铃阅时讯
❌

普通视图

中金11月数说资产

2026年11月17日 07:30

原创 中金研究 2026-11-17 07:30 上海

向前看,宏观经济和政策走势如何?对各类资产有何影响?中金公司总量以及行业为您联合解读。

中金研究

11月16日,国家统计局公布10月各项宏观经济数据,宏观经济和政策走势如何?对各类资产有何影响?中金公司总量以及行业为您联合解读。

目录

  • 宏观:基建落地偏慢

  • 大宗商品:原油加工环比回落,商品内需表现欠佳

  • 房地产:10月住房销量同比微降,投资端继续承压

  • 传媒互联网:线上实物销售增速转负

宏观:基建落地偏慢

季末效应消退,10月经济数据如期较9月放缓,而生产与需求分化加剧。需求方面主要是投资端走弱,其中可能是项目端的约束导致基建投资降幅扩大。消费基本面总体偏弱,但剔除临时因素扰动后社零增速与7-8月大致持平(9月也有节假日因素),好于10月表观数据显示的情况。我们预计年内生产端可能继续维持平稳,但在持续规范基建项目的大背景下,需求端的基建实物工作量落地节奏还待观察。

固定资产投资同比降幅再度扩大,在持续规范基建项目的大背景下,基建落地总体较慢。1-10月固定资产投资累计同比-8.1%(1-9月为-7.2%),其中建安投资累计同比下降11.0%(1-9月为-10.0%),带动整体投资下行7.6个百分点,是最大拖累项。1-10月广义基建投资累计同比-5.1%(1-9月为-4.2%),10月单月同比由前月的-5.4%进一步降至-13.0%。分子行业看,1-10月公用事业、交通运输、水利及公共设施管理业投资分别同比-7.7%、+0.7%和-14.4%(1-9月分别为-6.8%、+1.9%和-12.8%)。

资金端看,今年10月媒体报道8000亿元新型政金工具已完成投放,但资金投放与项目资本金到位、配套融资落地之间或存在时滞,例如与新型政金工具投放相关的委托贷款数据显示,10月新增委托贷款1862亿元,较上年同期的1654亿元仅多增208亿元;同时,上年同期5000亿元新型政策性金融工具的一次性投放形成较高基数,同比口径下资金端改善尚不明显。在持续规范基建项目的大背景下,年内广义基建投资转正面临一定不确定性。

电子制造业投资仍然出色,但是多数制造业行业投资同比增速下降。1-10月制造业投资累计同比-2.9%(1-9月为-2.1%)。分行业来看,AI相关产品出口带动下,1-10月电子制造业投资同比9.9%,较1-9月的9.6%进一步上升。但是多数制造业行业投资同比增速较1-9月下降,其中通用设备、交运设备、汽车等行业投资同比增速边际回落幅度较大。

房地产销售仍然偏弱,开发投资降幅进一步扩大。销售方面,10月新房市场延续调整态势,新建商品房销售面积和金额同比分别下降19.1%和18.6%(vs.9月的-20.7%和-20.1%);二手房成交表现更具韧性,住建部口径二手房交易网签面积同比涨幅继续扩大。资金方面,新房销售和房企国内贷款偏弱,房地产开发到位资金同比降幅为25.3%(vs.9月为-26.4%)。土地方面,受9月部分城市供地放量、成交节奏错位等因素影响,10月300城住宅用地成交规划建筑面积和成交金额同比分别从-33%和-19%转正至91%和87%,三四线城市是成交主力,土地成交平均溢价率下行。投资方面,在新房销售偏弱、融资约束延续以及前期拿地和新开工偏弱的影响下,10月房地产开发投资同比下降33.2%,9月降幅为26.3%。

剔除临时因素扰动后社零增速与7-8月大致持平,好于10月表观数据显示的情况。10月社零总额同比增长0.4%,较9月回落0.7个百分点。其中,汽车分项对社零拖累依然较大,而非汽车社零增速2.5%,比9月下降1.4个百分点,持平于7月和8月。9月社零增速的单月跳升受中秋错位等临时因素提振,10月随着这些因素消退,非汽车社零增速重回7-8月水平,总体保持平稳。分项来看,通讯器材、金银珠宝增速回落幅度较大,前者受秋季新手机发布节奏前移到9月的影响而增速波动,后者受去年同期金价高基数的影响而增速下滑,它们更多体现非基本面因素的影响。总体来看,9月的临时提振因素消退,10月非汽车社零增速较7-8月保持平稳。

能源供给限制继续缓解,生产与需求分化加剧。服务业增加值同比从9月的4.8%放缓至4.6%,但高于7-8月的4.2%。10月原煤产量、原油加工量同比分别为-5.8%、-8.1%(9月分别为-6.8%、-8.4%),但是内需走弱推动10月工业增加值同比增速由9月的5.5%下降至4.8%。外需仍然保持较高增速,10月出口交货值同比增速由9月的17.0%进一步上升至18.6%。行业层面的结构分化进一步加大,高技术产业增加值同比17.6%(9月为15.3%),而整体制造业增加值同比5.4%(9月为6.0%)。细分行业来看,电子、金属制品、通用设备、电气机械等行业增加值保持较高同比增速,分别为19.4%、8.6%、8.5%、8.1%(9月分别为16.4%、8.2%、8.5%、8.1%);而汽车、黑色金属、交运设备等行业增加值同比增速较9月下降较多。

图表1:经济数据汇总

资料来源:wind, 中金公司研究部

大宗商品:原油加工环比回落,商品内需表现欠佳

►  能源:原油加工和油品出口环比回落

原油方面,进口维持环比增长,炼厂开工有所下行。据统计局和海关数据,10月我国原油产量录得436万桶/天,同比+2.4%;净进口录得991万桶/天,同比-12.7%,环比+9.4%。10月国内原油加工量录得1379万桶/天,环比-1.8%,同比-8.1%。结构上,主营炼厂检修产能环比增加,地炼降负压力加大,主营、独立炼厂开工率均有所下降。

成品油方面,工业用油旺季趋紧,油品出口环比减少。产量方面,据卓创资讯,10月我国汽柴煤产量838万桶/天,环比约-0.3%,同比-9.3%,结构上汽油产量环比增加,柴油煤油产量环比下降。需求方面,出行和工业用油需求季节性分化,据卓创资讯,2026年10月,中国汽油消费量1096.97万吨,环比-5.8%,同比-12.1%;柴油消费量1442.9万吨,环比+3.3%,同比-10.1%。出口方面,成品油出口环比回落,成品油净出口录得52万桶/天,同比+99.3%,环比-63%。利润方面,10月国内汽柴油裂解价差表现分化。据卓创资讯,10月国内汽油裂解价差1,463元/吨、环比下降21.2%;柴油裂解价差1,641元/吨、环比上涨9.8%,11月初汽柴油裂解价差边际上行。

天然气方面,天然气进口环比下降,国内天然气净进口量录得139亿立方米,同比+2.5%。国内天然气产量录得214亿立方米,同比-3.5%;国内天然气表观消费录得352亿立方米,同比-1.2%。

►  黑色金属:旺季整体偏弱,行业表现或进一步下行

2026年10月,中国粗钢产量7083万吨,同比下降1.6%,日均粗钢产量236万吨;10月份生铁产量6307万吨,同比下降4.1%。2026年10月出口钢材985.4万吨,同比上升0.7%;进口钢材39.5万吨,同比下降21.5%。2026年10月份进口铁矿砂及其精矿10566万吨,同比下降5.1%;1-10月累计进口106055万吨,同比增长3.1%。

10月钢材需求旺季成色不足。供给端,钢厂盈利仍处低位,根据Mysteel统计,247家钢厂盈利率低位徘徊,近九成钢厂亏损,铁水产量持续回落。原料端,负反馈主导价格下行,焦炭完成两轮提降,焦煤10月均价环比下跌约7%;铁矿发运维持季节性高位,47港库存累积至约1.78亿吨,环比上升72万吨,矿价承压,10月铁矿月均价环比下跌约5.7%。展望11月,随着需求进入传统淡季,我们预计钢厂低盈利下铁水产量或进一步回落,供需双弱叠加成本下移,钢价或震荡走弱,建议关注冬储意愿与采暖季限产执行力度。

►  有色金属:宏观“逆风”压制铜价,铝价或进入窄幅震荡

铜:宏观“逆风”压制铜价。供给端,10月中国精炼铜产量108.7万吨,同比下降0.45%。10月中国未锻轧铜及铜材进口45.3万吨,同比上升3.5%。10月进口铜矿砂及其精矿216.7万吨,同比下降11.6%。需求端,“银十”旺季表现较好。根据SMM数据,10月铜箔开工率达到96.4%,同比上升14.5pct;铜板带开工率74.9%,同比上升15.2pct;传统下游方面,铜杆开工率同比上升3.0pct,电线电缆开工率同比上升3.4pct。展望后市,铜价短期面临的宏观压力有所增加。一方面,通胀粘性导致市场定价美联储加息概率上升;另一方面美国中期选举后,精炼铜关税和AI投资不确定性均有上升,短期铜价或继续面临估值调整压力。我们认为,短期铜价或由供需紧张主导转向宏观预期与基本面博弈,价格波动可能加大;中期来看,矿端供应弹性不足的格局尚未改变,铜价韧性较强。

铝:出口延续较好表现,库存去化支撑价格。供给端,10月中国电解铝产量387.9万吨,同比增长1.9%。出口方面,10月中国未锻轧铝及铝材出口59.4万吨,同比增长18.1%,出口需求仍保持较强韧性。需求端,10月铝线缆、铝板带、铝箔开工率同比分别上升3.7pct、3.0pct、6.2pct,加工环节同比表现有所改善。库存端,国内社会库存延续去化,10月底国内电解铝社会库存进一步下降至54.9万吨。展望后市,国内低库存仍有利于维持铝价现货韧性;海外中东电解铝产能持续复产,印尼、印度新增产能持续爬坡,供应紧张格局或在2027年逐步缓解。我们认为,国内低库存及出口韧性支撑铝价,但随着需求逐步进入淡季,海外供应逐步释放,短期铝价上下行空间均较为有限。

