关于AI相关资本支出的讨论，往往被视为一个整体概念。所谓资本支出，其实就是企业用于购买数据中心、芯片、服务器、电力系统等长期性资产所投入的资金。
NVIDIA、大型云计算企业以及数据中心建设、电力需求等相关因素，都被归入同一个范畴，并被统称为“AI基础设施”。
但我认为这种分类方式已经不再具有太大的实际意义了。
资本支出并不会以一个简单的标题在市场上被提及；实际上，它的流动过程涉及一系列环节。例如，一家云计算企业决定增加对AI基础设施的投资，但这一资金首先会用于购买芯片、半导体设备、服务器、网络设施、数据中心建设以及电力系统等相关投入，只有经过这些环节后，这些资源才能真正转化为可使用的计算能力。
这才是这个话题真正有趣的地方。
那些知名的AI相关企业仍然很重要，但它们并不能代表整个市场的全貌。如果AI资本支出确实成为了市场中最重要的投资领域之一，那么我们更应该问的问题不是：“哪些公司是AI领域的领先企业？”
“哪些公司属于AI相关企业？”
而应该是：
“这些资金实际上流向了哪里？”
在本文中，我们将使用Python和EODHD提供的数据来构建一个简单的AI资本支出分析框架。我们的目的并不是为了制定投资清单，而是希望通过这个分析框架，将相关概念分层梳理，对比企业的基本面与市场对其的认可程度，从而了解AI基础设施相关投资在数据中究竟体现了哪些特征。
目录
先决条件
在开始学习之前，你应当已经熟悉Python的基础知识，尤其是如何使用字典、列表、函数以及pandas数据框。
此外，你还需要以下条件：
-
Python 3.9或更高版本
-
一个EODHD API密钥
-
以下Python库：`requests`、`pandas`、`numpy`和`matplotlib`
-
对一些基本的财务指标有所了解，比如收入增长、利润率、市盈率、股票回报率、波动性以及回撤率等
阅读这篇文章并不需要具备高级的金融知识。我们的目的只是探讨数据可视化如何帮助我们理解市场趋势，而非构建完整的估值模型或股票推荐系统。
我们的研究内容
如果简单来说的话，这篇文章主要会列出一些与AI相关的股票。
但这并不是我想要探讨的重点。
更有效的方法是将AI相关支出视为一条产业链，并分析这条产业链中的各个环节在市场中分别处于什么位置。
例如，一家销售GPU的公司与AI产业有直接关联；而一家为数据中心建造电气系统的公司，则与AI产业的联系相对间接。尽管这两家公司都能从同一条产业链中获益，但它们的经济状况、利润率、估值方式以及市场表现可能会存在很大差异。
因此，我们的研究分为三个部分。
首先，我们会构建一个涵盖芯片、半导体设备、服务器、网络系统、数据中心、供电设施、冷却系统以及基础设施建设等各个层面的AI产业生态图。
其次，我们会从EODHD数据库中提取基本财务数据和股价信息，以此来评估两方面的情况：
-
基本面指标：该企业的业务是否呈现出增长趋势？其盈利能力如何？
-
市场反应指标：市场的投资者是否已经对该企业给予了正面评价？股价是否因此有所上涨？
最后，我们会将这些企业信息整理成矩阵形式，从中寻找其中的规律和趋势。
我们的最终目的并不是列出“最优秀的AI基础设施股票”，而是通过这些分析，更清晰地了解AI相关投资在哪些领域已经取得了显著成果，在哪些地方这类投资显得尤为集中，以及从何时开始，物理基础设施层面的建设变得不可或缺。
导入所需包
我们的设置会保持简洁性。毕竟，这只是一个分析工具，而不是一个生产系统。
import requests
import pandas as pd
import numpy as np
from datetime import date, timedelta
import matplotlib.pyplot as plt
这些包已经涵盖了我们进行这项分析所需的所有功能。
`requests`用于调用EODHD API，`pandas`用于处理数据表格，`numpy`则有助于进行基本的计算。我们会使用`date`和`timedelta`来计算一年内的价格变化范围，而`matplotlib`则用于生成图表。
构建AI产业生态图
在分析与人工智能基础设施相关的股票时，存在一个问题：评估企业对人工智能相关支出的投入程度并非一个直观、清晰的财务指标。没有任何API能够直接告诉我们某家企业的“30%的支出用于人工智能数据中心建设”，或者它“与GPU基础设施有着密切的联系”。因此，我们首先需要构建一个研究框架来梳理这些信息。
在撰写这篇文章时，我使用了一个大型语言模型作为研究助手，帮助我初步整理出了涉及人工智能支出的各个领域及其相关企业。之后，我又手动审核了每一家企业的基本情况，并从EODHD数据库中提取了它们的财务数据和股价信息。
这个研究框架被分成了多个层次：
“`python
ai_capex_universe = [
{‘ticker’: ‘MSFT.US’, ‘company’: ‘Microsoft’, ‘capex_layer’: ‘需求侧大型企业’, ‘exposure_level’: ‘高’, ‘reason’: ‘微软是通过Azure在云计算和人工智能基础设施领域投入最多的企业’},
{‘ticker’: ‘AMZN.us’, ‘company’: ‘Amazon’, ‘capex_layer’: ‘需求侧大型企业’, ‘exposure_level’: ‘高’, ‘reason’: ‘亚马逊也是在人工智能和云计算基础设施方面投入巨大的企业’},
{‘ticker’: ‘GOOGL.US’, ‘company’: ‘Alphabet’, ‘capex_layer’: ‘需求侧大型企业’, ‘exposure_level’: ‘高’, ‘reason’: ‘Alphabet在Google Cloud以及其内部人工智能系统中投入了大量资金’},
