本章内容
- 运用**投资论点（investment thesis）**来预测成长型公司
- 基于投资论点构建与之匹配的投资组合
- 为你的投资组合寻找体现论点的具体资产
- 承担必要的风险以追求潜在收益
本章探讨如何打造一个旨在跑赢大盘的资产组合。寻找这些赢家（常称为 alpha）是投资的“圣杯”。哪怕只是在长期里稍微更常对而非错的选股者，也可能已经拥有“点石成金”的本领。
许多投资者会在投机与投资之间划清界限。我们会为那些可能致富的投资想法而兴奋。正因“加入巴菲特俱乐部”的美梦过于诱人，我们往往淡化那些会动摇“马上暴富”美好感觉的疑虑。当做决策更多依赖感觉而非批判性思维时，投机就开始了。做点皮毛研究，我们就能找到一些“看上去合适”的标的；难点是进行所需的深入研究，把真正能带来回报的标的识别出来。
我第一次体会到“深思熟虑的策略”有多重要，是 10 岁在国际象棋俱乐部的时候。因为下棋早，我更擅长看出双攻之类的组合，以此吃掉对手子力并赢下多数对局。老师看我总在棋盘上来回游走、等待对手失误，就把我叫到一边对我说：“如果你只靠对手犯错来赢，你在强者面前会输。要赢一盘棋，你需要一个计划。哪怕是差的计划，也比没有计划好。 ”事实证明他说得对：有策略的高手把我按在棋盘上教育。我很快学到一个在投资中同样适用的学习铁律：研究—规划—执行—复盘—调整。凭借这种方法，从错误中学习并变得更强，是实现长期成功的必要部分。下面我们来看看如何带着计划去投资。我们先从一个具体领域的案例入手，再从中提炼出通用的研究方法。
4.1 投资论点（Investment thesis）
投资论点是对一只股票未来表现的有据可依的假说。情形多种多样：
- 有的股价表现糟糕，我们认为其被低估，押注反转；
- 有的股票靠稳定增长的股息提供稳健收益，我们相信趋势会延续；
- 当然也可能做空我们认为被高估的公司。
本章选择其中一种情形展开：聚焦具备增长与扩张潜力的公司。
提出投资论点的人必须能自圆其说，并允许，甚至鼓励他人挑战自己的观点。越多不带偏见的同行评审越好。我们从一个想法开始，不断打磨，直到明确一组可以买入的资产。买入之前，一个重要环节是设定目标：从一开始就明确持有/卖出的指南。
注 本章重点在于阐明“如何找股”的过程，而不是向你推荐具体股票。你应基于本章的思路继续做自己的扩展研究。始终只投资你理解的业务。
4.1.1 从一个想法开始
第 2 章第 2.2 节谈过行业分类，不同业务模式差别巨大；不了解某领域可能出什么错，在该领域投资就风险很大。
达克效应（Dunning–Kruger）告诉我们：能力低的人倾向高估自己，而能力强的人反而可能低估自己。遇到新手闯入我们熟悉的领域时，这种偏差的后果往往一目了然：他们会采取大胆行动，而我们几乎能预判他们何时何处会失败。那我们在选股时，如何确保自己不是“高估者” ？残酷的答案是：我们永远无法 100% 确定自己是否过度自信。而未被察觉的过度自信，很可能是众多人在投资路上失败的根因之一。
我们可以降低过度自信的概率：选择我们确有证据懂行的领域（例如可验证的工作履历）。这也是我选择自己长期从业的行业作为起点的原因。
把想法进化为论点是一个迭代过程：不断细化与质疑，直到形成更成熟的概念。路不会总是平坦：有时必须承认走错路并推倒重来。这很像创业公司的产品设计：偶尔需要转向（pivot） ，最终才明白市场需要什么。投资者相较创始人的优势在于：不必亲自具备推出产品/服务的全部创业技能。
当我们能用逻辑捍卫“这是一门好生意”，并接受反馈后仍站得住脚，我们就有了点东西。此时，想法便可升级为论点。
投资想法：自动驾驶终将兑现价值
自动驾驶市场在增长。大量统计支撑这一点：未来无人驾驶将成为常态。Waymo 声称每周提供 25 万次无人出租车行程（waymo.com/sustainabil…指数级扩张。
若市场持续增长，可预见的影响包括：
- 个人持车减少，逐步转向机器人出租车（robotaxi）；
- 物流公司使用无人卡车扩大覆盖，算法无需休息；
- 传感器等硬件需求随之增长；
- 城市基础设施受影响：中心区停车位需求下降，地下空间将被重新利用。
谈到自动驾驶，专家常以 **L5（完全自动化）**为目标。**ADAS（高级驾驶辅助）**则涵盖通往完全自动化的诸多技术（如泊车辅助、碰撞预警等），每个细分都可能是投资机会。
正如数字化催生了新一代科技巨头，自动驾驶也可能孕育新创成长为重要玩家；也会有公司因之失去业务。
4.1.2 质疑这个想法
对上述想法做一轮 SWOT（优势/劣势/机会/威胁） 分析，能把讨论带入更深入层次。我们可以借助 LLM 学习，也可以与领域专家交流。许多专家提出伦理问题：若自动车无法避免事故，算法该选择撞草地（伤及路人）还是撞墙（伤及车内人） ？关于优先级与安全（如抗黑客）的长讨论，可能放慢甚至阻滞自动驾驶的采用。
子论点：伦理与安全会放慢，但不会阻断
一个认真发展 AI的国家，不可能因伦理与安全而禁止自动驾驶研发；否则将迅速陷入竞争劣势。
额外的官僚审查会劝退一部分参与者；威权国家在推动创新方面可能有执行优势。这对投资者构成两难：人权价值与执行能力如何取舍？
把想象力拉到完全采用自动驾驶的世界：机器人出租车像 Uber 一样按需即用；自驾变成“养马”般的身份象征。一旦事实证明更安全，保险公司可能对人驾收取更高保费，推动自动驾驶加速普及。
在这样的世界里，海量停车位混凝土被清除，取而代之的是绿地。初创公司可以买车并租给“调度平台” （如 Uber）。当然，整车/方案/零部件供应商也是投资方向。潜在成长资产分组如下：
- 网约车服务：用自动系统替代人类司机，显著降本；
- 具备 L5 的整车厂：若更受信任，销量有望提升；
- 具备 L5 的卡车厂：可 24/7 运营，仅在装卸/补能时短暂停；
