里美光减持 92%，几近清仓。
段永平 H&H - 减持 54.63%（756 万股）。同期加仓拼多多 26.71%，重新买入阿里巴巴，清仓台积电。
高毅 - 减持 72.41%。同期大举买入美光科技、闪迪。
景林 - 清仓。美股整体持仓骤降四成。
贝莱德 - 仍是第一大重仓，持仓市值 3886 亿美元。前五大增持全部来自半导体：美光、超威、应用材料、迈威尔、科磊。
13F 是后视镜——它反映的是 6 月 30 日的仓位，不是今天的仓位。但它把一件事挑明了：这些钱在这轮下跌开始之前 两个月 就已经在走了。
8 月 14 日之后价格才开始连着跌，不是因为这些机构那天在卖，而是因为市场那天才知道他们早就在卖。
通俗解读
不是先跌、然后大资金割肉。是大资金早在四五月份就一点点减掉了，八月中旬账本 被迫公开，剩下的人才发现自己是船上最后一批。发现之后开始往门口挤，才有了这七天。
02
主动的走完了，被动的走不了
看那张表里最反常的一行：贝莱德。
英伟达仍是贝莱德的第一大重仓股，持仓市值 3886 亿美元。同时它二季度前五大增持标的全部来自 半导体，其中美光增持幅度最大。它在英伟达、博通、美光、超威等十只半导体股票上的投资总规模超过 1 万亿美元。
贝莱德这类机构的绝大部分持仓是指数基金和 ETF。指数里英伟达占多少权重，它就必须持有多少。它不是不想卖，是 不能卖。
于是市场里出现了两类完全不同的股东：
被动 / 指数 - 按权重被动持有，只在资金申赎和成分调整时买卖 → 基本不参与定价，锁住大量流通股
主动 / 对冲基金 - 按判断加减仓，可以清仓 → 实际决定边际价格
英伟达五万亿美元市值，被动持股 的比例极高。真正每天决定价格的，是剩下那部分主动资金。而那部分主动资金，在二季度已经做完了减仓动作。
再看卖方那一栏：82 位分析师，只有 3 位给持有、1 位给卖出，平均目标价隐含超过 50% 上行空间。
这句话通常被当成利好，其实它是 仓位信号。当所有人都在推荐买入，意味着愿意买的人基本都已经买了。边际买家没有了。
通俗解读
一只股票要涨，需要有新的人愿意接。现在的情况是：想买的早就买满了，能卖的都卖过一轮了，剩下最大的那批股东是不看价格的指数基金。这种结构下，只要有一点点净卖出，价格就要往下找买盘，而且要找很远。
03
基金经理算的不是你那笔账
散户看英伟达，看的是"这公司好不好"。基金经理看英伟达，看的是"这个季度它能不能帮我 跑赢同行"。这是两笔完全不同的账。
把今年的成绩单摆出来：
年内表现
美光科技 - +213%
超威半导体（AMD） - +142%
费城半导体指数 - +71%
英伟达 - +7%（成分股垫底）
假设你管一只科技基金，考核标准是跑赢费城半导体指数。你把三成仓位放在英伟达，今年到现在，这三成仓位让你落后基准 60 多个百分点。
这时候你面前有两个选择。继续拿着，赌它财报后补涨——如果对了，你追回一点；如果错了，年底你的排名会很难看，而且很难解释"为什么全市场半导体都在涨，你偏偏重仓那只不涨的"。或者，把英伟达减掉，换成美光、超微，跟上基准。
对个人职业生涯来说，第二个选择明显更安全。这不是对英伟达的判断，是对自己饭碗的判断。
高毅二季度减持英伟达 72.41%，同时大举买入美光和闪迪；贝莱德把英伟达留在第一大重仓不动，但新钱全部加到美光、超威、应用材料上——这是同一个动作的两种做法。
通俗解读
基金经理最怕的不是亏钱，是 别人赚钱的时候自己没赚。英伟达今年只涨 7%，隔壁美光涨了两倍多，拿着英伟达的人每天都在被"我是不是站错队了"这个念头折磨。抛售的直接动机是这个，不是看空 AI。
举个例子
段永平二季度减持了英伟达 54.63%，但他 7 月 23 日公开说过，还是想持有足够多的英伟达，并且准备用"卖 put"的方式在低位加回来。同一个人，既在减仓，又在等着买回。这说明减仓这个动作本身，未必等于看空——它常常只是 价格和仓位的管理。
04