{‘ticker’: ‘META.us’, ‘company’: ‘Meta Platforms’, ‘capex_layer’: ‘需求侧大型企业’, ‘exposure_level’: ‘高’, ‘reason’: ‘Meta在人工智能计算和数据中心建设方面有较大的投资规模’},
{‘ticker’: ‘NVDA.us’, ‘company’: ‘NVIDIA’, ‘capex_layer’: ‘人工智能计算与芯片’, ‘exposure_level’: ‘非常高’, ‘reason’: ‘NVIDIA是人工智能训练和推理领域中核心的GPU及加速器供应商’},
{‘ticker’: ‘AMD.US’, ‘company’: ‘Advanced Micro Devices’, ‘capex_layer’: ‘人工智能计算与芯片’, ‘exposure_level’: ‘高’, ‘reason’: ‘AMD在人工智能加速器和数据中心CPU方面也有显著的投资’],
{‘ticker’: ‘AVGO.us’, ‘company’: ‘Broadcom’, ‘capex_layer’: ‘人工智能计算与芯片’, ‘exposure_level’: ‘高’, ‘reason’: ‘Broadcom在为人工智能基础设施提供定制化的芯片和网络解决方案’},
{‘ticker’: ‘MRVL.US’, ‘company’: ‘Marvell Technology’, ‘capex_layer’: ‘人工智能计算与芯片’, ‘exposure_level’: ‘高’, ‘reason’: ‘Marvell在定制化芯片、网络技术以及数据基础设施方面有投入’],
{‘ticker’: ‘AMAT.us’, ‘company’: ‘Applied Materials’, ‘capex_layer’: ‘半导体设备’, ‘exposure_level’: ‘高’, ‘reason’: ‘Applied Materials为先进芯片的生产提供了必要的设备’},
{‘ticker’: ‘LRCX.US’, ‘company’: ‘Lam Research’, ‘capex_layer’: ‘半导体设备’, ‘exposure_level’: ‘高’, ‘reason’: ‘Lam Research是半导体制造设备的供应商’],
{‘ticker’: ‘KLAC.us’, ‘company’: ‘KLA’, ‘capex_layer’: ‘半导体设备’, ‘exposure_level’: ‘高’, ‘reason’: ‘KLA为芯片制造提供了工艺控制和检测工具’},
{‘ticker’: ‘ASML.US’, ‘company’: ‘ASML’, ‘capex_layer’: ‘半导体设备’, ‘exposure_level’: ‘非常高’, ‘reason’: ‘ASML是先进芯片制造中至关重要的光刻设备供应商’},
{‘ticker’: ‘DELL.us’, ‘company’: ‘Dell Technologies’, ‘capex_layer’: ‘服务器与存储设备’, ‘exposure_level’: ‘高’, ‘reason’: ‘Dell在人工智能服务器和企业级硬件方面有大量投资’},
{‘ticker’: ‘HPE.US’, ‘company’: ‘Hewlett Packard Enterprise’, ‘capex_layer’: ‘服务器与存储设备’, ‘exposure_level’: ‘中’, ‘reason’: ‘HPE在服务器、存储设备以及企业基础设施领域有投资’],
{‘ticker’: ‘SMCI.us’, ‘company’: ‘Super Micro Computer’, ‘capex_layer’: ‘服务器与存储设备’, ‘exposure_level’: ‘高’, ‘reason’: ‘Super Micro Computer在人工智能服务器系统和数据中心硬件方面有投入’},
{‘ticker’: ‘ANET.US’, ‘company’: ‘Arista Networks’, ‘capex_layer’: ‘网络技术’, ‘exposure_level’: ‘高’, ‘reason’: ‘Arista Networks是与人工智能集群建设密切相关的网络设备供应商’},
{‘ticker’: ‘CSCO.us’, ‘company’: ‘Cisco’, ‘capex_layer’: ‘网络技术’, ‘exposure_level’: ‘中’, ‘reason’: ‘Cisco在网络技术和企业基础设施领域有投资’],
{‘ticker’: ‘EQIX.US’, ‘company’: ‘Equinix’, ‘capex_layer’: ‘数据中心’, ‘exposure_level’: ‘中’, ‘reason’: ‘Equinix在全球范围内拥有众多数据中心和互联基础设施’),
{‘ticker’: ‘DLR.us’, ‘company’: ‘Digital Realty’, ‘capex_layer’: ‘数据中心’, ‘exposure_level’: ‘中’, ‘reason’: ‘Digital Realty在数据中心房地产领域有投资’},
{‘ticker’: ‘VRT.US’, ‘company’: ‘Vertiv’, ‘capex_layer’: ‘电力与电气系统’, ‘exposure_level’: ‘高’, ‘reason’: ‘Vertiv为数据中心提供了电力和热能管理解决方案’],