- 整机方案商（Appliance） ：向车企提供完整自动驾驶系统但不造车；
- 部件供应商：提供硬件/软件等关键组成部件。
还需考虑公司所在国的土壤。美国无疑在 robotaxi 领域领先；但中国、以色列、德国等在关键技术上也有强劲布局，不能忽视。
子论点：大牌已被充分定价
Google（Waymo） 、Amazon（Zoox） 、Tesla 等已是“机器人出租车”赛道的显学，其创新力多已反映在股价中。买入可能不是“捡便宜” 。虽然它们本身也可能是好标的（注：作者持有其中两家的股票），但我们决定聚焦更小众、知名度低但潜在增速更高的公司。
一条路径是探索那些尚未打响 robotaxi 名号、但实际表现优于市场认知的整车厂——但这需要内部最新信息。
我们改从供应链入手：自动驾驶依赖关键部件的组合。如下为自动车需要的额外组件清单（按类别）：
-
传感器
- 激光雷达（LiDAR） ：用激光测距，构建环境3D 地图
- 雷达：用电磁波探测目标与速度，在能见度差时尤为可靠
- 摄像头：为目标识别/车道检测提供视觉信息
- 超声波：探测近距离物体，适用于泊车/低速机动
-
算力/处理
- 车载计算单元：融合传感器数据、运行 ML 模型、实时决策
-
软件
- 感知算法：识别行人/路标/物体
- 定位：结合 GPS/高精地图确定精确位置
- 规划与决策：据当前与预测交通态势制定行动
- 控制系统：按规划控制油门/转向/制动
-
连接
- 车联万物（V2X） ：与车辆/路侧/网络通信，提升态势感知与协同
-
地图
- 高精地图（HD Maps） ：提供道路几何、信号、道路线形等细节
-
供能
- 电池与电源管理：确保所有电子部件与传感器稳定供电
研究上述各部件需求变化需要大量工作：理解行业、评估细节依赖。有的行业重度依赖原材料、易受短缺影响；有的行业竞争者众多。
若真写一本“自动驾驶产业投资”的书，每个环节都能写一章：做SWOT、做技术深研。将其与“不做深究就赌一把”相比，后者就是赌博。本书旨在梳理研究流程，因此要收敛范围，不对每个部件都做详尽研究。我们选择一个具体子领域演示——激光雷达（LiDAR） 。
精炼后的投资想法：LiDAR 将迎来反弹
当大家都在追逐 AI 与整车厂（如 Tesla）时，传感器/硬件供应商的股价被低估。LiDAR 市场资本开支大，过去几年高利率让投资者更犹豫。但若 robotaxi 行驶次数上升，硬件需求就会上升，相应公司的估值也将抬升。
LiDAR 的应用也不限于车用自动驾驶。全球面临人口结构变化，未来劳动力将减少。LiDAR 也是工厂自动化的一环，能降低用工需求；在矿业等人工作业不便的场景更具价值。
历史上**“低谷—反弹”的行业与个股屡见不鲜；LiDAR 不会是第一个被“复活”的行业。若 2025 年该传感器市场正处低位，而我们预计未来数年需求上升**，那么低位布局、高位兑现就有其逻辑。
随着步骤推进，识别可投资资产的方法日益清晰，我们对“要找什么”也更明确。但我们仍需继续推进：在挑选首批候选资产前，先进一步研究 LiDAR。
4.1.3 你的投资论点
我们演示了如何从想法出发，逐步形成论点。鉴于自动驾驶的颠覆性，我们的理论是：LiDAR 市场将会反弹。
接下来就要深入分析，尽可能搜集市场信息。你可以用 Notion、OneNote 等做笔记结构化；也有人把所有笔记放在数据科学笔记本里。请记住：大量研究发生在代码环境之外。
我们要逐步挑选候选标的，并持续研究。每次研究都要审视三个问题：
- 未来数年公司能否产生可观现金并胜过潜在对手？
- 护城河如何——公司能否抵御抄袭者侵蚀利润？
- 安全边际有多大，能否对冲各类风险？
让我们继续这个示例，走进 LiDAR 市场。
4.2 激光雷达（LiDAR）市场
到 2023 年，全球 LiDAR 市场的规模约为 20–25 亿美元。按 20%–25% 的年复合增长率（CAGR） （指超过 1 年期间的年均增长率）计算，预计在 7 年内将达到 60–80 亿美元。这一增速看起来颇具吸引力，但要不要投资该市场仍需进一步研究。下面是可能影响我们是否投资 LiDAR 的关键信息：
- 技术差异化——LiDAR 技术可分为多类，包括 飞行时间（ToF） 、调频连续波（FMCW） 与 固态 LiDAR。我与一位自动驾驶专家交流时，他强调硬件中的运动部件会导致磨损，使得成本更高；因此他更看好固态 LiDAR，其体积也通常更小。
- 成本效率与可扩展性——不同厂商提供的系统在量程、分辨率、精度上各不相同；更强的性能往往意味着更高的价格，会体现在系统的总成本里。某些制造商可能用较低成本的系统也能达到足够的性能；也有人尝试仅靠摄像头等手段来替代昂贵的 LiDAR。
- 战略合作——一些 LiDAR 厂商已与汽车、机器人、工业自动化等玩家达成合作。若能与 Tesla、Ford 等知名车企以及 Google、Amazon 等科技巨头达成新交易，可能意味着 LiDAR 公司价值提升。
- 监管环境与市场采用——LiDAR 的应用覆盖自动驾驶、无人机、智慧城市等领域；此外，建筑师与工程师（更不用说地质学家、地理学家、考古学家等研究人员）也广泛使用 LiDAR。符合不断演进的安全/监管标准（尤其在汽车领域）的产品将占得先机。讨论该话题时还必须考虑地缘政治：例如 华为被美国禁用，我们需要评估中国 LiDAR 厂商是否可能面临类似挑战。
- 专利组合——在传感器设计、信号处理、AI 集成等方面拥有坚实知识产权的公司，可能具备可持续的竞争优势。本节涉及较多技术细节，需要对 LiDAR 系统组件有深入理解。我们需要评估：某些公司所专利的扫描技术是否带来了真正的竞争优势。