最大的那个买家闭嘴了
还有一个很少被提到、但对这七天解释力很强的因素。
英伟达在截至 4 月底的季度新增 800 亿美元股票回购授权，取代苹果成为美股 最大的单一回购方。同期它一个季度的自由现金流约 485 亿美元，股息从每股 1 美分提到 25 美分。
回购是什么？是一个不看价格、每天定量在市场上买入自己股票的买家。对一只被大量被动资金锁仓、主动流通盘有限的股票来说，这个买家的存在感非常强。
但公司在财报发布前有一段 静默期，期间通常暂停自主回购。8 月 26 日盘后出财报，往前推，最近这几周正好落在这个窗口里。
所以这七天里发生的事情是：主动资金在减，被动资金不动，而市场上最大、最不讲价的那个买家，暂时不在场。
价格没新闻也能连着往下走——因为托着它的那只手，暂时松开了。
通俗解读
一个菜市场里，平时有个大买家每天固定来扫货，价格就掉不下去。他休假两周，卖的人还是那些卖的人，价格自己就往下滑了。等他回来，价格又能稳住。这跟菜好不好吃没关系。
05
七天是怎么连起来的
一天下跌是消息，七天连着跌是 机制。
大资金先动，只是第一步。让它变成一条 连续下滑的曲线，靠的是后面几层自动跟进：
第一层，量化和趋势策略。市场上有相当一批资金是按规则做的：动量策略看过去六个月的收益率排名，波动率目标策略看实现波动率来决定仓位。英伟达过去六个月的收益率越走越平，波动率 却不低，这两类模型会自动调降仓位。它们不看市盈率，不看财报，只看价格和波动。
第二层，风控线。很多机构对单一持仓有回撤规则。5 月 14 日的收盘高点是 235.74 美元，跌破 10% 是一个被广泛使用的触发位。8 月这几天股价正好跌穿这条线，一批止损和减仓指令被机械地打出去。
第三层，自我强化。今天的卖出，让明天的"过去六个月收益率"更难看；更难看的排名，又 触发 更多模型减仓。这条链条不需要任何新的坏消息，就能自己走上七八天。
第四层，跟风的人。看到连跌四五天，原本没打算动的持有人开始怀疑"是不是有我不知道的事"。尤其在财报前，宁可先卖了看看。
通俗解读
第一批人是想清楚了才走的。第二批是电脑按规则自动走的。第三批是看见前面两批在走，怕来不及才走的。真正做判断的只有第一批，后面全是跟。七连跌这种形态，八成是这么来的。
06
技术面：8 月 24 日那根线
讲完资金，再看 盘面。8 月 24 日这一天，走势本身写得很清楚。
8 月 24 日日线
昨收 - 214.72 美元
今开 - 215.53 美元（高开）
最高 - 215.59 美元
最低 - 207.25 美元
收盘 - 208.48 美元（跌 2.91%）
成交量 - 1.35 亿股，约为日均成交量的 1.26 倍
高开近 1 美元，全天没再碰过开盘价，收在接近全天最低的位置，成交量放大到日均的一倍以上。这是很典型的一根 卖压主导 的日线：早盘的每一次反弹都被用来出货。
再往外看几个位置：
5 月 14 日的收盘高点 235.74 美元，是这轮回撤的起点，也是所有还在套牢的人的心理锚。208 美元下方，200 美元是一个整数关口，习惯上会有承接。而 207.72 美元 这个价位，在近五日走势里已经被反复触碰。
技术面上唯一确定的一件事是：连续七根阴线之后，短期均线全部压在价格上方，任何反弹都会先撞到一片套牢盘。要真正扭转，需要一根 放量的、带缺口的阳线 —— 而这种线，通常只有事件才能打出来。
通俗解读
图形上现在的样子是：上面全是被套的人等着回本走人，下面没有明显的托。这种结构里，小涨会被卖压吃掉，只有大消息能一次性把上面的卖单全清掉。8 月 26 号的财报，就是那个可能的大消息。
07
基本面：三个让人犹豫的数
资金先走，总得有个由头。基本面 上有三处地方，是过去半年被机构反复拿出来讨论的。