{‘ticker’: ‘ETN.us’, ‘company’: ‘Eaton’, ‘capex_layer’: ‘电力与电气系统’, ‘exposure_level’: ‘中’, ‘reason’: ‘Eaton在电气系统和电力管理系统方面有投资’},
{‘ticker’: ‘PWR.US’, ‘company’: ‘Quanta Services’, ‘capex_layer’: ‘电力与电气系统’, ‘exposure_level’: ‘中’, ‘reason’: ‘Quanta Services在电网建设、电力供应以及基础设施开发领域有投入’],
{‘ticker’: ‘CEG.us’, ‘company’: ‘Constellation Energy’, ‘capex_layer’: ‘电力与电气系统’, ‘exposure_level’: ‘中’, ‘reason’: ‘Constellation Energy从数据中心的扩张中获得了电力需求的增长收益’},
{‘ticker’: ‘TT.US’, ‘company’: ‘Trane Technologies’, ‘capex_layer’: ‘冷却与工业系统’, ‘exposure_level’: ‘中’, ‘reason’: ‘Trane Technologies在建筑物的冷却系统以及相关基础设施领域有投资’],
{‘ticker’: ‘CARR.us’, ‘company’: ‘Carrier Global’, ‘capex_layer’: ‘冷却与工业系统’, ‘exposure_level’: ‘中’, ‘reason’: ‘Carrier Global在冷却系统、暖通空调系统以及相关基础设施领域有投资’},
{‘ticker’: ‘JCI.US’, ‘company’: ‘Johnson Controls’, ‘capex_layer’: ‘冷却与工业系统’, ‘exposure_level’: ‘中’, ‘reason’: ‘Johnson Controls在建筑系统、控制系统以及冷却基础设施方面有投资’],
{‘ticker’: ‘EME.us’, ‘company’: ‘EMCOR Group’, ‘capex_layer’: ‘建筑与工程领域’, ‘exposure_level’: ‘中’, ‘reason’: ‘EMCOR Group在电气和机械建筑工程领域有投资’},
{‘ticker’: ‘FIX.US’, ‘company’: ‘Comfort Systems USA’, ‘capex_layer’: ‘建筑与工程领域’, ‘exposure_level’: ‘中’, ‘reason’: ‘Comfort Systems USA为商业基础设施提供机械和电气相关的服务’}
]
universe = pd.DataFrame(ai_capex_universe)
universe.head()
“`
这个研究框架涵盖了与人工智能基础设施相关的各个领域及其相关企业，为我们分析这些企业的投资状况提供了有力的依据。
这为我们提供了进行研究所需的资料范围。
重要的是，这个表格本身并不能证明任何事情；它仅仅定义了一个分析框架而已。真正的比较分析需要我们接下来提取的基本面数据以及历史价格信息。
获取故事背后的财务数据
这个资料范围为我们提供了分析的框架，但这个框架本身并不等同于分析结果。
现在我们需要了解每家公司的实际财务状况。为此，我们将使用EODHD提供的基本面数据和历史价格信息。
基本面数据有助于我们评估企业的经营实力；而价格数据则能帮助我们判断市场是否已经将这家公司视为AI资本支出相关投资对象。
基本面数据
首先，我们将使用EODHD提供的基本面数据接口来获取所需信息。
api_key = '您的EODHD API密钥'
def get_fundamentals(ticker):
url = f'https://eodhd.com/api/fundamentals/{ticker}?api_token={api_key}&fmt=json'
data = requests.get(url).json()
return data
注意：请将您的EODHD API密钥替换为您实际的API密钥。
这个函数会调用指定的股票代码对应的基本面数据接口，并返回完整的JSON格式数据。
对于这次分析来说，我们并不需要所有的数据，因此只会提取那些对我们有用的信息。
def extract_fundamental_fields(ticker, data):
general = data.get('General',{})
highlights = data.get('Highlights',{})
valuation = data.get('Valuation', {})
technicals = data.get('Technicals', {})
return {
'ticker': ticker,
'sector': general.get('Sector'),
'industry': general.get('Industry'),
'market_cap': highlights.get('MarketCapitalization'),
'revenue_growth_yoy': highlights.get('QuarterlyRevenueGrowthYOY'),
'profit_margin': highlights.get('ProfitMargin'),
'operating_margin': highlights.get('OperatingMarginTTM'),