- 竞争格局——小公司若能更快创新或颠覆传统商业模式，可能具备更高的成长潜力。但也有专家在访谈中直言：LiDAR 初创难以与行业内多年深耕的巨头抗衡。
- 财务与领导力——资产负债表健康、低杠杆、胜任的管理层、清晰的增长路线图都很关键。但鉴于 LiDAR 是资本密集型，我们必须警惕高现金消耗却无清晰收入的风险。
耐心：成功的关键因素（PATIENCE: A SUCCESS FACTOR）
一次集中的投资研究冲刺很可能没有定论：你可能与许多专家交流，却发现他们彼此矛盾；你查看一些公司的数据，指标尚可，却不足以让你下定决心投入合理金额。投资者也常体会到：最佳机会的最大敌人恰恰是太多“看起来还行”的机会。如果对每个让你兴奋的标的都买一点，最终可能变成大量小/中仓位的庞大组合。分散化本身有益，但失去对“买了什么、为何买”的跟踪并非好事。
有时，最佳行动是把所有研究记录下来，然后暂不出手。不要陷入“快速致富”的诱惑；风险意识与冷静往往是长期成功的基石。作为程序员，你知道未来可以用更好数据重跑算法——既然将来能更有把握地推进，现在何必急于求成？
4.2.1 选择候选标的（Picking candidates）
现在是选定首批投资候选的时候了。它们未必是最终会投资的公司，但可用来试探我们究竟在寻找什么，直到能做出最后决策。经过网页调研与平台文章阅读，我们初步挑选了 4 家 LiDAR 厂商做初步研究；一次 GenAI 聊天也对这份初筛结果起到了辅助验证。
初始候选清单并非终局——后续可以增减。但我们需要一个判定“好资产”的方法论，而总要从某处开始。以下为 4 家候选（括号内为股票代码）：
- Luminar Technologies（LAZR）
- Innoviz Technologies（INVZ）
- Ouster（OUST）
- Aeva Technologies（AEVA）
我们先关注它们的市值与盈利增长。下面的市值代码复用前文收集比率的方法：
import yfinance as yf
import pandas as pd
def collect_ratios(tickers: list, ratios: list):
rows = []
for ticker in tickers:
info = yf.Ticker(ticker).info
row = [ticker] + [info.get(ratio, None) for ratio in ratios]
rows.append(row)
return pd.DataFrame(rows, columns=["Ticker"] + ratios)
objects = ["AEVA", "LAZR", "INVZ", "OUST"]
for o in objects:
ticker = yf.Ticker(o)
print(f"ticker {o}: {ticker.info['marketCap']}")
查看结果，截至 2024 年的市值如下：
- LAZR： $449,100,640
- OUST： $308,347,328
- AEVA： $175,966,752
- INVZ： $136,608,288
这些数据也说明它们尚未达到通常意义上的 mid-cap（中盘） （一般从 20 亿美元起步）。估值越低，风险通常越高；一些公司也许仍享有“大而不倒”的市场期待。
接下来考察它们近几年盈利表现。下面用第 3 章介绍的 Alpha Vantage 来抓取：
from alpha_vantage.fundamentaldata import FundamentalData
objects = ["AEVA", "LAZR", "INVZ", "OUST"]
fd = FundamentalData(key=key, output_format='pandas')
for o in objects:
df_earnings = fd.get_earnings_annual(o)[0].set_index('fiscalDateEnding')
print(f"ticker {o}: {df_earnings}")
得到下表 4.1 所示的**每股收益（EPS）**结果。
表 4.1 四家 LiDAR 厂商的 EPS（单位：美元）
| AEVA | LAZR | INVZ | OUST | |
|---|---|---|---|---|
| 2024-06-30 | -1.13 | -0.37 | -0.31 | -1.08 |
| 2023-12-31 | -0.65 | -0.86 | -0.85 | -7.68 |
| 2022-12-31 | -0.68 | -0.78 | -0.94 | -0.74 |
| 2021-12-31 | -0.51 | -0.56 | -2.34 | -0.83 |
| 2020-12-31 | -0.0185 | -2.2127 | -1.2487 | -8.2332 |
| 2019-12-31 | 0.05 | 0.0585 | -2.4782 | N/A |
这些数字显示，新冠疫情期间的 EPS 普遍更低；总体上看，呈现负盈利的倾向。
若你偏保守，可能会反对投资尚未盈利的公司。个人理财告诉我们入不敷出会带来高负债与麻烦。但企业/初创的节奏往往不同：不少公司要多年才能盈利。评估初创时，投资者更关注其未来可赚取的收益；若前景够强，银行与投资者仍可能持续投入，即便其当期尚未盈利。
4.2.2 价格走势（Price development）
我们来看看近年股价如何演变（见图 4.1–4.4）。它们都经历了：起步—炒作—回落。显然的问题是：能否反弹？
图 4.1 Luminar Technologies（LAZR）价格走势