►  农产品:供给压力再度施压盘面 

美豆:10月美豆加速下探,环比下跌4%。总体来看,收割尾声的供应释放与原油下跌对生柴需求的冲击形成共振,利空持续打压盘面。据 USDA 周度数据,截至11 月1日美豆收割率已达 88%,高于五年均值 84%。据USDA11月报告,2026/27年度美豆单产53.3蒲式耳/英亩(同比+0.57%),产量45.74亿蒲式耳/124.48百万吨(同比+7.34%)。同时,巴西 2026/27年度产量预估也同步上调至1.86亿吨,全球大豆供应宽松的格局短期有所强化。展望11月,我们预计南美天气交易暂无指引下,美豆价格短期磨底为主,持续关注南美天气条件变化。

豆粕:10月国内豆粕市场整体呈现单边下行走势,且跌幅大于外盘。月初国庆节后油厂开机恢复,前期大豆供应偏紧的担忧逐步消退;月中进口大豆集中到港、油厂维持较高压榨水平,豆粕库存快速累积,供应压力持续释放;月下旬美豆进口成本下移,叠加下游饲料企业看跌观望、以刚需采购为主,现货价格进一步走弱。展望11月,国内豆粕市场仍面临大豆到港节奏及高库存压力,需求端缺乏持续增量,但油厂榨利亏损、进口成本支撑及南美天气变化或限制下跌空间。

生猪:10月生猪市场整体延续偏弱运行态势,供需宽松格局下猪价重心继续下移。供应端,集团场出栏计划持续增加,市场存栏压力仍存,前期二育大猪出栏意愿增强,现货供应充裕;需求端,国庆节后屠宰量虽有逐步增加,但整体仍低于9月,屠宰企业开工率小幅回落,白条走货不及预期,冻品持续分流鲜品货源,消费端支撑不足。10月全国生猪出栏均价为9.79元/公斤,较上月下跌0.88元/公斤,环比下跌8.25%,养殖端亏损进一步加深。展望11月,养殖端出栏压力或继续增加,规模企业出栏计划或环比增量;需求端虽有望随消费逐步改善而有所回升,但我们预计总体难以有效消化供应增量。

图表1:国内主要大宗商品月度供需及表观消费量

资料来源:中国海关,国家统计局,SMM,SHMET,中金公司研究部

房地产:10月住房销量同比微降,投资端继续承压

10月总住房销量同比微降低个位数,一二手显著分化。新房方面,10月全国新建商品房销售面积、金额同比分别下降19.1%、18.6%(9月-20.7%、-20.1%),10月70城新房高频备案口径销售面积同比-11%(9月+3%)、百强房企销售面积同比-22%(9月-8%),各口径同比走势差异或反映出头部城市由于销售新规影响推盘趋缓。二手房方面,10月全国二手房交易网签面积环比-9%,同比+18.9%(9月+11.5%),10月Wind15城二手房高频备案口径成交面积环比下降8%、同比增加7%(9月+6%),隐含三四线二手房销售占比从去年至今年有较大提升。我们估算10月一、二手房总销量同比下降低个位数(9月同比降中个位数)。10月中金同质性二手住宅价格指数环比降0.9%,跌速略快于今年前三季度(月均-0.7%)但仍慢于去年后三季度(月-1.5%),阶段性波动与二线及以下城市挂牌量降速趋缓(10月130城挂牌量-0.2% vs. 9月-0.6%)和核心城市二手房交易量同比改善有限相关。后续在京沪等先行企稳的城市中,应着重观察供需两侧能否互相促进形成量价正循环;在二线城市,要着重观察挂牌量走势能否复制京沪一年前的路径。

10月房地产投资端继续承压。10月房地产投资完成额同比下降33.2%(9月-26.3%),房屋新开工、竣工、存量施工面积同比分别-18.2%、-39.1%、-13.0%(9月-25.6%、-36.4%、-12.8%)。10月房企到位资金同比-25.3%(9月-26.4%),其中自筹资金同比跌幅略有收窄、销售回款同比跌幅走平。受年末城投平台集中拿地影响,10月高频口径宅地成交金额同比+90%(9月-19%)、成交建面同比+92%(9月-31%),但销售新规影响已在溢价率上有所体现(10月2% vs.    9月7%)。中期维度上,我们认为受房企资金周转速率下降影响,投资端或继续承压。

风险

房企现金流过度承压;居民收入超预期下行;板块流动性恶化。

图表1:房地产行业指标汇总

资料来源:国家统计局,中金公司研究部

传媒互联网:线上实物销售增速转负

我们据统计局公布数据测算:2026年10月社会消费品零售总额4.6万亿元,同增0.4%,增速比9月同增1.1%放缓,此前受国补影响明显的品类表现分化:家电和音像器材类同增2.5%,增速环比加快;文化办公用品和通讯器材类分别同增4.1%/6.5%,增速环比放缓。10月全国网上商品和服务零售额1.8万亿元,同比下滑1.7%,相比9月的同比增长2.8%转负。10月网上服务零售额6126亿元,同增2.2%,相比9月的同增8.3%放缓,或受中秋国庆假期连休、部分出游需求前置至9月影响。

线上实物销售表现疲软,线上渗透率同比下滑。2026年10月线上实物商品销售额同降3.6%至1.2万亿元,相比2026年9月的同增0.1%转负,主要考虑今年双11部分平台开始或预热时间延后,及今年双11首轮销售平淡的影响(根据星图数据计算双11首轮平台销售额增速仅2%)。10月线上实物商品销售按品类划分:1)线上吃类商品销售同增13.4%,表现依然稳健;2)线上穿类商品销售同降4.1%,降幅环比收窄;3)线上用类商品销售同降5.5%,降幅环比扩大。2026年10月线上购物渗透率26.3%(线上实物销售额占社会零售总额的百分比),较上年同期的27.4%有所下降,26年9月渗透率为25.6%。分母扣除餐饮品类后线上渗透率为29.6%,低于上年同期的30.8%;分母扣除餐饮、汽车及石油品类后线上渗透率为33.9%,低于上年同期的36.2%。

双11平淡收官,电商大盘增速承压。交运部数据显示,26年10月12日至11月8日的日均揽投平均包裹量同比下滑1.3%,相比去年可比同期中个位数的增速转负,同时结合10月电商数据以及第三方星图数据显示2026年双11期间全网电商销售总额同比增长4.8%,我们认为今年双11整体增速承压,背后或主要受消费情绪仍较疲弱、平台愈发重视日销并淡化购物节影响;同时在反内卷背景下,平台大促周期缩短、补贴力度趋于克制,促销规则简化、直降替代满减等措施亦对GMV增速有一定影响。

风险

行业竞争加剧,宏观经济不确定性。

Source

文章来源

本文摘自:2026年11月16日已经发布的《基建落地偏慢——10月经济数据点评》

张文朗 分析员 SAC 执证编号:S0080520080009 SFC CE Ref:BFE988

黄文静 分析员 SAC 执证编号:S0080520080004 SFC CE Ref:BRG436

郑宇驰 分析员 SAC 执证编号:S0080520110001 SFC CE Ref:BRF442

邓巧锋 分析员 SAC 执证编号:S0080520070005 SFC CE Ref:BQN515

段玉柱 分析员 SAC 执证编号:S0080521080004 SFC CE Ref:BWF061

潘治东 分析员 SAC 执证编号:S0080526070002

2026年11月16日已经发布的《10月数据点评:原油加工环比回落,商品内需表现欠佳》

郭朝辉 分析员 SAC 执证编号:S0080513070006 SFC CE Ref:BBU524

陈雷 分析员 SAC 执证编号:S0080524020004

李林惠 分析员 SAC 执证编号:S0080524060004

孙嘉晨 分析员 SAC 执证编号:S0080526070004

王聆月 联系人 SAC 执证编号:S0080125070088

2026年11月16日已经发布的《10月住房销量同比略降,投资端承压或延续》
李昊  分析员 SAC 执证编号:S0080522070007 SFC CE Ref:BSI853
徐曼迪  分析员 SAC 执证编号:S0080526060001  

2026年11月16日已经发布的《10月电商月报:线上实物销售增速转负》
吴维佳, CFA  分析员 SAC 执证编号:S0080521010011 SFC CE Ref:BHR850
白洋  分析员 SAC 执证编号:S0080520110002 SFC CE Ref:BGN055
焦莞  分析员 SAC 执证编号:S0080523110007

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

中金|AI应用参考(5):从火山引擎看AI云格局重塑,MaaS成为云增长新主线

2026年11月17日 07:30

中金点睛 2026-11-17 07:30 上海

云厂商竞争的核心正由IaaS资源规模转向模型能力、场景生态的综合比拼

图片

Abstract

摘要

AI驱动云计算行业加速增长,MaaS也是云厂商在AI时代全新的商业模式。本文以火山引擎为案例,回顾从字节内部云团队走向“以模型为中心的AI云”的发展历程,以及如何依托Seedance等模型,实现云计算业务的弯道超车。未来,我们认为,云厂商竞争的核心正由IaaS资源规模转向模型能力、场景生态的综合比拼,MaaS有望成为云市场新的增长主线。

AI改写云计算竞争要素。国内云市场正由IaaS走向MaaS的竞争,Model和Context都是核心竞争要素。各家云厂商的MaaS实现形式存在差异,阿里云突出百炼平台的API和token调用,主要以自研Qwen系列的调用为主;火山引擎则主要以Seedance的模型调用为主,辅之以豆包系列模型;腾讯云则不是单纯卖模型token,而是试图以WorkBuddy来拉动MaaS的增长。