'return_on_equity': highlights.get('ReturnOnEquityTTM'),
'pe_ratio': highlights.get('PERatio'),
'forward_pe': valuation.get('ForwardPE'),
'beta': technicals.get('Beta')
}
这些字段能够让我们直观地了解企业的成长情况、盈利能力、估值水平以及其整体经营状况。
现在我们可以将这个分析过程应用到整个研究范围内的所有股票上。
fundamental_rows = []
for ticker in universe['ticker']:
try:
data = get_fundamentals(ticker)
row = extract_fundamental_fields(ticker, data)
fundamental_rows.append(row)
print(f'{ticker} 分析完成')
except Exception as e:
fundamental_rows.append({
'ticker': ticker,
'sector': np.nan,
'industry': np.nan,
'market_cap': np.nan,
'revenue_growth_yoy': np.nan,
'profit_margin': np.nan,
'operating_margin': np.nan,
'return_on_equity': np.nan,
'pe_ratio': np.nan,
'forward_pe': np.nan,
'beta': np.nan
})
print(f'{ticker} 分析出现错误')
fundamentals = pd.DataFrame(fundamental_rows)
fundamentals.head()
如果某个股票代码的数据获取失败，try块会确保扫描过程能够继续进行。这一点非常重要，因为我们的分析对象包含了各种类型的公司，某一个数据缺失并不会影响整个分析结果的准确性。
历史价格数据
接下来，我们将使用EODHD提供的历史收盘价接口来获取过去一年的历史价格数据。
price_start = date.today() - timedelta(days=365)
price_end = date.today()
def get_price_history(ticker):
url = f'https://eodhd.com/api/eod/{ticker}?api_token={api_key}&fmt=json&from={price_start.isoformat()}&to={price_end.isoformat()}&period=d'
data = requests.get(url).json()
prices = pd.DataFrame(data)
if prices.empty:
return pd.DataFrame()
prices['date'] = pd.to_datetime(prices['date'], errors='coerce')
prices['adjusted_close'] = pd.to_numeric(prices['adjusted_close'], errors='coerce')
prices = prices.dropna(subset=['date', 'adjusted_close'])
prices = prices.sort_values('date').reset_index(drop=True)
return prices[['date', 'adjusted_close']]
我们使用调整后的收盘价数据进行计算，因为这样在股票分割或分红后进行回报分析时会更加方便。
现在，我们将把这些历史价格数据转换成若干市场指标。
def calculate_marketsignals(prices):
if prices.empty or len(prices) < 60:
return {
'return_1y': np.nan,
'return_6m': np.nan,
'return_3m': np.nan,
'volatility_1y': np.nan,
'max_drawdown_1y': np.nan
}
prices = prices.copy()
prices['daily_return'] = prices['adjusted_close'].pct_change()
latest_close = prices['adjusted_close'].iloc[-1]
return_1y = (latest_close / prices['adjusted_close'].iloc[0]) - 1
return_6m = (latest_close / prices['adjusted_close'].iloc[-126]) - 1 if len(prices) >= 126 else np.nan
return_3m = (latest_close / prices['adjusted_close'].iloc[-63]) - 1 if len(prices) >= 63 else np.nan
volatility_1y = prices['daily_return'].std() * np.sqrt(252)
running_high = prices['adjusted_close'].cummax()