图 4.2 Innoviz Technologies Ltd（INVZ）价格走势
图 4.3 Ouster（OUST）价格走势
图 4.4 Aeva Technologies（AEVA）价格走势
四家公司都经历了股价下跌。十年前后，自动驾驶概念一度被热炒；有趣的是，疫情期股价反而上行——无接触场景下，无人车听起来更具吸引力。此外，LiDAR 也用于工厂自动化，意味着降低对人力的依赖。
疫情后，股价回落：一方面是过度炒作后的回吐；另一方面，疫情带来的通胀忧虑对资本密集型、现金消耗高的行业冲击更大。自 2022 年起，美联储为抗通胀而加息（见图 4.5）。融资成本上升后，投资者对 LiDAR 这类资本密集型股票的兴趣下降。
图 4.5 银行同业拆借的联邦基金利率（来源：fred.stlouisfed.org/series/DFF）
我们再看各股的历史高点与低点（表 4.2），以更好理解波动区间。
表 4.2 距历史最高价的回撤幅度
| Ticker | High | Low | Down |
|---|---|---|---|
| AEVA | $100.00 | $3.33 | 96.67% |
| LAZR | $41.80 | $0.91 | 97.82% |
| OUST | $162.50 | $6.36 | 96.09% |
| INVZ | $16.00 | $0.79 | 95.06% |
既然四家公司目前大幅低于高点，不妨设想几种它们重回正轨的情景；这类设想虽激进，却能给我们继续研究的动力。
假设性情景：LiDAR 概念股反弹（SPECULATIVE SCENARIO）
假设我们用 $40,000 平均买入四只股票，且它们全部回到曾经高点，我们大约会持有：
- AEVA：3,003 股
- LAZR：10,989 股
- OUST：1,572 股
- INVZ：12,658 股
按历史高点计算，最终价值可达 40,000 的投入可令我们成为百万富翁。当然，也要看到最坏情况：若四家公司全部破产（显然我们不希望如此），可能亏损 $40,000。但即便三家破产、只有一家回到旧高，依然可能整体盈利。
我们据此形成一个投机性假设：一旦联邦利率下行，资本密集型 LiDAR 公司股价可能反弹。即使回不到旧高，只要低买高卖也有利润空间。
接下来要评估：这四家公司重回旧高的概率几何？回顾过去，投资者曾对它们极度乐观，IPO 后追高者大幅失望。问题在于：是否还有机会回本？我们先看看负债。
4.2.3 负债（Debt）
因为 LiDAR 公司资本密集，债务是必须考虑的维度。调用
collect_ratios(objects, ["sector","industry","debtToEquity"])
可得到表 4.3 的结果。
表 4.3 LiDAR 公司的资产负债率（Debt-to-Equity）
| Ticker | sector | industry | debtToEquity |
|---|---|---|---|
| AEVA | Technology | Software - Infrastructure | 3.504 |
| LAZR | Consumer Cyclical | Auto Parts | NaN |
| OUST | Consumer Cyclical | Auto Parts | 26.658 |
| INVZ | Technology | Electronic Components | 39.549 |
注：NaN 表示数据不可得。
从财务数据看，AEVA 与 LAZR 可能比其他公司问题更突出。LAZR 的总债务高于其市值。从新闻看，LAZR 已宣布裁员；并且它还被列为华尔街做空最多的股票之一（mng.bz/WwXd），这并非正面信号。但这并不意味着它们濒临破产。根据 SEC 文件，Luminar 创始人 Austin Russell 持有 1.045 亿股，约占公司已发行股份的 35% 。这种高持股可能意味着股权融资仍有腾挪空间。另据 Crunchbase，Luminar 最近一次股权投资发生在 2022 年 12 月。一个可行且具成长潜力的业务往往仍有大量融资机会。同时也能理解：若公司自身估值仍有提升空间，管理层可能倾向观望，暂缓引入新投资者。
4.2.4 管理层（Management）
许多投资者会通过管理层来判断公司潜力。这里几家公司都由其创始团队掌舵：Luminar 的创始人为 Austin Russell；Innoviz 由联合创始人、现任 CEO Omer David Keilaf 领导；Soroush Salehian 是 Aeva 的联合创始人并负责公司运营；Angus Pacala 则是 Ouster 的联合创始人兼 CEO。
我们可以持续关注市场动态；领导层变动往往是一个强信号，但目前可以暂且不将其作为重点考量。若创始人离开公司，这是一个警示信号。投资决策常常建立在对公司动态的监测与对事件的反应之上。举例来说，如果创始人离任，这可能是做空该公司的一个信号。
4.2.5 技术与合作（Technology and partnership）
我们也可以从这些公司的激光雷达（LiDAR）系统入手，判断其性能优劣：
- AEVA —— FMCW（调频连续波）
- LAZR（Luminar） —— 混合固态（强调 1550 nm 长距激光）
- INVZ（Innoviz） —— 基于 MEMS 的固态
- OUST（Ouster） —— 数字固态（基于 VCSEL）
大模型（LLMs）是很好的研究助理。你可以让它们对公司进行排序并突出各自的价值主张。对“请对这些公司排序”的简单提示，ChatGPT 给出的示例排序如下：
- Aeva（AEVA） ：独特的 FMCW 技术与速度测量能力
