中信证券称中国 AI 交易正转向能源和化工
在 AI 于第二季度释放了大部分预期影响后，中信证券调整了其中国股票策略的重心。这家券商目前预计，随着快速的行业轮动考验高估值科技股，能源和化工企业将获得投资者更多关注。
这并不意味着 AI 算力需求已经见顶。中信证券表示，近期的 AI 进展强化了算力需求持续增长的既有逻辑。然而，仅凭这一趋势尚不足以消除长期商业化的疑问，也无法为估值无限扩张提供理由。
这种区分构成了核心矛盾。中国 AI 供应链仍具备增长空间，但投资者愈发希望看到盈利证据，而非又一个笼统的科技叙事。能源和化工企业则通过更低估值、利润改善和供给趋紧，提供了另一种收益来源。
因此，这一策略类似于杠铃配置。AI 位于偏成长的一端，能源和化工则提供盈利支撑和估值保护。它回应的是一个动能愈发不可靠、持续性领涨主线仍然稀缺的市场。
中信的 AI 与能源杠铃配置反映了更快的市场节奏
这次配置调整是对异常快速行业轮动的回应，而非对中国 AI 投资周期的否定。
8 月 30 日发布的一份市场快讯总结了中信证券最新的策略研究。该券商表示，自 2022 年以来，快速的结构性轮动已成为中国 A 股市场的常态。
报告称，极快轮动阶段通常只会持续一到两个月。其共同特征是盈利预测上调的覆盖面狭窄，即分析师上调预测的行业过少，难以支撑一条持久的市场主线。
这一背景改变了投资者对 AI 强劲季度表现的解读。集中的盈利贡献可以验证特定硬件供应商的表现，却不足以支撑所有带有 AI 标签的公司。它也可能吸引短线资金，而当其他行业出现更强的盈利修正时，这些资金便会迅速撤离。
中信证券将 AI 定位为杠铃策略中更具进攻性的一端。它吸引寻求高增长、新型计算架构以及基础设施需求上升敞口的投资者。能源和化工构成较稳健的一端，因为其投资逻辑更直接取决于利润、供给纪律和估值。
杠铃型投资组合并不要求两端同时表现。它结合受不同预期驱动的资产，降低对单一持续市场趋势的依赖。在这一案例中，AI 高度依赖未来增长，而能源和化工更依赖当前经营层面的证据。
这种区别很重要，因为投资者常将“AI 需求”视为一笔交易。实际上，供应链涵盖芯片、光网络、服务器、电力系统、冷却设备、软件和数据中心运营商。它们的收入确认时点、利润率和资本需求差异显著。
一些供应商会在硬件发货时确认收入。数据中心运营商则必须先为建设融资并获得电力保障，随后工作负载才能产生经常性收入。应用开发商面临另一项考验，涉及用户留存、推理成本和付费意愿。
中信证券的观点接受基础设施需求信号，但质疑在缺乏更广泛商业化支撑的情况下，这一信号能在多大程度上推高估值。该券商称，近期 AI 进展强化了算力增长逻辑，但其本身并未改变遥远的收入叙事。
杠铃的另一端正受到更扎实的短期数据推动。中国国家统计局报告称，2026 年上半年规模以上工业企业利润增长 18.7%。
该机构更新的工业利润数据显示，截至 7 月，行业分化更加显著。计算机和通信设备行业利润同比增长 110%。
化学原料和化学制品行业利润增长 56.6%。煤炭开采行业利润增长 50.4%，石油和天然气开采行业增长 15.4%。这些数据同时支持中信证券配置框架的两端。
数据也说明，这一策略比简单撤出科技股更为微妙。电子行业利润依然异常强劲。变化在于，当投资者已经认识到这一强势后，额外的估值上行空间可能从何而来。
中信证券实际上是在区分盈利确认与估值倍数扩张。AI 公司可以继续实现增长，但其股价对熟悉的需求消息可能不再那么敏感。低估值工业企业则可能随着盈利改善消除估值折价的理由而上涨。