drawdown = (prices['adjusted_close'] / running_high) - 1
max_drawdown_1y = drawdown.min()
return {
'return_1y': return_1y,
'return_6m': return_6m,
'return_3m': return_3m,
'volatility_1y': volatility_1y,
'max_drawdown_1y': max_drawdown_1y
}
这些指标能够告诉我们市场对每家公司的反应强度如何。
现在，我们将对每一个股票代码应用相同的分析逻辑。
market_rows = []
for ticker in universe['ticker']:
try:
prices = get_price_history(ticker)
signals = calculate_marketsignals(prices)
signals['ticker'] = ticker
market_rows.append(signals)
print(f'{ticker} 处理完成')
except Exception:
market_rows.append({
'ticker': ticker,
'return_1y': np.nan,
'return_6m': np.nan,
'return_3m': np.nan,
'volatility_1y': np.nan,
'max_drawdown_1y': np.nan
})
print(f'{ticker} 出现错误')
marketsignals = pd.DataFrame(market_rows)
market_signals.head()
最后，我们将各种因素——包括行业环境、基本面数据以及市场信号——合并成一个统一的数据集。
capex_data = universe.merge(fundamentals, on='ticker', how='left')
capex_data = capex_data.merge(marketsignals, on='ticker', how='left')
print(capex_data.columns)
capex_data.head()
区分企业的自身实力与市场对其的认可程度
现在，我们来探讨那个能让分析变得有实际意义的部分。
如果我们只关注股票收益，那么我们实际上就是在追逐那些已经发生变动的因素；而如果我们只考虑基本面数据，就会忽略市场对相关主题的实际反应。
因此，我将这种分析分为两个简单的指标：
-
基本面指标：该企业的业务是否展现出增长势头和盈利能力？
-
市场认可度指标：市场是否已经对该企业的股票给予了正面反馈？
首先，我们需要一个辅助函数来对各项指标进行标准化处理。
def min_max_score(series):
series = pd.to_numeric_series(series, errors='coerce')
if series.isna().all():
return pd.Series(0, index=series.index)
min_val = series.min()
max_val = series.max()
if min_val == max_val:
return pd.Series(0.5, index=series.index)
return (series - min_val) / (max_val - min_val)
通过这种处理，所有指标都会被转换成0到1的范围，这样我们就可以直接比较各种指标的值了，而不会因为数值的差异导致比较结果出现偏差。
基本面指标
现在我们来构建这个基本面指标。
capex_data['revenue_growth_score'] = min_max_score(capex_data['revenue_growth_yoy'])
capex_data['profit_margin_score'] = min_max_score(capex_data['profit_margin'])
capex_data['operating_margin_score'] = min_max_score(capex_data['operating_margin'])
capex_data['roe_score'] = min_max_score(capex_data['return_on_equity'])
capex_data['fundamental_signal'] = (
capex_data['revenue_growth_score'] * 0.35 +
capex_data['operating_margin_score'] * 0.30 +
capex_data['profit_margin_score'] * 0.20 +
capex_data['roe_score'] * 0.15
) * 100
capex_data['fundamental_signal'] = capex_data['fundamental_signal'].round(2)
capex_data[['ticker', 'company', 'capex_layer', 'revenue_growth_yoy', 'operating_margin', 'profit_margin', 'return_on_equity', 'fundamental_signal]].sort_values('fundamental_signal', ascending=False).head(10)