火山引擎弯道超车,深耕行业,扩展海外。MaaS是火山引擎核心增长引擎,2025年MaaS收入15亿元;26年上半年实现MaaS收入48亿元,并将2026年目标上调至超过150亿元,Seedance贡献主要增长。Seedance系列已持续居全球视频生成模型第一梯队;Seed短期在Coding与Agent上仍需提升,但管理层愿意承受短期差距,优先自研保持长期竞争力。除了大模型,火山引擎的MaaS优势也体现在底层推理调度、创新分层定价与字节生态上。未来火山引擎增长聚焦在AI与内容、办公、汽车等领域的结合,以及海外业务的发力。

趋势研判:行业AI竞争转向全栈体系塑造,算力、模型能力、商业落地等一站式全栈布局可实现效率成本综合优势。头部厂商发力高质量MaaS业务,长期可抬升云业务利润率。AI下半场竞争聚焦真实场景高质量上下文。同时出海提速,更多的海外算力布局以支撑业务扩张。

风险

技术竞争加剧,商业化落地不及预期,盈利压力,合规风险。 

Text

正文

AI大模型作为抓手,MaaS拉动云计算加速增长

从竞争来看,阿里云与火山引擎是国内云赛道两大头部企业,二者差异化竞争。1)阿里云成长于传统云时代,技术领先、拥有丰富的产品体系,在客户体系上广泛布局,例如泛互联网、政企、金融、制造业等行业,公有云、混合云与私有化交付上壁垒深厚。在AI时代,阿里云凭借模型、云计算、芯片等全栈式布局不断加速增长,是阿里巴巴集团未来最重要的业务线之一。2)火山引擎是AI云的进攻型“选手”,依托Seedance、Seed等模型、前瞻性算力布局与推理调度工程能力,在MaaS、内容生成赛道快速突围,实现增量市场的突破。新时代云计算的竞争不再只比拼基础IaaS资源,而是模型能力、算力规模效应、推理与调度带来的成本优化能力,以及面向垂直场景的应用落地与生态构建能力等。3)腾讯云依托混元大模型与社交、内容场景,百度智能云依托文心大模型、千帆平台与自研昆仑芯,各自形成差异化布局。新时代云计算的竞争不再只比拼基础IaaS资源,而是模型能力、算力规模效应、推理与调度带来的成本优化能力,以及面向垂直场景的应用落地与生态构建能力等。

图表:中国主要互联网厂商云计算和AI布局对比

图片

图片

图片

注:用户数据为2026年9月数据

资料来源:公司公告,QuestMobile,中金公司研究部

从商业模式来看,MaaS已经成为各家云厂商关注重点,但是各家云厂商的MaaS实现形式存在差异。MaaS成为云厂商增速最快的业务之一。据IDC,2026年上半年中国MaaS市场规模达106.3亿元,已超过2025年全年的3倍。阿里云突出百炼平台的API和token调用,主要以自研Qwen系列的调用为主;火山引擎则主要以Seedance的模型调用为主,辅之以豆包系列模型;腾讯云则不是单纯卖模型token,而是打包交付开箱即用的企业Agent工作台WorkBuddy,来拉动MaaS的增长。

► 阿里云:年底MaaS有望达成300亿元目标。百炼平台MaaS业务增长迅速,8月MaaS ARR已突破160亿元。结合当前增长态势及后续新模型上线计划,公司认为FY27财年底达成300亿元ARR目标具备较高确定性。当前MaaS业务收入以自研模型为主,第三方开源模型营收同样具备可观规模。公司提及托管自研模型与开源第三方模型的毛利水平基本接近。

► 火山引擎:上调了原定150亿元的MaaS年度收入目标。Seedance2.0的爆发推动公司MaaS收入快速增长,2025年火山MaaS实际营收约15亿元。2025年底公司制定2026年MaaS业务收入目标为100亿元,至2026年4月上调至150亿元,其中视频模型Seedance 2.0能够带来单月超10亿元的收入。根据晚点的报道,2026年上半年,火山引擎MaaS业务收入达到48亿元,毛利率超过55%,并上调了原定150亿元的MaaS年度收入目标。

► 腾讯云:WorkBuddy从办公工作台出发,深度整合腾讯会议、文档、企业微信等成熟办公生态,形成可落地的企业Agent闭环。当前模型侧的竞争激烈,纯MaaS价格竞争存在压力,尤其当自研模型尚未非常出众的时候。依托办公场景与生态壁垒的平台化方案,可率先获取用户并打磨用户习惯,未来可考虑再逐步切换为自研模型。WorkBuddy带动腾讯云混元以及其他第三方模型的MaaS调用,成为腾讯云差异化增长的重要抓手。

本文我们希望以火山引擎为案例,剖析火山引擎如何以大模型为抓手实现弯道超车,并以MaaS业务拉动业务高质量增长。以此探索对行业的启示,未来行业的竞争在于算力、模型、上下文场景等的多维度体系;云厂商应该如何积极发展MaaS业务,在AI浪潮中兑现商业化价值。

火山引擎的案例:模型、算力、商业化多维度突破

图片

布局全球算力,支撑AI长期扩张

字节AI战略演进:从紧急追赶,到确立全栈自研的长期路线。GPT‑4发布后,字节内部意识到在通用大模型赛道存在明显差距,高管层召开专项会议,启动大模型专项攻关,标志内部正式转向全力投入AI大模型赛道。2024年初完成AI体系的组织架构重组,并且在AI大模型、AI应用上取得一定成就,同时公司正式把AI业务从“支持职能”正式升级为“一级战略”。2025年2月,Google研究副总裁吴永辉正式入职字节,调整研发考核机制,弱化短期版本KPI,给予基础模型更长迭代周期。此外2025年豆包大模型Seed 1.6、视频模型Seedance 2.0的出圈,也让字节有更坚定的信心在AI方向持续投入。2026年,公司谈AI业务为三大“粗主干”业务之一,在面对在Coding和Agent方向上的短期落后,管理层接受为实现长远目标,愿意牺牲一些短期利益,坚定必须全栈自研。

字节在AI战略上的坚定,使其在AI算力投入上具有前瞻性和可持续性。早在2023年GPT‑4发布之后,行业普遍还处在观望阶段,字节便提前大规模锁定GPU。2024年集团资本开支约800亿元;2025年资本开支抬升至约1500亿元,主要投入AI芯片采购、IDC基建等,支撑大模型训练推理、AI应用的落地、传统业务所需算力以及火山引擎对外变现等。据彭博报道,字节跳动正评估将2026 年资本开支最高提高至700亿美元,最终实际规模会受芯片供给、项目落地节奏动态调整。为支撑大幅提升的资本开支,2026年9月,字节跳动完成规模达296亿美元的银团贷款,利率SOFR+68bp,创下中资民企科技企业境外贷款利差的历史低位,贷款初始期限三年,最长可展期至五年,反映出国际资本对中国头部科技公司的认可。

字节跳动国内IDC整体以第三方租赁模式为主,同时近几年持续加码资产型自建。根据SemiAnalysis估算,字节跳动中国的数据中心容量超过5GW,约占中国已交付数据中心容量的五分之一,体量已居国内第一梯队;其中绝大部分通过租赁获得。

租赁拉动规模增长,自建抓长期高确定性业务。按资产所有权口径,目前字节严格自建(字节自持土地、楼宇、机电)主要为大同、和林格尔、芜湖三大园区;绝大部分容量来自第三方BOT代建与长期机柜租赁,例如公司与秦淮数据、中联数据集团的合作,系自建时间周期相对较长,而BOT模式可快速拿到大规模高功率机柜,匹配AI算力快速增长,弥补自建周期长的短板。在AI大模型训练、推理算力持续扩张背景下,字节正在加大自建IDC,自建项目主要落位东数西算枢纽,如山西大同、安徽芜湖、内蒙古(和林格尔+乌兰察布双节点)、宁夏中卫。目前火山云太行算力中心(大同)、火山引擎内蒙古和林格尔算力中心、火山引擎长三角无为算力中心(无为)部分算力已投入运营。但多数项目尚处在建、已拿地待开工状态,投产窗口集中落在2027至2029年。根据我们目前的统计,待自建算力完全落地,其自建IT负载有望超过2GW。字节选择在少数核心节点落地自持资产型自建IDC,系长期ROI更优,从而有效平衡扩张速度与长期资本回报。

加码海外数据中心投入,为TikTok业务扩张及海外AI商业化筑牢算力底座。依托Project Clover计划,欧洲落地爱尔兰并投产后,公司继续在芬兰、挪威合作建设大型算力节点,落实欧洲数据本地化合规;东南亚以泰国、马来西亚为核心构建AI算力集群,服务TikTok内容、电商与BytePlus云计算;拉美布局巴西大型绿电数据中心,服务拉美业务并承接部分全球AI推理需求;美国核心业务托管于甲骨文云,满足美国数据安全审查要求。海外算力的本地化部署既符合当地监管要求,也能够降低访问时延、优化用户体验,同时为海外大模型推理、云服务等AI业务打开成长空间。目前来看,我们预计多数大型数据中心项目2027年后陆续投入运营。海外多数物理机房服务集团内部业务,仅有马来西亚柔佛、印尼雅加达、中国香港等少数节点同步开放为火山引擎BytePlus对外云Region。

图片

核心能力建设:Model、Context至关重要

火山引擎从Model-Context构建核心护城河。1)Model(全栈自研模型):通过Seed通用大模型+Seedance视频模型+Seedream图像模型搭建完整多模态矩阵;管理层主动接受短期代码、Agent能力的差距,坚持原生预训练全栈自研,宁愿短期榜单、商业化受损,追求长期技术上限。2)Harness(推理&工程底座):公司优化底层推理调度、PD分离、KVCache、Agent沙箱运行等,输出有性价比的API,构成工程壁垒。3)Context(字节生态闭环场景):区别其他云厂商,字节手握抖音、红果短剧、飞书、豆包C端海量用户和数据、创作者以及分发链路;模型生成内容可以直接完成生产‑分发‑变现闭环。