这是该策略中的第一个反转。更好的 AI 基本面并不自动意味着 AI 是最强的边际交易。当预期变得苛刻时，其他领域较小的积极变化也可能引发更大的市场反应。
狭窄的盈利覆盖面让投资者持续流动
当市场存在多笔可信交易，却缺乏足够广泛、能够主导市场的盈利趋势时，快速轮动便会出现。
中信证券将当前轮动与有限的盈利上调覆盖面联系起来。当某一行业中许多公司的预测同时上调时，投资者能够在短期波动中持有这一主题。当上调仍然集中时，资金便会在较小的赢家群体之间流动。
贸易摩擦增加了另一项约束。出口增长一直是许多 A 股公司最重要的盈利信号之一。然而，关税风险、外交政策不确定性和不断变化的供应链规则，可能降低投资者赋予海外收入的估值。
汇率影响进一步增加了比较难度。货币波动可以在不反映单位需求相应变化的情况下，抬升或压低报告利润。它们也会影响进口成本、海外资产以及海外销售收入的折算价值。
这些力量使市场广度更难维持。一家公司可能报告可接受的经营业绩，却因投资者质疑其外部市场的可持续性而获得更低估值。这会鼓励更短的持有周期和更快的行业切换。
动量策略在这种环境中表现不佳。动量依赖近期赢家持续跑赢足够长时间，以弥补偶发反转带来的影响。快速轮动不断打断这一过程。
中信证券更完整的策略讨论称，当领涨主线快速变化时，动量和追逐景气度的策略尤其脆弱。这些策略在市场具有明确且持续的方向时表现更好。
低估值策略通常在轮动中表现更佳，但中信证券指出了一个重要例外。该券商表示，只有 PB-ROE 方法会随着轮动速度加快而展现出统计上显著的优势。
PB 指市净率，即比较公司市值与账面净资产的指标。ROE 指净资产收益率，用于衡量股东资本所创造的利润。
PB-ROE 框架寻找估值相对于盈利能力偏低的公司。它也可以识别那些尽管已有回报改善证据、但投资者仍按疲弱状况定价的企业。
根据一份详细的策略摘要，在快速轮动期间，中信证券传统的残差型 PB-ROE 投资组合历史上平均每月跑赢中证全指 158 个基点。
该券商称，加入困境反转因子后，该策略每月的历史超额收益提高至 179 个基点。一个基点等于一个百分点的百分之一。
这些数字描述的是历史模型，而非对未来回报的保证。它们取决于中信证券的定义、投资组合构建、交易假设和所选样本期。投资者不能假定公开的因子结果能够在真实交易成本下延续。
不过，这一机制符合当前市场。当投资者放弃拥挤的领涨股时，往往会寻找利润可衡量、估值要求不高的公司。这一过程带来的是估值修复，而非持久的动量浪潮。
中信证券将工业金属、煤炭和物流列为符合其传统 PB-ROE 方法的行业。它将化工、电池和畜禽养殖与困境反转版本联系起来，在这一版本中，供给出清改善了行业经济性。
这给 AI 交易的各个环节带来压力。芯片和服务器供应商必须持续实现足够强劲的盈利上调，以抵消高企的预期。应用公司则必须证明，使用量的增长能够转化为有利润的收入。
基金经理面临不同的压力。他们不能简单地用防御性行业替代 AI，并忽视算力增长。他们需要保留潜在 AI 上行空间的敞口，同时不依赖同一批拥挤持仓每个月都领涨。
能源和化工企业同样面临审视。仅靠低估值无法维持重估。投资者需要看到更高利润反映的是持久的供给状况，而非暂时的商品价格或库存变动。
杠铃结构回应了这些相互竞争的需求。它在保留 AI 基础设施参与度的同时，加入能够通过当前盈利实现估值修复的公司。它也承认，任何一端都不代表永久的市场领涨主线。
更强的算力需求尚未解决 AI 商业化问题