这个信号并不是为了评选出最优秀的公司，而是用来判断这些公司的业务数据是否能够支持它们在人工智能领域的资本支出计划。
在我分析的过程中，NVIDIA显然脱颖而出，因为它的收入增长速度和利润率都处于较高的水平。但有趣的是，不仅仅是NVIDIA，像KLA、Arista、Broadcom、Microsoft、Meta、Lam Research、Alphabet以及Super Micro这样的公司也因为不同的原因而排在榜单的前列。
这一点已经告诉我们一些重要的信息：在人工智能领域的资本支出相关投资中，获胜者其实有多种类型。有些是利润率较高的平台型企业，有些则是半导体设备制造商；还有一些是增长迅速但利润率较低的硬件企业。
市场认可度信号
现在我们来构建这个市场认可度信号。
capex_data['return_1y_score'] = min_max_score(capex_data['return_1y'])
capex_data['return_6m_score'] = min_max_score(capex_data['return_6m'])
capex_data['return_3m_score'] = min_max_score(capex_data['return_3m'])
capex_data['drawdown_score'] = min_max_score(capex_data['max_drawdown_1y'])
capex_data['market_recognition_signal'] = (
capex_data['return_1y_score'] * 0.40 +
capex_data['return_6m_score'] * 0.30 +
capex_data['return_3m_score'] * 0.20 +
capex_data['drawdown_score'] * 0.10
) * 100
capex_data['market_recognition_signal'] = capex_data['market_recognition_signal'].round(2)
capex_data[['ticker','company','capex_layer','return_1y','return_6m','return_3m','max_drawdown_1y','market_recognition_signal]].sort_values('market_recognition_signal', ascending=False).head(10)
在这里，事情变得更加有趣了。
这份榜单上出现的不仅仅是那些大型云计算企业或芯片制造商，像Comfort Systems、Vertiv、Quanta Services、Dell、Applied Materials以及Lam Research这样的公司也表现得非常突出。这一现象清楚地表明，人工智能领域的资本支出相关投资已经开始扩展到物理基础设施领域，而不再仅仅局限于那些传统的超级大型的AI相关企业中。
人工智能资本支出矩阵：投资真正发挥作用的地方
在这个阶段，我们有了两种不同的分析视角。
-
基本分析信号可以帮助我们判断这些公司的业务状况是否良好。
-
市场认可度信号则可以告诉我们，这些公司的股票价格是否已经反映了市场对其投资价值的认可。
现在我们可以将这两种分析方法应用到同一个图表中来进行对比了。
plt.figure(figsize=(12, 8))
plot_data = capex_data.dropna(subset=['market_recognition_signal', 'fundamental_signal', 'market_cap']).copy()
plot_data['bubble_size'] = np.sqrt(plot_data['market_cap']) / 5000
for layer in plot_data['capex_layer'].unique():
layer_data = plot_data[plot_data['capex_layer'] == layer]
plt.scatter(
layer_data['market_recognition_signal'],
layer_data['fundamental_signal'],
s=layer_data['bubble_size'],
alpha=0.6,
label=layer
)
for _, row in plot_data.iterrows():
if row['market_recognition_signal'] > 55 or row['fundamentalsignal'] > 45:
plt.text(row['market_recognition_signal'] + 0.8, row['fundamental_signal'] + 0.8, row['ticker'].replace('.US', ""), fontsize=10)
plt.axvline(plot_data['market_recognition_signal'].median(), linestyle='--', linewidth=1)
plt.axhline.plot_data['fundamental_signal'].median(), linestyle='--', linewidth=1)
plt.text(median_market + 2, median_fundamental + 55, '基本面强劲，市场认可度较高', fontsize=10)