第一，利润的成色。10-Q 披露，某季度约 580 亿美元净利润里，有 134 亿美元来自所持上市公司 股权的未实现浮盈。剔除这一块之后，正常化净利润对应的市盈率从 18 倍升到接近 60 倍。而 2026 财年，英伟达用于投资活动的现金净额是 −522 亿美元，上一财年还只有 −204 亿美元。它一边卖芯片，一边给买芯片的人投钱，投出去的股权涨了又计回利润里。每一步都合规，但四步是同向的：好的时候一起好，转向的时候一起转。
第二，客户的结构。三家直接客户合计贡献 54% 的营收。更关键的是增量来源：2027 财年一季度数据中心收入 752 亿美元，超大规模客户 379 亿（环增 40 亿），其他云客户 374 亿（环增 89 亿）。增长最猛的那一栏是 新云厂商 —— 它们大多靠融资和债务活着，其中不少还拿过英伟达自己的投资。而现在 30 年期美债收益率在 5.27% 附近，2007 年以来最高，交易员定价的是年底前还要再加一次息。融资越贵，这批客户越难受。
第三，成本的位置。2027 财年一季度毛利率 74.9%，环比降了 0.1 个百分点。瑞银拆解显示，下一代 Vera Rubin 平台里内存占整机成本 62%，上一代 Grace Blackwell 是 53%。二季度 DRAM 合约价环比涨 58% 到 63%，NAND 涨 70% 到 75%。它已经把 1450 亿美元的供应承诺签了出去，原材料为 Vera Rubin 大幅备货。另外，中国的数据中心计算收入这一栏现在是零，上年同期还有 46 亿美元，公司在指引里明确写明"不含中国"。
通俗解读
这三件事单独拎出来，都不足以让一只增速 96% 的股票下跌。但对一个已经赚了很多、正在考虑什么时候落袋的基金经理来说，它们提供的是"卖出的理由"——人做决定的时候，往往是先有了想卖的冲动，再去找一个说得过去的理由。这三个数就是那个理由。
08
8 月 26 号盘后看三行
美东时间 8 月 26 日盘后，英伟达发布 2027 财年第二季度业绩。市场共识营收约 920 亿美元、调整后每股收益 2.09 美元，同比增长约 96%，公司此前指引 910 亿。
920 亿超不超，其实不是重点。真正会改变机构仓位的是三行：
毛利率 - 74.9% 之后是走平还是继续下滑。这一行决定 内存涨价最后由谁承担。
客户结构 - 超大规模客户与其他云客户的环比增量各是多少。这一行决定增长的钱稳不稳。
库存与供应承诺 - 1450 亿美元承诺本季怎么变。这一行决定公司对明年有多确定。
另外还有一个技术性的点：财报之后，静默期结束，那个 800 亿美元的 回购授权 会重新开始买。最大的买家回到场内，本身就是一股托底的力量。
把整件事收拢成一句
华尔街抛售的不是英伟达这门生意——数据中心业务 2026 财年做了 1937 亿美元，客户还在排队，82 个分析师里 78 个在喊买入。
华尔街抛售的是英伟达在自己组合里的那个位置。
当这个位置涨得比同行慢、当账本被迫公开、当最大的买家暂时离场、当模型按规则自动减仓——卖出就发生了，而且和公司好不好没有太大关系。
钱先走，理由后到。这是市场大部分时候的样子。
—— 写于中环，2026 年 8 月 25 日清晨
事实核查附录
一、事实与市场数据
· 8/24 收报 208.48 美元、跌 2.91%；七连跌累计 −7.5%，为 2022 年 9 月以来最长；较 5/14 高点 235.74 美元回撤超 10%。（界面新闻（宋佳楠）；华尔街见闻，2026-08-25）
· 8/24 昨收 214.72、今开 215.53、最高 215.59、最低 207.25、成交量 1.35 亿股，约为日均量 1.26 倍。（第三方行情终端；成交量倍数为终端统计口径）
· 年内涨幅约 7%，费半成分股垫底；远期市盈率约 18 倍，创近年新低。（华尔街见闻，2026-08-25）
· 82 位分析师中 3 持有、1 卖出；平均目标价隐含逾 50% 上行；三个月盈利预测上调 13%；FY2027 利润预期 2280 亿美元。（华尔街见闻，2026-08-25）