大模型:视频模型领先;坚持纯自研路线

字节跳动形成以Seed基座为核心的全栈自研大模型布局,由Seed团队负责基座研发,向上供给豆包C端、豆包企业版、TRAE、扣子等产品,同时通过火山方舟MaaS平台对外向企业开放模型服务。字节自研大模型覆盖通用语言、代码、图像、视频、音频、实时、3D等完整多模态矩阵。目前字节在视频多模态能力上建立了差异化壁垒,Coding、Agent正持续追赶。

► 在多模态领域字节优势突出,尤其Seedance视频生成模型处于行业第一梯队,在运动连贯性、镜头叙事、音画同步、长视频生成与理解等能力上领先,适配广告、短视频、影视内容生产,是字节大模型突出的长板;同时配套Seedream图像、SeedAudio音频、SeedRealtime实时音视频模型,补齐AIGC内容生成矩阵;

► 通用语言大模型最新系列Seed2.1在长上下文、多模态理解、推理能力表现不错,但对比行业头部,在Coding和Agent能力上仍有一定差距,是后续重点迭代方向。

字节跳动Seed团队确立“不依赖模型蒸馏”的长期技术路线。在字节创始人张一鸣的战略定调下,字节拒绝通过蒸馏外部先进模型快速补齐Coding能力短板,哪怕接受短期内模型榜单和商业化表现落后同行。张一鸣认为蒸馏能在短期内改善模型表现,但蒸馏只能模仿、逼近头部模型的现有能力,无法实现底层技术突破与真正的超越,长期会限制自研模型的智能上限与原创技术壁垒;短期也不应该只追逐Coding热点,应当探索更多机会。另外,近期的组织调整,把火山引擎、飞书和豆包的资源整合到一起,能更有效地构筑在算力和数据上的优势,利于模型突破。为此字节坚持纯原生预训练、底层自研路线,不依赖外部模型输出做能力补齐。

图表:字节跳动最新自研大模型布局

图片

图片

图片

资料来源:公司官网,中金公司研究部

图表:字节跳动大模型研发历史(从豆包模型开始)

图片

图片

图片

资料来源:公司官网,中金公司研究部

Seed:豆包大语言模型是字节跳动Seed团队自研的AI大模型,其研发筹备工作始于2023年上半年,以内部代号“云雀”启动大模型研发。2023年8月,云雀大模型第一代模型Skylark V1.0发布, 次年5月,字节跳动通过火山引擎对外发布豆包大模型系列,推出Pro、Lite等多尺寸模型,开放企业API服务并优化定价体系,全面开启商业化布局。

► 2025年是豆包大模型实现技术破圈,核心转折点来自Doubao1.5 Pro、1.6系列模型的连续迭代。豆包1.5-pro采用训练-推理一体设计,追求模型性能和推理成本之间的平衡;紧随其后发布的豆包1.6系列进一步放大出圈效应,融合了多模态能力,支持256K长上下文的深度推理。年底公司发布豆包1.8系列,进一步强化多模态能力,在信息检索、代码编写、图形用户界面GUI交互等复杂应用场景中展现出优秀的性能,巩固第一梯队技术底盘。同时公司大幅下调企业API调用成本,推动大模型应用进入新阶段。C端产品豆包同步承接模型底座升级,普通用户可直接体验深度推理、识图解析、表格提取等复杂能力,模型不再只局限于行业圈内测评,开始获得广泛C端用户、开发者与产业客户认可。技术底座突破、产品体验升级、商业化成本优势三者共振,让2025年成为豆包从“追赶者”转向第一梯队。

► 2026年发布的豆包2.0和2.1系列模型,在继续保持多模态理解领先能力的同时,在通用Agent和代码工程两大方向上均有明显提升。尽管豆包2.1相比前代版本的Coding和Agent能力有明显提升,但面对复杂软件工程、长链路调试等高难度任务,对比海内外头部模型仍存在差距。

相较于国内其他互联网大厂,字节跳动Seed团队切入大模型赛道的起步积淀相对薄弱。但依托高效的工程迭代能力,公司实现了快速追赶,部分能力已达成局部反超。当前阶段,其在代码生成、复杂Agent落地等方向仍存在一定追赶空间。

图表:字节跳动豆包Seed大模型发展历史

图片

图片

图片

资料来源:公司官网,中金公司研究部

Seedance:是字节Seed体系下自研的视频生成大模型,技术原型可追溯至2024年PixelDance、Seaweed两个早期视频模型,为后续Seedance奠定技术底座。2025年6月正式发布Seedance1.0,完成文生视频、图生视频能力落地,支持1080P输出,主打多镜头叙事、运动稳定性,单次生成不超过12秒,但音频需要后期叠加,没有原生音画联合生成能力。2025年12月迭代Seedance1.5 Pro,架构升级为双分支DiT架构,行业较早实现原生音视频联合生成,能够呈现复杂运镜,并在叙事语境下补充合理主体与动作。

► 真正奠定Seedance在视频模型的行业地位,被广泛应用到短剧、广告等行业的制作中的是2026年2月推出的Seedance2.0。Seedance2.0升级统一多模态音视频架构,输入拓展至文本、图像、视频、音频四模态输入,强化复杂场景下更高可用率、多模态能力强化(同时输入达9张图片、3段视频、3段音频以及自然语言指令)、视频生成可控性,深度支持工业级内容创作(15秒高质量多镜头音视频输出),支持原生4K输出,面向广告、短剧、电商、游戏等专业生产场景,同时开放火山引擎API对外服务,也内嵌至即梦AI、豆包等C端产品。

► 2026年7月发布当前最新版本Seedance2.5,单次原生生成时长提升至30秒,大幅扩容多模态参考输入数量至最多30张图片、10段视频、10段音频;支持精准的时间戳控制,可定向编辑视频内容,把AI视频从单片段生成推向完整故事创作的生产阶段。10月,火山引擎正式发布Seedance2.5 4K,更充分地学习了人物表情、细微动作与画面细节。

在当前全球视频大模型赛道中,Seedance形成相对明确的领先优势。Seedance在原生音视频联合生成能力、长叙事与长片段原生生成能力、多模态参考与细粒度编辑可控性等技术能力上领先,更适配短剧、广告、专业影视等生产的工作流。此外,Seedance受益于字节内部业务飞轮优势,一方面可获取集团生态内海量多元内容数据;另一方面,字节天然沉淀着丰富的创作者生态,且具备抖音、红果短剧等内生流量分发及商业化载体,AI生成内容可直接在体系内完成分发、投流、分账变现,形成业务闭环,构筑外部对手较难复制的壁垒。

图表:字节跳动Seedance模型发展历史

图片

图片

图片

资料来源:公司官网,中金公司研究部

图表:字节跳动Seedance和其他模型对比

图片

图片

图片

资料来源:公司官网,中金公司研究部

夯实Agent云原生基础设施

企业Agent建设走向复杂化、规模化,从单纯问答转向任务落地。火山引擎认为企业级Agent分为三类,基础设施要求依次提升:生产性Agent(产出代码、报告等交付物)、决策辅助型Agent(依托企业数据知识辅助判断)、流程执行型Agent(调用内部系统、闭环执行业务)。未来高阶Agent需要对接企业数据、系统并执行长任务,不能仅靠对话模型,必须搭建包含运行环境、系统连通、权限、观测、安全治理在内的完整Agent基础设施。

火山引擎构建了一套完整的AI云原生Agent基础设施,构造从Demo原型走向生产级落地的整套企业级底座能力。1)通用Agent能力:以AgentKit为核心,配备身份鉴权与策略管理从而明确Agent的权限边界;Runtime与Sandbox保障Agent安全执行长程、复杂任务;记忆与知识库连接能力帮助企业盘活数据与知识资产;同时底层打通计算、存储、网络、数据库等全栈AI云原生基础设施,Agent可从试点快速扩展至大规模生产级部署,支持分钟级拉起十几万并发沙箱,能够承载流程执行型等高复杂度Agent业务。真正做到Agent可靠、可控、可衡量,适配企业从内容生成、决策辅助到业务流程闭环的不同层级需求。2)行业个性化能力:火山在模型之外补齐行业适配、流程与资产沉淀这层中间能力,组建前沿部署工程师FDE团队,联合行业专家共建模型落地的适配层,例如邀请导演参与视频模型共建,落地全球首个3D白模预演功能。

火山引擎形成了“开发‑运行‑治理‑经营”的完整闭环。上层通过Trae、Coze等Agent产品覆盖研发、业务人员不同开发模式;从模型层、Agent开发层到运营治理层全链路打通,同时兼顾端云协同能力,既支持企业私有化部署,也可支撑多终端场景落地,已经在多行业头部企业完成真实业务验证,帮助企业解决Agent数量膨胀后的治理难、价值难衡量的痛点,支撑AI从单点试点走向组织级体系化提效。

图表:火山引擎Agent开发者平台及基础设施

图片

图片

图片

资料来源:2026火山引擎原动力大会技术论坛,中金公司研究部

行业启示:AI云的竞争要素是多维度的,大模型的预训练决定长期技术天花板,推理调度、Agent沙箱等工程底座决定商业化落地的可靠性与成本,而场景、数据、业务闭环则是下一阶段的竞争要点。当数据、模型、商业应用形成正向飞轮,反哺基座迭代,可构建竞争对手难以复刻的差异化优势。

图片

聚焦MaaS业务,深耕细分行业

MaaS成为云厂商增速最快的业务之一。据IDC,2026年上半年中国MaaS市场规模达106.3亿元,已超过2025年全年的3倍。

21年成立之初,火山引擎规划8-10年后公司收入可以达到1000亿元;25年下半年随着AI的高速发展,原定2029年-2031年的实现千亿元收入的周期不变,但目标金额上调数百亿元,且GPU云至少要超过一半。