- Luminar（LAZR） ：远距、具成本效益的 LiDAR 方案
- Innoviz（INVZ） ：固态 LiDAR 与汽车行业合作
- Ouster（OUST） ：可负担的数字 LiDAR 与可扩展性
所有公司都有各自的产品路线图。例如，Luminar Halo 面向主流消费级车型。此外，这些厂商均与现有车企建立了合作关系：Luminar 正在与以安全著称的 Volvo 部署其 LiDAR；BMW 采用 Innoviz 的固态 LiDAR；AEVA 向 Daimler Trucks 销售产品；Ouster 的客户名单中包括亚马逊旗下的自动驾驶公司 Zoox。Ouster 或许会在更广泛的应用场景中实现差异化，例如智慧城市。
关于何时实现“完全自动驾驶”，专家意见并不一致。悲观者认为更现实的时间尺度是“几十年”而非“几年”。谈到“完全自动化”，我们指的是车辆能够应对所有可能情形的场景。设想你多年一直乘坐无人出租车，但某次行程却因系统在特定条件组合下“困惑”而发生事故。考虑到车辆必须处理的细节之多，就会明白真正的挑战在于覆盖各种边界场景（edge cases） 。
现实中，常见情形是：车辆在某些功能上表现很好（例如自动泊车），但在其他场景（例如历史城区里狭窄巷道、且需与不总是守规矩的人类驾驶员互动的路况）仍需时间打磨。运行设计域（Operational Design Domain, ODD） 这个术语，正是通过为自动化设置特定上下文来描述这一点。Waymo 并不生产面向消费者的汽车，它提供城市内的出租车服务，不向个人售车——因为“私人拥有汽车”的商业模式正日益过时。
再换一个用例：德国高速 Autobahn 没有限速。从柏林到慕尼黑以每小时 200 英里或更高速度行驶的自动驾驶场景，是许多德国居民乐见其成的。但在缺乏最高限速变更的监管前提下，这一用例对美国市场就不具吸引力。因此，针对德国市场的公司可能会优先发展“高速且自动”的能力，而其他公司则可能更专注在城市驾驶等不同领域的卓越表现。
另一个需要考虑的维度是限制与短板。例如，浓雾等恶劣驾驶条件会难倒最优秀的人类驾驶员。然而，多数传感器在感知能力上优于人眼，因此自动驾驶车辆受视觉条件的限制往往更小。
在复杂技术领域研究公司时，你需要投入大量时间。为了高效，必须有条理地构建并不断深化你的知识库。在技术世界中，看似微小、没有领域知识就容易被忽略的细节，可能会成为改变游戏规则的关键。你不必掌握每一个技术细节，但必须理解组件之间如何交互、知道该问哪些问题、以及知道应当向谁发问。
4.2.6 预测收益（Projected earnings）
我们来看看市场上这四家公司的收益预测。它们的每股收益与营收增速（截至 2024 年 11 月）如下表 4.4，数据来源为投资平台 Seeking Alpha。
表 4.4 预测营收（单位：百万）
| 代码 | 2024年12月 | 2027年12月 | 增长 |
|---|---|---|---|
| AEVA | 6.63 | 32（至 2026 年） | 382.65% |
| INVZ | 24.30 | 670 | 2660.49% |
| LAZR | 70.28 | 851 | 1110.8% |
| OUST | 111.00 | 311.80 | 180.9% |
| 来源：Seeking Alpha |
如果这些预测能够被保证，那么不投资反而是不理性的。但这些预测中的多个细节需要核实。例如，LAZR 预计在三年内营收增长超过 10 倍，听起来相当激进。我们可以尝试从其他来源收集数据进行对照。
我们还可以用 Python 的金融库来拉取并解释收益预估。下面的代码示例通过 yfinance 收集并打印收益估计：
objects = ["AEVA", "LAZR", "INVZ", "OUST"]
for o in objects:
stock = yf.Ticker(o)
print(f"{o}: {stock.earnings_estimate}")
这段查询的结果可能与前述数据不同。下表 4.5 是对 Luminar（LAZR）收益估计的转录，左侧为时间跨度，随后是预期的平均、最低、最高值；yearsAgoEps 列表示上一个基期的值。以第一行举例，yearsAgoEps 为 -3 对应前一季度的结果。
表 4.5 Luminar Technologies 的收益估计
| 时间 | avg | low | high | yearsAgoEps | NrOfAnalysts | growth |
|---|---|---|---|---|---|---|
| 0q | -1.99971 | -2.25 | -1.71885 | -3 | 4 | 0.3334 |
| +1q | -1.82250 | -2.10 | -1.50000 | -2.85 | 4 | 0.3605 |
| 0y | -9.94375 | -10.20 | -9.62 | -13.05 | 4 | 0.2380 |
| +1y | -6.53799 | -7.60 | -5.85 | -9.94 | 4 | 0.3425 |
这些数据表明 Luminar 仍预计无法实现盈利。积极的一面是，与以往时期相比，亏损预计会明显收窄。从去年每股收益 -13.05 到本年的 -9.94，改善幅度约 24% 。公司在改善现金消耗。如果趋势不变，达到盈利只是时间问题。然而，由于尚未看到明确盈利，风险仍在。