· 桥水二季度减持英伟达 17.62%，谷歌 −33.81%、微软 −34.39%、亚马逊 −53.85%；博通 −28.19%、超威 −58%、泛林 −40%、应用材料 −48%、美光 −92%。（2026 年二季度 13F 文件，经新浪财经统计）
· 贝莱德二季度前五大增持全部为半导体（美光、超威、应用材料、迈威尔、科磊）；英伟达仍为第一大重仓，持仓市值 3886 亿美元；十只半导体股合计超 1 万亿美元。（同上）
· 段永平 H&H 二季度减持英伟达 54.63%（756.31 万股）、谷歌 C −46.88%，清仓台积电与 CRWD，加仓拼多多 26.71%；组合总市值 191.01 亿美元。（H&H 2026 Q2 13F，2026-08-14 披露）
· 段永平 7 月 23 日表态希望持有足够多的英伟达，并考虑以卖出 put 的方式于低位加仓。（公开表态：本人公开发言，经媒体转述）
· 高毅二季度减持英伟达 72.41%，大举买入美光、闪迪；景林清仓英伟达，美股持仓降约四成。（2026 年二季度 13F，经时代周报等媒体统计）
· 13F 申报截止日为季度结束后 45 天（对应 2026-08-14）；本轮七连跌起始于 2026-08-14。（SEC 规则；起始日由 8/24 往前推七个交易日推得）
· 新增 800 亿美元回购授权，取代苹果成为美股最大单一回购方；季度自由现金流约 485 亿美元；股息由 0.01 美元提至 0.25 美元。（公司披露；华尔街见闻）
· 年内 AMD +142%、美光 +213%、费城半导体指数 +71%。（2026 年 7 月媒体统计口径，非 8/24 最新收盘数据）
· 10-Q 披露约 580 亿美元净利润中 134 亿来自持有上市股权未实现浮盈；剔除后正常化市盈率升至接近 60 倍。（公司 10-Q；正常化市盈率为第三方测算口径）
· FY2026 投资活动现金净额 −522 亿美元（上一财年 −204 亿美元）。（公司 2026 财年年报）
· 三家直接客户合计贡献 54% 营收；FY27Q1 数据中心收入 752 亿美元，超大规模客户 379 亿（环增 40 亿）、其他云客户 374 亿（环增 89 亿）；毛利率 74.9%（环比 −0.1pct）；供应承诺 1450 亿美元。（公司 FY2027 Q1 财报，2026-05-21）
· 30 年期美债收益率约 5.27%，2007 年以来最高；交易员定价 2026 年底前完成一次 25bp 加息。（Investing.com；新浪财经引路孚特（LSEG），2026-08-24）
· FY27Q1 中国数据中心计算收入归零（上年同期 46 亿美元）；Q2 指引 910 亿美元不含中国。（公司财报与业绩说明会）
· Q2 FY2027 财报 8/26 盘后发布；共识营收约 920 亿美元、调整后 EPS 2.09 美元、同比约 +96%。（市场共识：Investing.com，2026-08-24，为卖方预期非公司指引）
二、第三方拆解 / 机构预测
· Vera Rubin 内存成本占比 62%（上代 53%）。（瑞银物料清单，经媒体转述，为估算值）
· 2026 Q2 DRAM 合约价环比 +58%~63%、NAND +70%~75%。（TrendForce，为预测值非最终成交价）
三、作者推论与判断（非事实）
· "13F 披露日与连跌起点重合"仅为时点观察，本文未主张两者存在因果关系。
· "财报前静默期暂停自主回购，导致最大买盘缺席"——基于美国上市公司通行的回购静默惯例推断，英伟达未就本期回购执行安排作专门披露。
· 动量策略、波动率目标策略、单一持仓回撤风控线导致的机械减仓，"三批卖家"的分层描述——基于机构投资通行做法的分析判断，非特定机构披露。
· 技术面关于均线压制、套牢盘、200 美元整数关口的描述——基于公开行情的形态分析，不构成交易建议。
四、重要提示