MaaS:不止模型,技术与应用生态驱动增长

字节的算力池同时服务豆包C端App、飞书、抖音推荐以及其他MaaS客户。截至2026年6月,火山方舟日均180万亿,在过去一年里增长超过10倍,根据晚点估算,其中约70-80%来自字节内部产品生态。根据Z Finance,按照7月平均消耗量折算,字节大模型业务的年化收入已经达到40亿美元。

图表:字节火山方舟的日均token量

图片

图片

图片

资料来源:火山引擎原动力大会,中金公司研究部

图表:累计token使用量超过1万亿的企业客户数量

图片

图片

图片

资料来源:火山引擎原动力大会,中金公司研究部

市场讨论火山引擎的MaaS业务,大多会关注Seedance系列模型出圈对于业务的拉动;但真正让模型能很顺畅地跑起来,是在底层推理技术、系统调度、创新定价体系上具备突出优势,同时也离不开字节体系的创作者和应用生态。

技术不断优化,提升token价格竞争力。大模型服务MaaS的性能,不能只看模型效果,例如TPM(每分钟处理Tokens数)是关键指标,直接决定了业务并发承载能力。2025 年 2月火山引擎可实现500万TPM、30ms低延迟的服务能力,在当时处于行业领先的状态。对于火山引擎而言,提升TPM并非简单堆算力,因为会带来成本的上涨,其核心考验平台整体调度系统能力。当然,行业内存在部分同行的“价格取巧”现象,即对外宣称token报价看齐,但实际把TPM上限压得很低;客户业务流量扩张、需要更高并发吞吐时,就要额外付费扩容TPM,前期低价存在隐性门槛。由此,火山引擎早在2024年5月即展现出了很强的价格竞争力,当时火山引擎首次大规模降价,其本质上是从模型本身到推理链路做全链路优化,落地PD分离(Prefill‑Decode Separation)、KV Cache等关键技术,从技术根源压低单Token推理成本。

定价模式创新,降低企业AI使用门槛。火山引擎定价思路不局限于单次降价,而是围绕企业真实业务痛点,推出分层创新定价逻辑,核心目标是消除企业顾虑,从而可以更低成本去做多领域AI创新。

打造内外联动的MaaS应用生态。1)多模态:对内Seedance、Seedream直接供给即梦、小云雀等字节自研创作工具,面向C端创作者做轻量化上手;对外开放火山方舟API,供给Liblib、巨日禄等第三方创作平台,甚至在新版本上线前,就联合第三方提前做适配和验证。同时联动红果短剧、抖音分发链路,创作者用模型生成内容之后,可以直接在字节内容平台分发变现,形成模型调用—内容产出—流量变现—回流优化提示词、工作流的创作者正循环。2)企业生产力、Agent:依托豆包工作、Coze(扣子)、飞书、Trae形成办公侧闭环,面向人群有所差异,Coze面向低代码开发者、业务人员搭建智能体,飞书承载企业组织、知识库、审批和协同流程,豆包工作面向企业办公任务式Agent,Trae面向IT人员代码开发。对于大型企业客户,则提供Hi Agent、ArkClaw等企业级Agent编排与托管工具,支持复杂业务工作流、工具调用、长会话管理等。

打透行业:内容创作、智能汽车、企业办公齐发力

展望2026年,公司业务增长主线聚焦于AI内容创作应用场景中Seedance所带动的MaaS收入增长;AI办公以及汽车行业线的持续扩张。

AI+内容创作:全链路布局,打开视频生成模型收入弹性。AI短剧自2025年迎来快速增长,2026年进一步在海外市场风靡。字节跳动围绕AI短剧已经跑通从IP源头、模型生产、创作工具、技术ToB输出到流量分发变现的完整业务闭环。上游依托番茄小说供给网文IP;底层依托领先的Seedance视频生成模型;通过火山引擎销售模型Token实现商业化,创作者可在字节自己的即梦平台或者LibTV等第三方平台完成内容创作;下游搭配抖音、红果短剧等自有分发渠道完成内容投放、分账变现,形成全链路闭环。

图表:漫短剧行业AI解决方案全景图

图片

图片

图片

资料来源:2026火山引擎FORCE原动力大会,中金公司研究部

AI+办公:重整组织架构促进业务协同,加快商业化变现。2026年年中,字节在AI办公领域完成组织架构重整,豆包、火山引擎、飞书协同整合,加快商业变现。火山引擎提供算力、模型平台底座以及负责商业化推广;豆包大模型输出AI智能能力;豆包工作作为企业协作入口承接AI落地,飞书深度内置豆包AI,覆盖文档总结、会议纪要、知识问答、流程自动化;扣子、TRAE、HiAgent提供企业级Agent开发平台,帮助客户搭建业务智能体。

豆包工作差异化优势在于拥有豆包近2亿C端流量池,基于自研原生豆包模型以及飞书企业协作底座。

海外扩张:BytePlusMaaS具备溢价空间

BytePlus是火山引擎出海品牌,早期从字节推荐算法能力外溢起步,2021年发布以来,很长一段时间以CDN、推荐引擎等服务为主,客户以国内出海企业、东南亚互联网平台为主,整体在海外云市场存在感偏弱、难以和头部云厂商正面竞争。随着AI浪潮来临,公司调整打法,依托ModelArk(大模型服务平台)与Seed大模型,开始提供GPU算力、弹性计算、对象存储、VPC等基础设施;25-26年更是凭借全球领先的Seedance差异化破局,瞄准短剧、广告素材这类内容客户的刚需,靠视频生成这个高壁垒产品快速打开海外增量市场,成为海外业务扩张的核心抓手。今年年中,公司管理层披露,Seedance系列模型近半数调用量来自海外,客户覆盖大型跨国企业以及大量海外创作者。据智能涌现,目前Seedance海外收入占比已达50%,过去半年海外收入增长近5倍,海外市场正成为其重要的商业化增长引擎。

在算力与区域布局上,BytePlus以新加坡作为全球枢纽节点,东南亚以马来西亚柔佛、泰国、印尼做算力与交付;同时在拉美和中东均有算力布局。欧美市场因合规风险较高、竞争激烈,不盲目大规模铺算力,仅做轻量拓展。算力和产品同步做区域隔离,海外版模型独立风控、支持本地数据驻留,适配各地法规。渠道上积极与本地代理商、生态伙伴合作。

行业启示:云厂商试图跳出传统模式的增长局限,充分释放大模型、智能体的产品价值,开辟云业务新的增长曲线。高质量MaaS业务具备更高的附加值,随着模型服务规模效应释放、工程成本持续优化,我们认为长期有望改善云厂商整体收入结构,带动云业务盈利水平修复与利润率抬升。此外,海外市场具备高战略价值,具备SOTA能力的模型出海更容易建立差异化溢价,海外企业客户为此的付费意愿更强、价格敏感度相对更低,是未来云厂商的重要增量。

行业趋势研判:全栈布局,增强MaaS高质量收入

布局核心算力资源,依托全栈式能力构建核心壁垒。Token调用量快速增长,Agent与长上下文提升单任务算力消耗,2026年以来国内头部厂商资本开支明显提速。我们认为,算力储备规模、芯片多元供给与数据中心建设能力将拉开厂商差距。此外,我们认为AI的行业竞争正在从单点能力比拼转向全链条体系对抗,包括芯片自研、模型训练与推理等,单一环节的优势容易被突破。而一站式的能力可做到调度最优、损耗最低,在效率和成本端形成综合优势。

持续增强MaaS高质量收入。虽然行业内各家云厂商落地MaaS的路径各有差异,无论是阿里云以自研Qwen系列模型的API与Token调用为主,还是火山引擎主打Seedance模型调用,或是腾讯云通过WorkBuddy驱动MaaS增长,但底层逻辑一致,都试图跳出传统云计算商业模式的局限性,用MaaS更好兑现模型、Agent的产品价值。更高质量的MaaS业务,我们认为长期有望带动整体云业务利润率的改善。

场景生态或是下半场的竞争要素。腾讯CEO/总裁办公室首席AI科学家姚顺雨认为,未来AI的壁垒,除了大模型本身,AI下半场的竞争在于高质量的Context,即真实场景里的问题、持续交互上下文、用户意图、业务约束、长期对话记忆等。事实上腾讯也是这么落地的,他们采取了混元模型与产品Co-Design协同模式,例如6月腾讯面向小程序开发者开放微信AI接入能力,微信原生AI助手“小微”开启小范围内测,企业微信也推出“大圆”AI Agent进入内测,最新的Hy4其差异化优势在于Agent原生能力、长上下文、多模态与行业场景沉淀,同时和WorkBuddy的深度协同。火山引擎也有同样的优势,Seedance、创作者平台即梦以及内容分发平台红果等形成协同和正向循环。

云厂商争相布局出海。2026年10月底,腾讯云公布国际化业务进展,过去一年,腾讯云海外活跃客户数翻倍,覆盖全球超150个国家和地区;国际市场对腾讯云AI产品需求实现三位数增长。今年年中Seedance系列模型近半数调用量来自海外,客户覆盖大型跨国企业以及大量海外创作者。海外客户付费意愿更强,价格敏感度更低。此外,云厂商也在加快海外算力布局以支撑快速发展的海外业务。

风险提示

大模型技术迭代与竞争加剧。国内大模型赛道竞争激烈,视频、图像、代码基座持续快速迭代,各家模型的相对优势可能快速变化。若云厂商自研模型在代码、Agent等关键能力上迭代放缓,可能面临客户流失与份额下降的风险。

AI商业化落地不及预期。当前B端大模型行业尚处于早期,客户付费意愿、付费规模仍偏弱,大量客户以测试、小批量调用为主,大规模企业级落地案例偏少。若企业客户预算收缩、试点项目延期,或下游应用需求增长不及预期,MaaS市场增速可能放缓。

算力供给与成本压力。基座模型训练与大规模推理需要大量GPU算力投入,资本开支与电力成本较高;芯片供给受限或价格上涨可能推高云厂商成本。若API定价持续承压、调用量增长不及预期,相关业务的盈利周期可能拉长。

生成式AI监管趋严。生成式AI相关监管持续细化,图像、视频生成模型容易产生虚假内容、肖像侵权、版权争议,模型服务商与下游客户的合规责任边界较为复杂。训练数据版权、数据跨境、个人信息保护相关政策若进一步收紧,会增加模型训练与对外服务的合规成本,甚至限制部分模型能力开放。

Source

文章来源

本文摘自:2026年11月12日已经发布的《AI应用参考(5):从火山引擎看AI云格局重塑,MaaS成为云增长新主线》

王秋婷 分析员 SAC 执证编号:S0080523030001 SFC CE Ref:BTK905

白洋 分析员 SAC 执证编号:S0080520110002 SFC CE Ref:BGN055

黄河 联系人 SAC 执证编号:S0080126070015

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

图片

跳转微信打开

中金:如何研判A股市场底部?