中信证券最具影响力的判断是，额外的算力需求确认了 AI 建设浪潮，却无法决定谁将从中获得有吸引力的回报。
算力需求是 AI 投资逻辑中最清晰的部分。训练更大的模型需要消耗大量处理能力，而为这些模型提供服务则要求针对每次用户请求反复进行推理。
智能体系统可以成倍增加这种负载。传统聊天机器人可能只生成一次回答，而智能体可以规划、搜索、调用工具、检查结果并修订工作。每一步都可能需要额外的模型计算。
这一模式支撑了半导体设计商、晶圆代工厂、存储供应商、光网络厂商、服务器制造商、冷却服务商和电力基础设施。它也解释了为何在更广泛复苏不均衡期间，中国电子行业利润能够大幅增长。
然而，收入不会在整条链条中均匀流动。硬件供应商可能在软件客户证明自己愿意支付足以覆盖推理费用的金额之前便已受益。因此，基础设施可能繁荣，而应用经济性仍未明朗。
中信证券的报告明确划出了这条界线。近期 AI 发展强化了算力需求的既定方向，但不足以改写长期商业化叙事。
对于 AI 应用而言，商业化需要的不只是使用量增长。提供商必须留住用户、控制服务成本、建立可靠的工作流程，并将试验转化为经常性合同。
企业买家又面临一重延迟。在将敏感工作投入生产前，他们必须测试安全性、准确性、集成能力和治理机制。即使试点成功，也未必能转化为大规模部署。
开发者面临类似阻力。更强的模型或许能减少完成一项任务所需的人力，却也会增加被尝试完成的任务数量。由此产生的算力账单，增长速度可能快于软件提供商所能获取的经济价值。
这种不确定性会影响基础设施估值。供应商今天或许能收到强劲订单，因为实验室和云服务提供商正竞相扩建产能。但其远期估值仍取决于终端客户能否创造足够收入，以支撑这类支出。
CITIC将递归自我改进（RSI）视为可能抬高长期估值上限的一项发展。RSI指的是能够显著加速研发和工程流程、从而打造更强后继系统的系统。
这一理念已不再只是纯粹的推测讨论，但在全面规模上仍未得到验证。Anthropic表示，已有早期证据显示AI正在加速AI研究，同时也强调了尚未解决的瓶颈和严重的控制风险。
在其RSI research agenda中，Anthropic认为，算力可用性最终可能决定发展速度。该公司还指出，实验、硬件、能源、制造和人工验证仍是重要约束。
如果AI系统显著改善新模型的开发过程，算力需求可能因两方面原因上升。更强的模型会吸引更多应用场景，而自动化研究则会消耗资源，以实现进一步改进。
但商业影响仍将并不均衡。模型实验室和基础设施供应商或许能获取显著价值，而应用提供商可能面临更快的产品迭代，以及对外部平台更强的依赖。
CITIC还提到，反蒸馏可能带来潜在变化。知识蒸馏利用更强教师模型的输出或行为来训练更小的学生模型。它能够降低成本，但也可能削弱原开发者的商业护城河。
反蒸馏技术旨在阻止未经授权的能力提取，或让被复制的能力更容易被识别。其价值既体现在经济层面，也体现在技术层面，因为前沿开发者在训练、数据和研究上投入巨大。
学术研究已探讨水印、输出修改及其他防御手段。一项模型保护研究展示了，生成文本中的不可见信号如何帮助识别模型滥用，并抵抗移除。
一套实用的反蒸馏系统，可能提升领先实验室针对差异化能力收费的能力。它也可能降低竞争对手通过大规模查询复制高成本性能的风险。
不过，防御技术涉及权衡。对模型输出的改动可能影响质量或用户体验。检测系统可能产生误报，而意志坚定的攻击者也能调整其提取方法。
法律立场也因司法辖区和合同而异。蒸馏是一种标准机器学习方法，因此争议往往聚焦于授权、访问方式和服务条款，而非该技术本身。