初创公司的盈利是最难预测的项目之一。为了预测未来，我们常常需要依赖历史数据。Ouster 成立于 2015 年，Luminar 成立于 2012 年，Innoviz 与 Aeva 成立于 2016 年。可以推测，这些公司一直在等待自动驾驶走向主流，从而兑现“全世界的汽车都需要‘眼睛’”的想法。在此背景下，仅仅依赖这些公司的历史收益并不可靠。某家公司可能签下一个重量级订单，从而瞬间改变格局。或许此时更适合暂停并观察市场信号：与主要玩家达成的大合同、项目正顺利推进的信息、或车辆表现超出预期的迹象。
分析其他领域（ANALYZING OTHER FIELDS）
本章旨在梳理识别成长型公司的流程。实际的研究过程往往更庞大且反复迭代：不断建立投资论点、从新事件或新洞见中学习、再精炼认知以调整投资策略。
请选择你熟悉的领域。如果你擅长生物科技，可以研究从事 mRNA 疫苗 的公司；如果你对这一方向持保留态度，可以把减重药物作为一个强有力的替代方向继续深挖。持续研究，直到你为目标公司找到类似初创企业的不对称优势（unfair advantage） （mng.bz/8XEW）。
4.3 风险（Risks）
假设我们一心只想着靠买入被低估的激光雷达（LiDAR）公司股票、再高位卖出而赚到数百万。这样可能会丧失客观性——太多人把钱押在梦想上，最终却走进了噩梦。
研究风险，甚至比分析潜在收益更重要。错过一次好的投资机会，或许会刺痛自尊；但亏钱更具毁灭性，尤其当你事后发现，如果当初做得更好的风险管理，本可避免这笔损失。
对冲基金常把分析师的角色拆分为“研究风险”和“研究回报”两类，从而形成制衡，防止过度乐观的投资。
如果我们是独自投资，可以在不同视角间切换。某一天，允许自己兴奋，去探索一切可能出现的好事；另一天，再切换到悲观者的角色，从保守视角剖析这次机会。用多角度看问题，会提升你做出正确决策的概率。
想象一下：有位过度兴奋的投资人声称，“一旦联邦利率下调，LiDAR 概念股就会反弹。”我们此刻的任务是：找出这位乐观者可能错在何处，并明确我们需要分析哪些点来降低不确定性。
4.3.1 陷入淘汰（Falling into obsolescence）
Tesla Vision 项目设想了这样一种自动驾驶未来：通过更强大的计算机视觉算法，取代 LiDAR 传感器。马斯克押注“无 LiDAR 的未来”是否明智，专家们众说纷纭。许多人认为，如果没有用激光测距的传感器，实现 L5 级自动驾驶不可能。然而，万一特斯拉的策略成功了呢？
LiDAR 是昂贵部件。如果车企能在不使用这类传感器的前提下，达到“足够好”的性能，为了让车辆更可负担，他们很可能会把 LiDAR 砍掉。
最糟糕的情况是：那些主要押注汽车市场的 LiDAR 公司，可能会因此丧失赖以生存的根基。在认真投资 LiDAR 之前，有必要更深入理解 LiDAR 的替代路线。
4.3.2 被行业巨头“碾压”（Squashed by industry giants）
Waymo 的商业模式是向消费者提供无人出租车服务，本身并不造车。设想一种情形：Waymo 的管理层决定把其“自动驾驶套件”卖给其他车企，帮助它们实现 L5 级自动化。与 Alphabet 这样的先行者竞争（其在自动驾驶领域提供的是一个全面的平台）将会异常艰难。对想投资 LiDAR 初创公司的投资者而言，更糟的是：Waymo 还自研硬件。
我们研究的这四家公司，都是试图用自家硬件扩大份额的初创企业。而许多大型公司多年来一直在向汽车客户提供 LiDAR。以法国的 Valeo 为例。假设你是车企，要为新车型挑选 LiDAR。如果你测试后发现，一个你长期合作的大型供应商与一家新创公司的硬件评分相当——你会选择体量更小、你尚不熟悉、且可能因其规模带来更多风险的小供应商吗？
4.3.3 全球化与冲突（Globalization and conflicts）
Innoviz Technologies 总部位于以色列。在撰写本章时，以色列正处于持续的冲突之中。预测此类冲突将如何演变超出了本书范围；但我们必须承认，位于冲突国家的公司面临更高风险。
我们也看到过中美之间的贸易战。既然美国已经禁用了 华为（Huawei） ，那么美国政府为何不可能调查、甚至禁止中国 LiDAR 企业进入美国市场？中国头部厂商 禾赛科技（Hesai Group） 在美国市场或将面临挑战。就近期新闻看，它曾被五角大楼列入黑名单，后因公司提起诉讼而被撤销（mng.bz/KwzE）。
上世纪 90 年代末至 2000 年代初，德国企业还是太阳能电池板的领先生产者。二十多年后，中国在整个供应链上占据了全球 80% 以上的光伏产能。一些专家认为，中国的国家干预型经济模式，可能为中企带来不公平的优势。若要更好理解这种风险，我们需要设想国家主导的干预如何影响市场，并评估其发生的可能性。
4.4 持续分析（Ongoing analysis）
寻找投资机会可比作猎人守候猎物：出手太早或太晚都会错失目标。在投资中把握时机同样至关重要。
像真正的猎人一样，投资者的“子弹”也是有限的。如果你把资金过早锁定在某个机会里，当更好的机会出现时，可能就缺乏可用的资本。因此，投资分析的结论有时会是“先观望”，继续留意更有利的机会。下面我们探讨如何保持对市场的持续筛查。
4.4.1 媒体（Media）
各类投资平台会发布分析师文章，例如 “LiDAR Quarterly Insights Q3 2024 Summary”（mng.bz/jZDV）。投资者可以订阅新闻简报，了解其他投资者的看法。此外，Reddit 等平台上常有针对特定股票的子论坛，你也可以在社交媒体上关注目标公司。高质量内容通常来自**《华尔街日报》 、 《金融时报》或彭博社**等权威媒体。而在如 LiDAR 系统这类垂直领域里，也有面向专家的专业刊物会深入技术细节。