本文为独立分析，不构成投资建议。文中第三方数据（13F 统计、瑞银物料清单、机构测算口径等）均已标注来源与性质，不代表相关公司官方口径。转载请注明出处。
—— Kea
13F 新信号：AI 并未退潮，华尔街只是变得「挑剔」当 AI 成为市场最大的共识，就意味着它虽然仍是主线，但「闭眼买 AI」的阶段正在过去。
撰文：Jim，MSX 麦通
编辑：Frank，MSX 麦通
每个季度的 13F，最没有价值的看法，可能就是：
「大佬又买了哪只股票？」
因为 13F 天生是一份滞后的持仓快照。
按照 SEC 规则，机构季度末持仓最多可以在季度结束 45 天后才披露，最新一轮 2026 年二季度 13F，反映的是 6 月 30 日的持仓，而集中披露截止日已经到了 8 月 14 日，更重要的是，13F 主要覆盖符合条件的美国上市证券多头仓位，股票空头等头寸并不会完整反映出来。
所以，它并不适合实时「抄作业」。
但换一个角度，13F 的价值反而很高——过去三个月，真正的大资金，到底在买什么卖什么？
梳理之后，我们发现了一个关键性的信号：AI 没有退潮，但华尔街开始对 AI 变得「挑剔」了。
一、AI 共识还在，但「抱团共识」开始松动
如果只看几家明星基金，很容易被个别交易带偏。
真正值得关注的，是整个机构群体的变化，因此 Reuters 对 6371 家养老金、对冲基金、财富管理机构等提交的二季度 13F 进行统计后发现：
接近 44% 的机构减持了「七巨头」，与此同时约 42% 的机构选择新建或增加仓位，两边几乎势均力敌；
但到了半导体，方向仍然明显偏多：约 48% 的机构是净买方，净卖方只有 34.5%；
软件则恰恰相反，在一组主要软件公司中，净卖方占 28.2%，略高于净买方的 26.3%；
这说明 AI 共识依然存在，但共识内部正在迅速分化。
毕竟如果华尔街真的开始系统性否定 AI，最先出现的应该是半导体、算力和数据中心链条的一致性撤退。
事实并非如此。
芯片依然是机构明显偏好的方向，AI 基础设施也没有遭遇系统性抛售，大资金们只是开始问一些过去两年没那么重要的问题：
这家公司未来两三年的增长，股价是不是已经提前反映了？AI CapEx 继续增长，究竟谁能够真正把资本开支转化成利润？如果市场出现调整，哪一类资产的机构仓位最拥挤、最容易成为第一批被兑现的筹码？
这也是二季度 13F 最重要的变化，华尔街开始肉眼可见地讨论「AI 里面谁的赔率更好」。
而伯克希尔、Tiger Global、Third Point 和德鲁肯米勒旗下 Duquesne，恰好给出了四种完全不同的答案。
二、四家机构，四种「赔率思维」
1.伯克希尔：开始动用现金，大手笔押注谷歌
这轮 13F 里，伯克希尔对 Alphabet 的动作尤其值得关注。
一季度末，伯克希尔披露的 Alphabet A、C 两类股票合计约 5784 万股；到了二季度末，这一数字已经升至约 1.06 亿股，增幅超过八成。
仅从季度末市值计算，Alphabet 已经跃居伯克希尔最重要的公开美股资产之一，与此同时伯克希尔还增加了 Delta Air Lines、Lennar 等航空和住宅建筑相关敞口。
要知道，Alphabet 可能是七巨头里最不像「纯 AI 交易」的公司之一。
过去几年，市场对它最大的担忧之一，就是生成式 AI 是否会改变搜索入口，甚至侵蚀 Google Search 长期以来最核心的商业护城河。
但另一方面，Alphabet 依然拥有 Search、YouTube、Google Cloud、广告业务以及庞大的现金流基础。
所以伯克希尔下重注，正是一家现金流依然强劲、核心业务尚未被证伪，却因为 AI 冲击而长期承受争议的公司，是否存在重新定价空间？
这和追逐最热门的 AI Winner，是完全不同的一笔交易。
2.Tiger Global：削减大科技，但仍聚焦科技仓位
Tiger Global 的组合，则提供了另一种非常典型的样本。