这也是CITIC将RSI和反蒸馏视为潜在估值催化剂、而非既定结果的原因。两者都可能强化前沿模型的收入护城河，但都尚未解决完整的商业化难题。
因此，当前AI逻辑仍以基础设施为主导。芯片及配套系统的需求，比应用层面实现可持续利润更早显现。这更支持选择性配置，而非不加区分地配置AI资产。
能源和化工提供盈利支撑，而非避风港
CITIC的杠铃策略中，能源和化工一端只有在利润改善能够经受价格走弱、政策变化和又一次库存反转时才能成立。
吸引力首先来自估值。许多能源和化工生产商按成熟行业预期交易，因此对盈利能力已趋于稳定的证据更为敏感。
它们的盈利也可能受益于供给端收缩。当高成本工厂关闭，或企业推迟新增产能时，留存的生产商将获得更高的产能利用率和更强的定价纪律。
CITIC的困境反转框架正是在寻找这种组合。市场起初因回报疲弱而折价某个行业；随后供给退出、需求趋稳，幸存企业产生的盈利优于其估值所暗示的水平。
中国最新工业数据为这种复苏提供了证据。国家统计机构数据显示，2026年前七个月，化学原料和化学制品制造业利润增长56.6%。
煤炭利润增长50.4%，石油和天然气开采利润增长15.4%。石油、煤炭及其他燃料加工业则从整体亏损转为盈利。
这些改善具有重要意义，但并不能证明周期具有持久性。若比较期本身疲弱，年度同比增速可能显得格外惊人。行业汇总数据也可能掩盖企业之间的巨大差异。
化工盈利能力取决于原料成本、产品价差、装置利用率和下游需求。若原材料成本上涨快于售价，生产商即使营收更高，利润也可能下降。
能源企业面临大宗商品价格波动和政策干预。煤炭需求可能依然强劲，但个别矿企仍可能遭遇产量限制、运输约束或更高的安全支出。
油气生产商取决于全球价格、汇率变动和资本纪律。炼油企业的经济性可能有所不同，因为较低的原油价格会降低投入成本，但也可能造成库存损失。
因此，该行业不应被视为被动型防御配置。它承受的运营、环境、地缘政治和监管风险，与AI公司面临的风险并不相同。
其在CITIC框架中的优势是相对的。能源和化工的估值所需乐观假设，可能少于高增长科技股。利润改善随后即使没有永久性的大宗商品牛市，也能推动估值修复。
时点同样重要。CITIC称，AI的贡献集中于第二季度，而能源和化工之后可能逐步走强。这种表述描述的是轮动顺序，而非AI盈利见顶的定论。
投资者可能以两种方式误读这一顺序。第一种是认为每一项AI持仓都已完成其盈利周期。硬件订单和数据中心投资可能在一个季度之后仍保持强劲。
第二种是认为每一家低估值化工生产商都会获得重估。即便行业数据改善，产能过剩、资产负债表疲弱或成本位置不佳的公司仍可能维持低估值。
因此，严谨的杠铃策略要求两端都进行筛选。AI持仓需要可验证的订单、利润率或客户采用情况。能源和化工持仓则需要现金创造能力、回报改善和可信的供给条件。
这一方法不同于追逐动量。它不会仅因一家公司的股价近期上涨就买入，而是考察在市场主导力量变化后，盈利能否支撑估值。
它也不同于简单的价值策略。较低的市净率可以意味着隐藏机会，也可能反映回报长期疲弱。将PB与ROE结合，旨在区分正在复苏的企业与持续存在的价值陷阱。
CITIC论点最有力的版本，将显示同步确认：AI基础设施盈利保持韧性，同时化工和能源持续呈现更广泛的利润改善。
最弱的版本则会显示两端同时恶化：在应用尚未产生足够收入前，AI支出可能放缓；而随着产能回归或大宗商品价差收窄，工业利润也可能走弱。
这正是杠铃策略的核心风险。在同一个走弱的宏观经济环境中，即使在两种叙事之间分散配置，也无法消除损失。