关键挑战之一是辨识真实信息。大语言模型可能“幻觉”，而公司社媒或投关部门发布的内容也未必客观。所有上市公司都有“财报发布会”这一固定事件——高管不太可能说出“本季度糟透了，我们目标全部失败”之类的话。因此，需要读懂弦外之音。有时，分析师必须具备扎实的行业认知，才能正确解读 CEO 的措辞。
4.4.2 趋势分析（Trend analysis）
可以通过分析 Google 搜索或社交媒体上的话题标签来预判趋势。观察图 4.6 的 LiDAR 搜索数据可见，这一主题的热度随时间上升。
图 4.6 Google Trends 中的 LiDAR 话题
我们也可以查看所选四家公司的搜索频率。可以尝试调整关键词为股票代码或公司名。毕竟 “ouster” 在英语里还有其他含义，仅用股票代码 OUST 并不总有效。图 4.7 展示了 2024 年对相关公司名进行 Google 趋势检索的结果。
图 4.7 Ouster、Luminar、AEVA Technologies 与 Innoviz 的 Google 趋势
还可以用 Python 代码采集趋势信息。一个可用的库是 Pytrends。下面的代码用于抓取 Google 的历史趋势数据：
from pytrends.request import TrendReq
import pandas as pd
pytrend = TrendReq(hl='en-US', tz=360)
keywords = ["Luminar Technologies", "Ouster Inc",
"AEVA Technologies", "Innoviz Technologies"]
pytrend.build_payload(keywords, cat=0, timeframe='today 12-m',
geo='', gprop='')
interest_over_time_df = pytrend.interest_over_time()
print(interest_over_time_df.head())
interest_over_time_df.to_csv('google_trends_data.csv')
查看结果可以帮助我们持续跟踪趋势并观察变化。表 4.6 给出了示例结果。
表 4.6 LiDAR 相关公司的 Google 搜索趋势
| 日期 | Luminar | Ouster | AEVA | Innoviz | isPartial |
|---|---|---|---|---|---|
| 2024-10-13 | 33 | 5 | 3 | 3 | True |
| 2024-10-06 | 43 | 5 | 4 | 3 | False |
| 2024-09-29 | 42 | 2 | 2 | 2 | False |
| 2024-09-22 | 48 | 0 | 0 | 0 | False |
| 2024-09-15 | 39 | 0 | 0 | 0 | False |
趋势只表示用户搜索某个关键词的频率；若要判断情绪，还需进行新闻情绪分析。
4.4.3 新闻情绪分析（News sentiment analysis）
我们可以收集来自各种媒体的新闻与评论，并用算法进行分析。第 3 章介绍的 Alpha Vantage 库提供了聚合数据的获取方式。下面的代码用于计算新闻情绪分数：
def collect_sentiments(ticker):
import requests
r = requests.get(f'https://www.alphavantage.co/query?
function=NEWS_SENTIMENT&tickers={ticker}&apikey={key}')
return pd.DataFrame.from_dict(r.json()['feed'])
def summarize_sentiments(df, ticker):
from collections import Counter
ticker_sentiment = df['ticker_sentiment']
label_string = ""
score = 0
for record in ticker_sentiment:
if record[0]['ticker'] == ticker:
if label_string != "":
label_string += ","
label_string += record[0]['ticker_sentiment_label']
score += float(record[0]['ticker_sentiment_score'])
print(score)
word_count = Counter(label_string.split(","))
word_count_df = pd.DataFrame(word_count.items(),
columns=['Word', 'Count'])
print(word_count_df)
对四家初创公司的股票代码调用 collect_sentiments 方法，会得到情绪分数。我们将 2024 年 11 月的新闻结果按多空倾向分为：看多（BU）、略看多（SW BU）、中性（NEU）、略看空（SW BE）与看空（BE），见表 4.7。
表 4.7 所选 LiDAR 公司的新闻情绪分数
| 代码 | 分数 | BU | SW BU | NEU | SW BE | BE |
|---|---|---|---|---|---|---|
| INVZ | 1.197801 | 0 | 6 | 16 | 1 | 0 |
| OUST | 6.714778 | 10 | 10 | 4 | 0 | 0 |
| LAZR | 4.497577 | 5 | 9 | 11 | 1 | 0 |