二季度，它把 Alphabet 从约 1,063 万股降至约 581 万股，降幅达到 45.4%；Broadcom 持仓也接近减半，台积电同样有所下降；微软、Meta 和 NVIDIA 也进行了不同程度的减持。
如果只看到这里，很容易得出「Tiger 开始撤离 AI」的结论。
但再看它买了什么，答案几乎完全相反。
Tiger 二季度新建 AMD、Applied Digital、Cerebras 等仓位，同时组合中还出现了 Cipher Digital、Core Scientific 等 AI 算力与数据中心相关资产；Intel 持股也从约 164 万股增加到约 425 万股。
所以这更像一次 AI 仓位内部的再平衡——减少已经极度拥挤的头部资产，把部分筹码移向市场预期还没有那么一致的下一层机会。
NVIDIA 就是最典型的例子。一家基金长期看好 AI 算力，并不意味着它必须永远提高 NVIDIA 的仓位。
只要持仓权重已经足够高，或者股价上涨速度阶段性快于盈利预期上修，减仓完全可能只是组合管理，而不是产业逻辑反转。
这也是未来美股越来越重要的一点，业绩继续增长，并不等于股价一定继续以过去两年的方式上涨。
因为决定股价的不只是「结果好不好」，还包括市场此前已经提前相信了多少。
3.Third Point：开始兑现收益，寻找 AI 下一波机会
Daniel Loeb 旗下 Third Point 的动作更加鲜明。
二季度，它直接清掉了 NVIDIA、Broadcom、KLA、Lam Research，以及 VanEck Semiconductor ETF（SMH）等一批 AI 资本开支周期中的核心受益资产，同时退出 Meta。
如果只看这一组交易，几乎可以把它理解成一次大规模「AI 减仓」。
但 Third Point 并没有离开科技。
它反而明显增加 Alphabet 和台积电，并建立 Keysight、Flex 等新仓位；与此同时，资金开始进入 Warner Bros. Discovery、Capital One、Norfolk Southern 等媒体、金融和工业方向。Warner Bros. Discovery 更直接成为其二季度末最大的公开美股持仓。
所以 Third Point 实际上是在兑现第一阶段最容易理解的赢家，寻找下一阶段还没有被市场完全定价的机会。
NVIDIA、Broadcom、KLA、Lam Research 为什么会成为第一阶段赢家？因为它们的逻辑太直接了：
模型规模扩大，需要 GPU；先进芯片扩产，需要半导体设备；AI 集群扩大，需要网络、ASIC 和越来越复杂的基础设施。
这些逻辑没有错。
问题是，当所有投资者都已经知道这些逻辑后，决定下一阶段收益率的，就变成了实际增长能不能继续超过已经很高的市场预期。
这也意味着，顶级投资机构们开始认为 AI 第一阶段最显而易见的 Alpha，正在越来越贵。
4.德鲁肯米勒：只交易预期差
如果要找一家最能解释这一轮机构思路的基金，Stanley Druckenmiller 旗下 Duquesne 可能是最典型的样本。
一季度末，它还持有 Broadcom 和美光，到了二季度，两者已经从 13F 中消失。
但与此同时，Duquesne 新建了 Alphabet、AMD、Palo Alto Networks 等科技仓位，并继续增加台积电和 STMicroelectronics 持股：台积电由约 49.5 万股增至约 59 万股，STMicroelectronics 则由约 261 万股升至约 310 万股。
乍一看甚至有些矛盾，都是半导体，为什么一边卖、一边买？
答案可能恰恰是这一轮 13F 最重要的关键词：预期差。
一家公司如果上涨太快，市场已经把未来两三年的增长提前计入价格，即使长期产业逻辑依然正确，也完全可以先兑现。
反过来，如果另一家公司盈利周期正在改善，而市场还没有形成一致预期，那么即使它不是最热门的 AI 龙头，也可能拥有更好的风险收益比。