2026年11月17日 07:30

原创 李求索 张歆瑜等 2026-11-17 07:30 上海

市场阶段低点可能已经过去,当前至12月A股有望迎来修复行情

中金研究

必要信号方面,资本市场层面稳市信号明显加码,基本面信号尚待确认;辅助信号上,当前市场估值具备较好吸引力,交投活跃度已明显下降,产业资本操作较前期更为积极,同时强势板块补跌等行为信号也有所显现;部分外部挑战边际释缓但仍需关注AI短期负面叙事影响。延续我们在11月5日发布的《反弹能延续吗?》观点,超短期不排除行情仍有一定波折,但市场阶段低点可能已经过去,当前至12月A股有望迎来修复行情。

Abstract

摘要

如何研判A股市场底部?基于四年前底部分析框架的再探讨。今年下半年以来A股市场波动较大,上证指数/沪深300/创业板指/科创50指数今年高点至今分别调整14.3%/20.6%/42.9%/42.0%,结合近期稳市力度明显加强,投资者普遍关注当前位置市场是否已获足够支撑。我们在2022年发布的《如何判别市场是否见底》中梳理A股历次底部特征,构建了判断A股市场见底的主要观察信号体系,此后我们在2024年9月29日(“924”行情的起始阶段)发布《A股见“大底”了吗?》,借助这一分析框架对当时市场走势进行评估,探讨市场反转的可能性。当前时点我们依然延续此前分析框架,对当下市场位置及特征做分析探讨。

Text

正文

判断市场见底的主要观察信号体系

我们将底部信号分为必要信号和辅助信号两大类(图表1)。辅助信号用于考量底部深度,但深度深不代表见底,需要必要信号作为行情变化的条件。1)必要信号:①政策信号,包括经济政策和市场监管政策,一般力度较大且需要超出当时投资者预期,历史来看是A股企稳反弹的偏必要条件,A股阶段性底部往往同步或滞后于政策信号。②基本面信号,包括宏观经济增长预期和上市公司盈利表现,其中盈利见底可以是全A盈利增速见底或者结构性见底。基本面信号的出现多有助于推动股市由反弹演绎为反转,虽多滞后于市场底部,但为投资者信心趋势性回稳的核心条件。从两个信号的逻辑关系看,基本面信号与经济政策应对息息相关,经济周期多伴随政策的逆周期调节。2)辅助信号:①估值信号,包括历史纵向对比及全球主要市场的横向比较;②资金信号,包括换手率衡量的交投活跃度、中长期资金入市、产业资本增持等;③行为信号,包括底部时期常见的行为特征,如强势股补跌、风格较快轮动缺乏投资主线等。此外,若主要是外部因素引发的下跌,则底部条件往往需要外部因素的边际改善。

A股目前处于哪个阶段?部分辅助信号出现,必要信号中已现明显稳市政策应对,外部风险部分释缓

► 辅助信号:部分偏低点信号已现

1)估值信号:整体估值已经回落至历史均值以下,创业板估值已处于较极端水平,横向纵向比较均具备较好投资吸引力。我们在近期发布的《估值调到哪了?》中综合评估了当前A股市场的估值情况,当前A股整体估值已经回落至历史均值以下。具体来看,根据Wind数据,截至11月13日,沪深300指数对应的股权风险溢价5.8%,近期高点时已达历史均值1倍标准差以上。历史经验来看该指标升至此位置时,多次对应A股市场的偏低位阶段。科技板块估值回调尤为明显,创业板指市盈率已经处于历史较极端位置:前向市盈率21.6x,低于历史均值1.4个标准差,处于十年以来3.6%分位;股权风险溢价2.0%,高于过去十年历史均值2个标准差,处于历史较极端水平。

2)资金信号:交投活跃度明显下降,主动性基金股票仓位有所降低,ETF净流入和上市公司回购较为积极。7月以来A股市场成交额相较此前出现明显下行,自由流通市值计算的换手率由年中6%以上的高点跌至3.6%(图表6)。从历史经验看,这一指标高于5%时市场短期可能出现波动,低于1.5%左右则属于历史偏低位置,当前换手率水平较今年偏热时期已经大幅下降。当前两融余额较6月高点下行较多,10月新增开户数也降至偏低位置(图表7)。机构投资者方面,公募基金三季报显示股票资产规模和股票仓位整体回落(图表8)[1];私募基金方面,华润信托阳光私募股票多头指数成分股票仓位10月环比下降8.3ppt,较年内高点累计下行13.8ppt(图表9)。与此同时,ETF资金显现逆市净增持(图表10)。产业资本方面,上市公司回购积极性抬升,7月以来月均回购约177亿元,已高出上半年64%(图表11);增减持方面,虽然尚未出现明显增持,但净减持规模近期有所收窄,10月、11月净增持接近0(图表12),体现产业资本整体操作边际上更为积极。

3)行为信号:强势板块出现补跌,部分龙头公司股价接近“924”水平。随着市场回调时间拉长,部分前期韧性较强的行业出现补跌:对比各行业7-9月和10-11月涨跌幅,煤炭、石油石化、医药生物、房地产等行业7-9月涨幅居前但10-11月涨幅为负(图表13)。此外,不少企业回调幅度较深,部分龙头公司股价已经达到“924”附近水平,截至11月13日,约25家千亿元以上市值公司自“924”以来涨幅不足5%。

► 必要信号:超预期市场层面政策信号开始出现

1)基本面信号:尚待确认,低基数背景下四季度业绩增速有望较三季度回升。全A/金融/非金融 2026 年前三季度归母净利润同比增速分别为 8.2%/-1.4%/17.4%(图表14),虽整体较二季度下行,但有结构亮点(详见《三季报业绩回顾:关注结构亮点,AI及能源景气延续》)。基本面信号的修复需要继续观察四季度到明年业绩表现,去年四季度受资产减值等因素影响非金融同比增速较低(4Q25非金融同比增速-36.6%),我们认为经济平稳及低基数效应下今年四季度非金融板块业绩增速有望较三季度回升。

2)政策信号:稳市政策明显加码。11月6日,国务院总理李强主持召开国常会[2],指出要完善资本市场稳市机制,增强股市内在稳定性,促进资本市场平稳健康发展,其中“完善资本市场稳市机制”是国常会首次提及。近期,多部门联合推出一系列稳市举措。11月2日,中国人民银行会同金融监管总局、证监会等部门先后召开证券、基金、保险公司互换便利座谈会和股票回购增持再贷款座谈会[3],宣布将开展第三批互换便利操作,股票回购增持再贷款政策由阶段性安排转为长期制度性安排,再贷款利率由1.25%降至1%,标志着“924”创设的两项支持资本市场工具重启,并进一步优化2。11月3日,央行行长潘功胜在十四届全国人大常委会第二十五次会议上表示[4],下一步工作要“支持中央汇金公司发挥类平准基金作用,拓宽中长期资金来源、渠道和入市方式,巩固完善资本市场稳市机制”。11月14日证监会主席吴清在首届中国资本市场学术年会开幕式上致辞表示需要“不断提升资本市场抵御各类“黑天鹅”“灰犀牛”等重大风险事件的能力和韧性”。

此外,部分外部输入性风险挑战边际释缓,但全球AI领域短期负面叙事仍多关注后市演绎。美国中期选举结束,民主党夺回两院控制权。我们认为,在特朗普政府面临的民意压力与民主党控制国会形成制度约束的共同作用下,中期美伊冲突进一步升级的风险可能降低、油价对美联储加息的压力也或释缓,特朗普政府单边加征关税、进一步扩大财政刺激的政策空间可能受限,这些领域的外部风险预期有望降低。虽然民主党倾向于加强前沿AI模型安全监管、通过州政府约束数据中心建设,但联邦层面相关立法受限,政策实际落地力度尚未知,AI产业长期发展仍取决于新的产业突破与投资回报(详见《美中期选举对A股产业影响全梳理》)。

后市怎么看?当前至12月A股有望迎来修复行情

综上所述,必要信号方面,资本市场层面稳市信号明显加码,基本面信号尚待确认;辅助信号上,当前市场估值具备较好吸引力,交投活跃度已明显下降,产业资本操作较前期更为积极,同时强势板块补跌等行为信号也有所显现;部分外部挑战边际释缓但仍需关注AI短期负面叙事影响。继续延续我们在11月5日发布的《反弹能延续吗?》观点,超短期不排除行情仍有一定波折,但市场阶段低点可能已经过去,当前至12月A股有望迎来修复行情。