三项信号将检验CITIC的轮动论点
下一阶段将由盈利修正的广度、AI收入护城河的证据，以及工业利润复苏的持久性决定。
第一项信号是第二季度财报季后盈利预期修正的广度。投资者应关注上调是否会扩散至少数计算供应商以外的领域。
软件、云服务、网络、电力设备和AI应用领域若出现更广泛的预期上调，将强化CITIC论点中的科技一端。这将表明，计算投资正成为更广泛的盈利周期。
相反，狭窄的预期修正将支持轮动逻辑。如果只有少数硬件公司持续获得上调，那么高估值AI股票在任何其他行业报告利润改善时都将继续脆弱。
利润率走向与营收增长同样重要。硬件公司需要足够的定价能力，以抵消制造和扩产成本。应用提供商则需要营收增长超过新增推理成本。
第二项信号是AI商业化出现可信的变化。这种变化可能涉及递归自我改进、有效的反蒸馏系统，或其他能够强化模型经济性的机制。
对于RSI，重要证据并不是实验室宣称其模型有助于研究人员。更严格的检验是，AI系统是否缩短开发周期，同时在后继模型中带来经独立验证的改进。
对于反蒸馏，投资者应寻找部署证据。实验室必须证明，其防御措施能阻止能力提取，同时不会降低普通客户的输出质量，或错误限制合法使用。
任一结果都将强化远期估值逻辑。RSI可能扩大需求并加速能力增长，而有效的反蒸馏则可能保护前沿模型开发者所获得的回报。
失败则会削弱AI交易中最具投机性的部分。算力需求可能仍然很高，但模型提供商仍将难以把技术领先转化为持久的商业优势。
第三项信号是能源和化工利润增长能否在后续月度数据中持续。投资者应将利润增长与产量、价格、利用率、库存和现金流进行比较。
多项指标持续改善将支持CITIC的PB-ROE逻辑。这将表明，行业盈利反映的是更好的行业经济性，而非有利的低基数比较。
快速放缓将削弱轮动论点。如果化工利润在生产商重启产能的同时失去动能，估值修复可能在新的持久市场领导者形成之前结束。
政策和贸易发展将影响全部三项信号。进一步的贸易限制可能降低出口估值、改变科技供应链，并推动能源或原料成本变动。
汇率变化也可能改变各行业的报告结果。投资者应将折算影响与经营改善区分开来，尤其是对于海外收入占比较高或依赖进口投入品的公司。
原始报告仍是一份券商策略观点，而非官方预测或投资保证。公开摘要提供了核心结论，但并未披露其背后的每一项模型假设。
这一验证缺口值得关注。扩展报道确认了有关轮动、PB-ROE、AI 算力需求以及能源-化工杠铃策略的核心论点，但并不意味着该策略能够免受数据变化的影响。
对于技术采购方和开发者而言，这项分析传递了一个超越股票市场的实用信息：基础设施需求可以快速增长，而单个 AI 产品的经济价值仍未尘埃落定。
因此，团队应关注实际成果，而不只是模型能力。可参考的指标包括已完成工作量、错误率、客户留存率、推理成本，以及投入生产使用所需的人工审核量。
可搜索的 AI 知识库 能帮助团队将这些评估与供应商说法、会议记录和部署结果一并留存。当模型与价格快速变化时，这些记录将变得尤为宝贵。
中信证券的框架最终要求投资者同时把握两点：AI 算力需求仍是真实的增长动力，但熟悉的需求证据已不再保证估值会进一步扩张。
能源和化工则通过盈利复苏和较低的起始估值提供了另一条路径。它们并非无风险的科技替代品，其改善中的数据仍需进一步验证。
未来三个月，应关注盈利上调是否扩大范围、AI 实验室能否建立更强的商业护城河，以及工业利润能否保持韧性。这些信号将揭示，杠铃策略是在成为可持续的配置方式，还是仅仅是快速变化市场中的最新一轮转向。