行业判断正确，只是投资的第一步，买在什么估值、什么位置，以及当时市场已经相信了多少，才真正决定最终收益率。
三、从「买 AI」到「算赔率」，华尔街在交易什么？
把四家机构放到一起，真正有价值的信号才开始显现。
首先是 Alphabet 正在从共识龙头，变成「分歧资产」。
Alphabet 可能是这一轮最有意思的大型科技股。伯克希尔大幅加码，Third Point 和 Duquesne 也选择增加或重新建立仓位，另一边 Tiger Global 却把持股直接削减了接近一半。
同一家公司，顶级资金给出了完全不同的答案。
市场不确定 AI 最终会削弱 Google Search 的护城河，还是会让 Alphabet 庞大的流量、数据、云计算和算力基础进一步释放。
因此从这个角度看，买方看到的是现金流、估值，以及 AI 带来的潜在增量；卖方看到的则是搜索入口变化、持续扩大的资本开支，以及旧商业模式长期可能面临的结构性挑战。
这种资产反而往往比「所有人都知道它很好」的公司更值得研究，因为真正的超额收益，本来就来自市场存在分歧的地方。
其次是半导体共识仍在，但「闭眼买芯片」的阶段结束了。
从整体 13F 来看，芯片仍然是机构明确偏多的板块，净买方比例显著高于净卖方。
但单看几家明星基金，又能发现巨大的内部差异。Broadcom，有人在减；台积电，有人在加，也有人减；AMD，有机构重新建仓；NVIDIA，则已经从过去几乎没有争议的 AI 核心资产，逐渐变成需要重新计算仓位成本和拥挤度的标的。
这说明半导体已经不能再被当成一个完整的 Beta 去交易。
GPU、ASIC、晶圆代工、存储、半导体设备、网络、数据中心基础设施，看起来都属于 AI 硬件，但它们所处的盈利周期、供需位置和估值状态已经完全不同。
换句话说，AI 硬件正在从「买行业 Beta」，进入真正比拼「个股 Alpha」的阶段。
还有一个容易被忽视的变化，那就是非 AI 资产重新进入组合。
这倒不是否定 AI，反而更像降低相关性的对冲操作，譬如住宅建筑、航空、金融、医疗、媒体、铁路和工业资产，正在重新出现在一些顶级机构的重要调整中：
伯克希尔增加航空和住宅建筑敞口；Third Point 把大量资金投向媒体、金融和铁路；Duquesne 的组合本身也远远不只围绕 AI 展开。
某种意义上，恰恰是因为 AI 已经成为整个市场最显眼、最容易被理解的主线，大资金才越来越需要寻找与 AI 相关性更低的收益来源。
过去两年，判断 AI 大方向正确，本身就能贡献大量收益，而接下来，组合管理的重要性会越来越高。
这可能才是最新一轮 13F 最值得普通投资者关注的地方，让我们知道当一批最聪明、资源最丰富的资金面对同一条产业主线时，他们究竟开始为什么问题产生分歧。
写在最后
过去两年，美股最好理解的一笔交易，是找到 AI，然后买进去。
NVIDIA、Broadcom、Meta、微软、台积电，以及整个半导体产业链，都曾同时享受产业增长、盈利上修和估值扩张的多重红利。
但最新一轮 13F 正在释放一个越来越明确的信号——AI 没有结束，但「只要方向对，就可以一起涨」的阶段正在结束。
这才是 2026 年二季度 13F 最值得关注的变化：
AI 没有退潮，但抱团正在松动。
下一阶段比的，不是谁更敢追，而是谁更会算赔率。Robinhood 股价下跌 3.9%，尽管华尔街普遍上调其目标价Techub News 消息，尽管华尔街分析师普遍上调了目标价，但 Robinhood Markets 股价仍下跌 3.9%。这突显了市场波动对高估值股票的影响，并影响了投资者情绪。
（Crypto Briefing）WSJ：投资者押注美联储主席沃什本周加息概率达90%Techub News 消息，据《华尔街日报》报道，投资者目前认为美联储主席凯文·沃什本周加息的可能性约为90%，这使其与总统特朗普的政治休战面临迄今最大考验。