配置上,依然重视“哑铃型结构”。1)景气成长择时布局反弹时机:AI技术革命仍是确定性的中长期产业趋势,虽然当下遭遇较多“逆风”,但中长期看较多我国科技企业仍有自下而上的配置机会,建议择优、逢低配置,关注AI基础设施及算力等,与此同时,AI技术发展也正在出现更多往应用端扩散的现象。此外,可关注创新药、部分有色金属如黄金板块机会。2)高股息资产:国内长端利率处于历史低位水平,上市公司整体延续较高分红规模,股债相对吸引力上升,现金流稳健、分红可持续且估值合理的高股息板块有望成为资金配置的重要选择。具体选股方式可参考我们10月发布的《重回哑铃型结构?》。

图表1:判断市场见底的主要观察信号体系

资料来源:中金公司研究部

图表2:沪深300前向市盈率

资料来源:Wind,中金公司研究部

图表3:创业板指前向市盈率

资料来源:Wind,中金公司研究部

图表4:沪深300股权风险溢价

资料来源:Wind,中金公司研究部

图表5:创业板指股权风险溢价

资料来源:Wind,中金公司研究部

图表6:A股市场换手率

资料来源:Wind,中金公司研究部

图表7:两融余额和新增开户数

资料来源:Wind,中金公司研究部

图表8:3Q26公募基金股票仓位降低

资料来源:Wind,中金公司研究部

图表9:私募基金股票仓位下行

资料来源:Wind,中金公司研究部

图表10:宽基ETF净流入放量

资料来源:Wind,中金公司研究部

图表11:上市公司回购积极性抬升

资料来源:Wind,中金公司研究部

图表12:产业资本净减持规模收窄

资料来源:Wind,中金公司研究部

图表13:煤炭、石油石化、医药生物、房地产等行业出现补跌

注:数据截至2026年11月13日
资料来源:Wind,中金公司研究部

图表14:2026年三季度A股盈利同比增速有所回落,四季度有望再度回升

资料来源:Wind,中金公司研究部

Source

文章来源

本文摘自:2026年11月16日已经发布的《如何研判A股市场底部?》

李求索 分析员 SAC 执证编号:S0080513070004 SFC CE Ref:BDO991

张歆瑜 分析员 SAC 执证编号:S0080526070003 SFC CE Ref:BXZ794

李瑾 分析员 SAC 执证编号:S0080520120005 SFC CE Ref:BTM851

魏冬 分析员 SAC 执证编号:S0080523070023 SFC CE Ref:BSV154

刘欣懿 分析员 SAC 执证编号:S0080525060006

陈诗源 联系人 SAC 执证编号:S0080125070053

张倩怡 联系人 SAC 执证编号:S0080126070149

张西坤 联系人 SAC 执证编号:S0080126080050

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

中金|全球研究:债市风波中的法国

2026年11月16日 07:30

原创 袁梦园 郭钰等 2026-11-16 07:30 上海

从近期债市动荡的局面出发分析法国经济和市场形势,核心回答三个问题

中金研究

今年夏天以来,法国10年期国债利率持续抬升。目前,法国10年期国债与德国国债利差已超过意大利,且接近其自身欧债危机期间的最高水平。本文将从近期债市动荡的局面出发分析法国经济和市场形势,核心回答三个问题:近期法国国债利率飙升背后的驱动因素如何?欧央行是否会以及可能如何介入?后续在市场层面还需要关注什么?

Abstract

摘要

► 法国国债利率飙升的原因?整体上,近期欧债市场震荡的驱动因素已从通胀担忧转向财政与政治不确定性冲击,财政整固不及预期的法国成为焦点,这源于:(1)年末预算审议窗口临近,对法国财政债务担忧再度抬升。法国议会席位分散,缩减赤字难度较高。同时总统大选临近,政局不确定性上升,财政整顿面临党派博弈压力。政府无论削减开支还是增税或均面临较大政治阻力;(2)外资和对冲基金的交易调仓放大市场短期波动。法国国债约60%由境外投资者持有,需求冲击更易引发价格剧烈反应。同时,对冲基金等机构的拥挤交易和同步去杠杆可能在市场承压时期加剧价格错位和流动性紧张;(3)中期维度,人口老龄化、劳动生产率增长缓慢等结构性问题仍约束经济增长前景,法国难以通过增长解决债务问题。但法国的经济前景并非全无亮点。法国服务业占比高,制造业的结构较德国更多元化。后续,需要观察较高的AI投资、较快的绿色转型和高端制造业发展是否能有效提升生产率并形成新的增长动能。

► 欧央行是否以及可能如何介入?整体上我们认为,为防范道德风险,欧央行介入的门槛较高,目前其干预的概率较低。欧央行主要任务是维护价格稳定和货币政策传导,欧盟条约明确限制其直接为成员国财政融资或无条件充当单一主权债务的最后贷款人。理论上,欧央行潜在工具包括:停止加息、停止缩表、动用TPI和OMT等。现阶段系统性压力尚处于历史低位,距离欧央行干预触发条件仍有距离。

► 后续在市场层面还需关注什么?我们并不认为会出现新一轮欧债危机。欧元区政府、居民和非金融部门的债务水平都相对可控。法国国债方面,我们认为短期内影响法债利差的财政僵局、债务和增长等基本面问题难以化解,叠加总统大选临近,财政紧缩更为困难,法德利差或维持高位。后续仍需关注信用评级更新、年底前的预算博弈和明年总统大选情况。权益市场方面,法国CAC 40指数已经相对便宜,但上述的挑战使我们短期内仍维持相对谨慎态度,对大型企业的“特别贡献”税可能在明年持续产生影响,建议自下而上选取海外营收敞口较大且有结构性支撑的公司。欧洲银行方面,风险总体可控,出现金融体系的系统性风险概率较低。但从投资角度来说,欧美银行估值价差收窄,欧洲银行估值重估的空间减弱,向前看盈利或成为主要支撑,欧洲目前信贷增长仍然稳健。欧元方面,因前期德国财政刺激带来的欧美汇率与息差之间的缺口已基本弥合,且投机头寸在近10年低位,我们认为欧元的下行空间或有限。随着美国中期选举结束,若中东和能源供给局势得以缓解,欧洲资产或相对最为受益(详见《美国中期选举:资金轮动下,如何配置全球?》)。

风险提示:财政预算审议和后续财政整顿的不确定性;政局风险;增长不及预期。

Text

正文

法国国债利率飙升的原因?

整体上,近期欧债市场震荡的驱动因素已从通胀担忧转向财政与政治不确定性冲击。今年7月到9月,受到油价上涨推升通胀预期和加息预期影响,欧洲各国国债利率基本跟随美债利率普涨。9月欧元区、美国、日本、挪威和澳大利亚等主要经济体央行相继加息,国债收益率普遍抬升。然而9月底开始,法债利率走势与欧洲其他主要国家明显偏离。法债收益率上行、德债收益率下行,两者相关性显著下降。

图表1:9月底起法债利率走势与欧洲其他主要国家偏离

注:数据截至2026年11月10日

资料来源:Haver,中金公司研究部

图表2:法国与德国的10年期国债利差接近欧债危机时最高水平

注:数据截至2026年11月10日

资料来源:Haver,中金公司研究部

值得注意的是,与欧债危机时期不同,当时虽然德法利差走扩,但法国收益率随后整体呈现下行趋势,只是法债收益率的下行幅度不及德债(图表2),这是因为当时法国并非危机的核心。

近期法国国债为何显著承压?我们认为短期主要源于财政债务担忧、政局不确定性和交易层面的催化;同时,法债的基本面持续受疲弱增长预期拖累。

政局不确定性上升,法国财政可持续性存疑

市场关注法国的财政整固路径,对其债务累积速度和付息成本担忧上升。欧洲稳定机制(ESM)2026年Q4的主权情绪调查显示,与今年Q2相比,受访者对未来12个月关注的风险焦点已经从持续通胀转向财政可持续性问题。同时,市场对高债务率的担忧不仅停留在规模本身,同样重要的包括债务的累积速度(即财政赤字)以及利息支出。与之形成对比的是,希腊、意大利等曾处于欧债危机的“边缘国家”近年来采取了财政整固,本次国债收益率的上行幅度相对可控。

图表3:主要国家的财政赤字率变化

注:数据截至2026年Q2

资料来源:Haver,中金公司研究部

图表4:主要国家的利息支出占GDP比例变化

注:灰色区域为IMF10月WEO预测值

资料来源:IMF,中金公司研究部

法国预算前景存疑,财政压力居高不下。法国自2024年7月26日起被欧盟列入EDP程序监控之下,按要求需在2029年前将赤字降至3%以内[1]。但法国议会席位分散,使得这一目标的实现难度较大。近年来法国国债第一轮显著的利差上行出现在2024年年中,当时马克龙总统宣布提前举行议会选举。

2026年由于中东局势以及经济的疲软,法国政府赤字率不降反升,政府预计将从2025年的5.1%升至5.4%,10月1日政府提交的2027年预算草案推出高达540亿欧元的财政整固方案[2],将明年赤字目标定为5%,这离回到3%的赤字仍有较大距离。

图表5:法国政府赤字率变化

注:数据截至2026年Q2

资料来源:Haver,中金公司研究部

图表6:近年法国多数情况难以完成预算目标

注:2026年财政赤字率为法国政府预计值

资料来源:法国政府,Haver,中金公司研究部

总统大选临近,政局不确定性上升,加剧财政整顿难度。法国明年的财政整顿还面临额外的政局不确定性。(1)首先,明年的预算存在推迟风险。2025和2026年,法国政府最终都依靠宪法第49.3条款推进预算,只要总理在后续不信任投票中过关法案即可生效,而这需要政府向部分反对派议员让步以寻求支持。若政府仍需依赖宪法第49.3条款且未通过不信任投票,可能会带来更大波动和不确定性。(2)其次,新政府能否提出可信财政路径存疑。目前民调显示,右翼民粹党派国民联盟候选人勒庞支持率领先,左翼党派候选人梅朗雄大概率能进入第二轮决选,其激进纲领包含要求将ECB持有的成员国公共债务转化为零息永久债、反对减少支出并主张增税等内容;爱德华·菲利普(Horizons,地平线党)等中间党派候选人支持率落后。虽然勒庞近期提出将比现任政府更大力度推行财政整顿,但因其反对养老金支出削减和针对大企业征税,市场仍认为其财政方案缺乏可执行性。虽然我们认为即便勒庞上台,国内制度体系会先对其财政选择形成约束,且市场层面压力仍将是其面对的核心限制,但明年面临大选的情况下,各党派政治压力或使得持续收紧财政的难度加大[3]。