| AEVA | 1.623819 | 1 | 5 | 22 | 1 | 0 |
整体看新闻偏正面。但仍需谨慎：如果多数来源来自计划投资的投资者，结论可能受偏。因而应持续跟踪趋势、观察转折，并仔细核验信息来源。
4.4.4 成功度量（Measuring success）
无论你采用何种投资论点，都要问自己：如何衡量成功？有些突破不会立刻反映在营收或利润上。最可靠的信息往往来自内部人士（如公司员工），但参与关键项目的专家通常被禁止公开披露见解。
以自动驾驶为例，我们可以统计上路的机器人出租车数量，并监测媒体上关于新交易与新合同的报道。评估你是否扎实地构建了投资论点的一种方法，是看你能否轻松找到衡量其成功的指标。如果你不确定该观察什么，那就应花更多时间打磨论点。
4.5 接下来做什么（What is next）
细读我们的 LiDAR 研究后，许多分析师可能会认同：在做出决策前，仍有不少细节需要进一步研究。对 LiDAR 的这次探索可暂以“观望”收尾——更激进的投资者或许已经选择入场。每位投资者都需要自己决定：在做出决定前，愿意投入多少时间进行分析。即便 LLM 能加速研究，扎实的分析依然需要时间。
我们已经列举了诸多风险。也许哪天会发现 Tesla Vision 路线正确，汽车 LiDAR 市场被颠覆；也可能发现特斯拉的“无 LiDAR”路线走不通。其他市场信号也会影响 LiDAR 股的前景。研究初创公司时，我们可能会遇到被大公司收购的情形，从而推高股价。
理想的投资标的，是能在多年内持续产生可观现金流、且拥有稳固护城河的公司。基于已有分析，我们已识别出具备潜力的候选者；但必须承认，不确定性仍然很大。最终的决策在很大程度上取决于投资者个人的策略：
- 激进型：认为证据已足、可以投入资金；
- 谨慎型：继续深挖研究；有人会得出“风险不值得潜在回报”的结论，转向更保守的选择；
- 混合型：先投入小额资金，同时持续研究。
一些值得探索的猜想性选题（Some speculative ideas to explore）
如果你一时想不到新的研究方向，可以考虑以下主题：
- mRNA 技术：新冠疫情推动了 mRNA 技术的巨大进步。疫苗厂商手握大量资源以探索新的应用。如果其中一家找到针对癌症的疫苗，会发生什么？
- 气候变化：其影响愈发显著。需要哪些措施来缓解？哪些技术（如可再生能源、二氧化碳封存）能发挥作用？
- 肥胖与审美：肥胖问题广泛存在，许多消费者依旧看重传统审美。怎样的减重药才能在全球范围内走红？
- 素食替代：素食产品往往比肉类更便宜，但肉食者认为口感仍难以媲美真肉。如果某食品商做出了“口感可与真肉媲美”的素食产品呢？
- 地缘政治威胁：每天都有新的挑战。需要哪些解决方案来应对？
- AI 基建受益者：尽管很多 AI 公司已估值不菲，也可关注间接受益的企业。以能源为例，数据中心持续用电量巨大。哪些能源既能稳定供给、又尽量少排放二氧化碳？
总结（Summary）
- 赌博多凭直觉，投资则依赖批判性思维。成功从不保证，但投资者可以不断复盘过往决策，从中学习，为未来改进。
- 在陌生领域，我们往往高估自己的能力，这很危险，可能导致不必要的风险。坚持做自己懂的事，投资你理解的业务。
- 一份投资论点（investment thesis）要说明你为何相信某项投资会盈利，它需要结构化的研究，且往往耗时。
- 同行评审对打磨论点极其宝贵。邀请他人质疑你的假设、检验你的推理。
- 投资你所熟悉的事物是成功关键。违背这一原则，无异于蒙眼投镖。市场受多重因素影响，理解它通常需要大量经验，因此更应投资你深谙的领域。
- 关注诸如自动驾驶等创新，以保持领先。要找到投资标的，需在该行业内寻找能更好解决特定问题的公司。
- 投资者与创始人面临相同挑战：都要找到成功的商业点子；不同的是，投资者无需亲自运营公司。
- 我们需要考虑潜在风险，例如伦理风险与被淘汰风险，正如案例研究所示。
- 发现好投资的一种方法是寻找被低估的公司——它们往往不受投资者关注。因此可在细分赛道中寻找能贡献隐性价值的参与者。
- 设法找到能凭借新商业模式在较长时期内产生大量现金流的公司；若其模式不易被复制或挑战，就可能是高成长候选。找到这类公司需要功夫与耐心。
- 仅看到机会的潜力还不够；必须充分质疑与评估这些想法。
- 初创公司可能需要数年才能盈利；但若商业模式扎实，即便尚未盈利、仍处新兴市场，投资它们也可能获得可观回报。与大公司相比，初创和小公司更容易遭遇流动性问题。
- 很少有人像创始人那样在公司上投入如此多的时间与精力。创始人留在管理层往往是实力的体现；我们也要对创始人离任保持警惕。
- 技术可能带来差异化，但还必须权衡成本与其它影响产品渗透率的因素。最好的产品未必能成为市场领导者。
- 错过投资机会会伤自尊；忽视它也可能造成经济损失。
- 认知即利润。永远清楚自己在买什么。
- 任何产品都有被淘汰的可能。时刻关注竞争与市场。
- 押注初创意味着以更高风险换取更高回报；但它们往往要在市场上对抗更大的企业。
- 地缘政治将愈发影响全球市场中公司的表现。
- 如有疑虑，宁可先不投，但要保持对变化的敏感，以便日后重审分析。
- 投资者可以对目标领域进行趋势与新闻情绪分析。
- 条件允许时，咨询该领域专家的意见或分析。
- 保持怀疑精神。多听，但在证据充足前不轻信。
- 调研跨行业的合作与关联，包括尚未正式对外的潜在合作。
- 有的投资者寻找他们认为价值被人为或暂时压抑的公司（价值投资）；也有人寻找可能以颠覆性产品/服务改写市场的公司（成长投资）。两种方法并不互斥。
- 在筛选公司时，也要研究行业与产品特定风险：例如，有些公司资本开支密集，在高利率环境下面临压力；另一些则可能遭遇产品与市场契合度（PMF）不匹配的风险。