沃什在特朗普任内上任，其货币政策立场与特朗普的低利率偏好长期存在分歧。市场预期的急剧升温，正给双方此前达成的非正式“休战”协议带来巨大压力。（@WuBlockchain）Model ML 拟以 10 亿美元估值融资超 1 亿美元，以自动化华尔街工作流程Techub News 消息，AI 金融科技公司 Model ML 正寻求以 10 亿美元估值筹集超过 1 亿美元的资金。该公司旨在利用人工智能技术自动化华尔街的工作流程。
此次融资计划突显了 AI 在金融领域的变革潜力，或将重塑行业工作流程与效率标准。（Crypto Briefing）Fundstrat 联合创始人 Tom Lee 称以太坊将成为华尔街与 AI 的结算层Techub News 消息，Fundstrat 联合创始人 Tom Lee 在 X 平台回复中表示，以太坊（ETH）正成为华尔街与人工智能（AI）的结算层。他指出，以太坊网络的这一新兴角色源于华尔街传统资产的代币化与自主 AI 的兴起。
Lee 将近期 ETH/BTC 汇率突破视为市场正消化这一转变的证据。其担任主席的 BitMine Immersion Technologies 已通过购买支持该论点，以太坊持仓占比接近 5%。过去一周，以太坊是为数不多上涨的十大加密资产之一，周一交易价格约为 2,518 美元。 （BeInCrypto）OpenAI 推出金融版 ChatGPT，瞄准华尔街初级银行家工作Techub News 消息，OpenAI 推出 ChatGPT for Financial Services，旨在处理传统上由初级银行家负责的、劳动密集型的研究、建模和推介书制作任务。该产品专门针对金融行业需求设计，可协助完成市场分析、财务模型构建及客户演示材料准备等工作。
（CNBC）灰度 Zcash ETF 在 NYSE Arca 上市交易，隐私币获华尔街关注Techub News 消息，隐私币正在监管投资市场中获得一席之地，尽管直接获取其底层资产正变得更加困难。灰度（Grayscale）的 Zcash ETF 现已在 NYSE Arca 上市交易。与此同时，主要中心化交易所减少了对门罗币（Monero）等隐私币的支持。（Crypto.news）美银、高盛等 21 家华尔街银行拟推出稳定币Techub News 消息，美国银行、高盛、花旗等 21 家华尔街巨头计划推出美元支持的稳定币，该代币预计于 2027 年上线，将用于支付及加密交易。
此前华尔街传统金融机构长期对加密货币持抵制态度，此次多家银行联合计划发行稳定币，标志着传统金融与加密货币领域的进一步融合。目前稳定币市场主要由 Tether（USDT）及 Circle（USDC）等产品主导，传统银行的入局或将为市场带来新的竞争格局。摩根大通考虑推出自有稳定币，已进行内部评估Techub News 消息，据《华尔街日报》报道，摩根大通（JPMorgan Chase）近期已内部评估推出自有稳定币的可能性。此举表明传统大型金融机构正积极布局数字资产领域。
（@Cointelegraph）华尔街警告英伟达融资策略或带来 2000 亿美元 AI 信贷敞口风险Techub News 消息，华尔街对英伟达的融资策略发出警告，称其可能带来高达 2000 亿美元的 AI 相关信贷敞口风险。分析指出，这一策略可能放大 AI 市场的系统性风险，进而扰乱信贷市场并影响科技股估值。
（Crypto Briefing）Anthropic 据称将向投资者表示其总潜在市场规模超 30 万亿美元Techub News 消息，据《华尔街日报》报道，AI 公司 Anthropic 据称将告知投资者，其总潜在市场规模（TAM）超过 30 万亿美元，超过了 SpaceX 285 万亿美元的估值。
该报道援引知情人士消息，Anthropic 将在即将进行的融资活动中向投资者展示这一数据。 （@Cointelegraph / WSJ）1 篇文章