plt.text(4, median_fundamental + 55, '基本面强劲，但市场认可度较低', fontsize=10)
plt.text(median_market + 2, 4, '市场认可度较高，但基本面较弱', fontsize=10)
plt.text(4, 4, '在这个评估框架中，这类情况不太明显', fontsize=10)
plt.title('AI资本支出矩阵：基本面与市场认可度')
plt.xlabel('市场认可度指标')
plt.ylabel('基本面指标')
plt.legendbbox_to_anchor=(1.05, 1), loc='upper left')
plt.tight_layout()
plt.show()
这是这项研究中最有用的图表。
它清楚地表明了一点：AI资本支出并没有形成某个统一的、清晰的集群。
NVIDIA显然是这个群体中的异类。这也很合理，因为它的发展速度和利润率几乎无法与其他任何企业相提并论。
但图表的右侧才真正揭示了更重要的信息。AMD、Marvell、Vertiv、Comfort Systems、Dell、Lam Research、Applied Materials以及Quanta Services这些公司都获得了更高的市场认可度。这些公司来自不同的领域：有些从事芯片生产，有些制造设备，还有一些则涉及物理基础设施的建设。
这一点很重要，因为它说明市场不仅仅奖励那些最显而易见的AI企业，同时也奖励那些能够帮助将AI资本支出转化为实际基础设施的公司。
这就是这篇文章的核心观点：AI资本支出的投资模式不再像是一个简单的科技投资组合，而更像是一条逐步建设的产业链。
哪些AI基础设施层获得了市场的最高认可度？
这个矩阵在企业层面确实很有参考价值。但分析AI资本支出的投资情况时，也需要从不同层次来进行考量。
因此，接下来我按照capex_layer对这些公司进行了分类，并计算了它们的中位数回报率以及中位数市场认可度得分。
layer_performance = capex_data.groupby('capex_layer').agg(
company_count=('ticker', 'count'),
median_return_1y>('return_1y', 'median'),
median_return_6m>('return_6m', 'median'),
median_fundamental_signal>('fundamental_signal', 'median'),
median_market_recognition>('market_recognition_signal', 'median')
).reset_index()
layer_performance = layerperformance.sort_values('median_return_1y', ascending=False)
layer_performance
随后，我按照不同的基础设施层次绘制了这些公司的一年期中位数回报率。
plt.figure(figsize=(11, 6))
plt.barh(layer_performance['capex_layer'], layerperformance['median_return_1y'] * 100)
plt.gca().invert_yaxis()
plt.title('按AI基础设施层次划分的一年期中位数回报率', fontsize=14, pad=12)
plt.xlabel('一年期中位数回报率 (%)')
plt.ylabel('')
plt.grid(axis='x', alpha=0.25)
plt.tight_layout()
plt.show()
从这个图表中我们可以看出，事情的真相其实并不那么明显。
从一年内的平均回报来看，建筑和工程行业排在首位，其次是半导体设备、人工智能计算与芯片领域，以及服务器和存储技术。但这并不符合人们通常谈论人工智能相关投资时的观点。
需要强调的是，建筑和工程行业并不一定就是最值得投资的领域。由于样本量较小，这一结果只能作为参考依据来看待。不过它确实告诉我们一些有用的信息：市场在奖励那些负责构建人工智能基础设施的公司，而不仅仅是那些销售芯片或云服务的企业。
这才是关键所在。一旦人工智能相关投资转化为实际的基础设施，这种投资趋势就会体现在那些与设备、服务器、电气工程以及建筑行业相关的公司身上。
物理基础设施层已不再被忽视
这部分内容是我认为在分析人工智能相关投资时最有参考价值的。
人们通常认为，人工智能相关投资主要体现在芯片和大型云计算企业身上。但一旦这些投入真正转化为基础设施，涉及的范围就会大大扩大。人工智能数据中心需要服务器、网络设备、供电系统、冷却设施、电网建设以及各种物理基础设施。
因此，我对数据进行了筛选，重点关注那些不那么显而易见的基础设施相关领域。
physical_layers = ['供电与电气系统', '冷却与工业系统', '建筑与工程',
'数据中心', '服务器和存储', '网络设备']
physical_infra = capex_data[capex_data['capex_layer'].isin(physical_layers)].copy()
physical_infra = physical_infra.sort_values(['market_recognition_signal', 'fundamental_signal'], ascending=False)
physical_watchlist = physical_infra[['ticker', 'company', 'capex_layer', 'revenue_growth_yoy', 'operating_margin',
'return_1y', 'return_6m', 'fundamental_signal', 'market_recognition_signal]].head(12)
physical_watchlist.head(10)
Comfort Systems、Vertiv、Dell、Quanta Services、Cisco、HPE、EMCOR、Equinix、Johnson Controls以及Digital Realty等公司，都涉及到了人工智能基础设施建设的不同环节。其中一些公司专注于服务器领域，有些则负责供电与电气系统建设，还有的公司涉及数据中心、冷却设施或建筑工程。
关键在于：市场已经开始将物理基础设施相关投资视为人工智能相关投资的重要组成部分。
这并不意味着这些公司都具有相同的价值或发展潜力。它们的基本面状况差异很大。但这个表格清楚地说明了，如果只关注“人工智能软件”或“人工智能芯片”相关的公司，就会忽略掉整个投资链中的许多重要环节。
市场已经注意到的那些现象
这一部分非常重要，因为并非所有涉及人工智能资本支出的公司都处于早期发展阶段。
产业链中的一些企业早已采取了积极行动。这并不意味着它们是弱小的企业，但确实改变了我们需要思考的问题。此时，问题不再仅仅是这些企业是否与人工智能基础设施有关联，而应该是：市场是否已经将这些关联因素反映在了股价中。
为了验证这一点，我根据市场认可度对相关公司进行了排序。
market_already_noticed = capex_data.sort_values('market_recognition_signal', ascending=False).head(10).copy()
marketalready_noticed['return_1y'] = (marketAlready_noticed['return_1y'] * 100).round(2)
marketalready_noticed['return_6m'] = (marketalready_noticed['return_6m'] * 100).round(2)
marketalready_noticed['return_3m'] = (marketalready_noticed['return_3m'] * 100).round(2)
marketalready_noticed['max_drawdown_1y'] = (marketalready_noticed['max_drawdown_1y'] * 100).round(2)
marketalready_noticed = marketalready_noticed[['ticker', 'company', 'capex_layer', 'return_1y', 'return_6m', 'return_3m',
'max_drawdown_1y', 'market_recognition_signal', 'fundamental_signal']]
marketalready_noticed
这份列表为我们提供了一个有用的现实参考。
Comfort Systems、AMD、Marvell、Vertiv、Lam Research、Dell、Applied Materials、Quanta Services、Cisco以及Alphabet等公司都在这份名单中，且它们的市场认可度都非常高。这种多样性才是关键所在——这些企业涉及的领域包括芯片制造、半导体设备、服务器、网络技术、能源系统、基础设施建设，甚至还有大型云计算服务提供商。
这说明，与人工智能资本支出相关的投资机会已经在股价表现上得到了体现，并没有处于潜伏状态。
但这也意味着我们需要谨慎对待“潜在受益者”这种说法。有些涉及基础设施建设的公司已经取得了非常可观的年度收益。因此，更值得探讨的问题应该是：
“哪些公司真正与人工智能产业有关联？”
而不是：
“这些关联因素在多大程度上已经被市场所认可？”
这项研究揭示了什么
当我们不再将涉及人工智能资本支出的公司视为一个统一的群体时，这种投资现象就更容易被理解了。
数据清楚地表明了三点。
首先，那些知名度较高的公司依然非常重要。NVIDIA依然是这个领域中最具优势的公司，而与芯片相关的企业也继续处于人工智能基础设施相关投资的中心位置。
其次，这种投资趋势已经超越了芯片领域。半导体设备、服务器、网络技术、能源系统以及基础设施建设等相关企业都在市场认可度数据中有所体现。这是合乎逻辑的——人工智能基础设施的建设不仅仅涉及模型训练，还需要物理空间、电力系统、冷却设施、数据中心以及各种建设工作。
第三，市场认可度与企业的经营实力并不总是同步发展的。有些企业虽然基本面良好，但其股价走势却较为平稳；而另一些企业则即便基本面不够强劲，也采取了积极的市场行动。因此，仅仅贴上“受益于人工智能发展”的标签是远远不够的。
结论
在人工智能领域进行的资本投入并不仅仅是一个与大型科技企业相关的故事；实际上，它涉及一系列复杂的支出链。
一旦我们梳理清楚这一支出链，就会发现相关主题其实更加广泛且有趣。这些投资活动涵盖了从芯片到半导体设备，从服务器到网络技术，再到数据中心建设以及电力供应、冷却系统等相关领域。
这项研究的初衷并不是为了找出最值得投资的人工智能基础设施相关股票，而是为了绘制出一张更清晰的地图，揭示目前哪些行业已经开始受到人工智能发展的影响。
这张地图非常重要，因为人工智能发展的下一阶段，或许并不取决于谁最频繁地提及这一概念，而取决于谁拥有那些真正使人工智能成为可能的基础设施。