图表7:法国总统竞选候选人勒庞(国民联盟)和梅朗雄(LFI)的政策主张

资料来源:路透社,LFI《共同的未来》纲领,法国总统选举政策比较,中金公司研究部

民众对现有通胀以及生活成本强烈不满的情况下,政府要进一步削减开支面临较大政治阻力。法国政府开支占GDP比例较高,且社会保障支出已占到法国GDP的近四分之一。但在政局较为分裂且生活成本高昂的背景下,进一步压缩政府开支较为困难。近期法国民调机构CEVIPOF等 2026年10月调查显示,45%的法国人将生活成本、通胀和购买力列为主要关切,这一比例较去年同期显著扩大(27%),对公共债务的关注排在第二。同时,作为全球税负最高的国家之一,法国增税面临的难度较大。收入端看,法国的政府税收占GDP比例在主要发达国家中居前,2024年占比44%。

图表8:主要发达国家的政府支出结构及占比

资料来源:OECD,中金公司研究部

图表9:民调显示对法国经济悲观预期上升

注:最新数据统计区间为2026年9月23–24日

资料来源:Odoxa,中金公司研究部

图表10:法国的政府税收占GDP比例较高

注:数据截至2024年

资料来源:OECD,中金公司研究部

图表11:2027年预算草案的新增措施 

资料来源:法国政府,中金公司研究部

交易端的仓位调整或放大短期波动

法国国债的外资持有占比偏高。截至今年Q2,法国国债的60%由外资投资者持有。欧洲稳定机制(ESM)研究指出,在非欧元区投资者占比较高的国家,需求冲击会引发更大的价格反应,反映出这些投资者对主权债务的敏感型更高。近年来,日本和美国投资者持续卖出法国国债,2021至2024年[4],日本私人投资者累计卖出460亿欧元,美国投资者累计减持280亿欧元。近期日本对海外国债整体净卖出有所减弱。同时,对冲基金等机构的交易行为也可能在短期集中产生影响。在欧元区政府债券现券市场,对冲基金过去五年快速扩大参与度,目前交易量占比过半(2018年时仅为26%)。同时,法国国债已经成为欧元区最重要的融资抵押品之一,这使短期的价格波动能通过回购融资和杠杆交易更快地传导和放大。

法国长期面临增长约束,或难以靠增长降低债务负担

中期维度,结构性问题仍约束法国经济增长前景,法国暂时难以通过增长解决债务问题。根据IMF测算,法国中长期增长将稳定在1%的潜在水平附近。我们认为,法国中长期增长面临两类主要的结构性约束:一方面,人口老龄化将使得劳动力投入对经济的贡献下降,疫情后支撑人均GDP增长的就业率提升效应可能逐渐减退。老龄化还将进一步加剧支出压力;另一方面,劳动力生产率增长疲软,背后反映出私人研发投入偏低、技术创新扩散不足、成人技能水平较落后和股权融资支持不足等问题[5]。整体而言,法国的投资率并不算低,固定资本形成占GDP比例在OECD平均水平(2025年在22%左右),高于欧洲其他主要国家和美国,但投资向生产率的转化不足。

但法国的经济前景并非全无亮点。法国服务业占比高,制造业的结构较德国更多元化。后续,较高的AI投资投入、较快的绿色转型和高端制造业发展或提升生产率,并形成新的增长动能。从行业增加值拆分看,法国服务业占GDP的比例接近美国的水平,高于德国、意大利和西班牙。同时法国的制造业结构比德国更加多元化,对单一行业的依赖度比德国更低。在欧元区主要四国当中,法国的AI相关投资规模领先,2025年约1200亿欧元,占GDP的3.93%,明显高于德国(1.72%)等国(美国最新数据为5.8%[6])。IMF预计,若扩大企业层面人工智能投资和应用,在五年内法国的全要素生产率将累计增长约1.2%。同时,法国以核电和可再生能源为主的能源结构,以及相对较高的气候政策严格度,有助于激励企业加快能源脱碳,提高能源效率并降低中长期生产成本。法国自2015年来单位劳动成本增速属于全球最低水平之一,主要得益于工资增长较慢以及针对低工资劳动者的大规模社会保险缴费减免,这有助于提升法国的相对成本竞争力。

OECD认为,法国在人工智能、量子技术、网络安全、数字医疗与清洁能源领域具备优势,但这些优势尚未转化为生产率提升或者更强的全球竞争力,后续仍需要聚焦核心领域,推动公共科研机构的知识外溢转化、优化研发税收优惠政策等。2021年法国政府启动国家产业投资计划《法国2030》,预计总调动投资540亿欧元,将重点扶持电池、电动汽车、可再生能源、低碳航空、海洋科技和生物医药等十大领域,并实现关键零部件、原材料和数字技术的自主保障。法国财政部预计该计划到2030年有望额外拉动GDP增速0.4-0.6个百分点,并新增2.5万-5.8万个就业岗位。

图表12:主要经济体的国债利率与名义增长

注:国债收益率数据截至2026年11月10日;GDP增长为IMF预测数据

资料来源:IMF,Haver,中金公司研究部

图表13:法国私营部门研发支出增长偏弱

注:数据为国内企业研发支出(不变价)

资料来源:OECD,中金公司研究部

图表14:与德国相比,法国制造业结构更多元

注:数据为行业增加值占GDP比例;2024年

资料来源:OECD,中金公司研究部

图表15:2025年法国数字相关投资支出领先

注:数据按照欧盟统计局披露的年度分行业资本形成加总计算

资料来源:欧盟统计局,中金公司研究部

欧央行是否会介入?

与美国、日本等国家不同,欧元区“货币统一、财政不统一”。欧盟条约同时规定了央行独立原则(Article 282)、禁止货币融资(Article 123),以及除共同执行项目之外的“不救助(No Bailout)”条款(Article 125),限制欧央行直接为成员国财政融资或无条件充当单一主权债务的最后贷款人,因此从这个层面看,欧元区本币主权债务仍可能存在主权风险。

欧央行主要任务为维护价格稳定和货币政策传导顺畅,同时在必要时动用其辅助政策工具来维护金融稳定[7]。近期为应对全球市场的动荡,欧央行潜在的常规工具包括:

1. 停止加息:为了维护通胀预期以及金融市场稳定,欧央行于今年6月份开始已加息两次。目前市场预计截至2027年底还有不到3次加息。然而,近期国债收益率上行推动金融条件收紧,或已替代了部分加息的必要性。从经济看,欧元区传统部门复苏较为疲软,也限制了加息的幅度。我们认为今年年底到明年年初或还有1-2次加息,取决于中东局势的发展。

2. 停止缩表:欧央行现在仍在以每月约300亿欧元[8]的速度缩表(通过到期债券本金停止再投资的方式,而非主动卖债券)。我们认为考虑到目前经济条件不需要宽松货币政策,且货币政策未在0利率下限的情况下,对资产负债表工具的依赖可能有限。

除此之外,若债市出现大幅动荡,欧央行能够动用的工具还包括TPI(传导保护工具)和OMT(直接货币交易)。TPI是ECB于2022年7月21日推出的新工具,旨在应对无序且不合理的市场动态,确保ECB货币政策能够在欧元区所有成员国顺畅传导。欧央行通过TPI的干预方式是购买相关成员国发行的证券,购买规模将取决于货币政策传导风险的严重程度,重点将放在剩余期限为1至10年的公共部门证券上,如有必要,也可考虑购买私营部门证券。OMT则是更强的一项工具,目标是“维护顺畅的货币政策传导、维护货币政策的统一性”。OMT的启动以成员国已申请进入ESM(欧洲稳定机制)援助框架并接受严格改革条件为前提[9]。截至目前,TPI和OMT都未被动用过。

我们认为,欧央行介入的门槛较高,目前其干预的概率较低。10月29日拉加德表示,如果市场走势,包括无依据、无序的市场波动,威胁到货币政策的顺畅传导,欧央行具备可动用的工具来应对,触发工具的标准与适用条件是明确的。整体而言,目前系统性压力水平仍处于历史低位附近,离系统性的危机尚远。同时,传统的边缘国家利差上升幅度有限,远未及ECB的干预门槛。我们认为为了防范道德风险问题,欧央行须维持足够高的干预门槛,才能依靠市场纪律来有效规范成员国恪守欧盟的财政审慎原则。

图表16:欧元区系统性压力指标仍较低

注:数据截至2026年11月6日

资料来源:欧央行(Composite Indicator of Systemic Stress - CISS),中金公司研究部

图表17:欧元区的金融条件已经收紧

资料来源:欧央行(Financial Conditions Index - FCI),中金公司研究部;数据截至2026年11月9日

如何看待后续的市场?

我们并不认为会出现新一轮欧债危机。欧元区整体的政府债务水平相较于美国等国家并不高,且政府、居民和非金融部门的债务水平都相对可控。此外欧央行有较为完善的政策应对工具,维护欧元体系的统一和完整仍然是成员国的共识。

后续仍值得重点关注的是欧盟中处于过度赤字程序(EDP)下的成员国。截至目前,除了法国外,还有9个欧盟成员国处于该程序之下。此外,经济体量较大的西班牙和希腊的财政赤字率仍相对可控。

法国经济方面,受到投资下滑的影响,今年法国环比增长已陷入停滞,前三个季度环比增长分别为-0.2%、0%和-0.1%,在欧盟国家中最弱。制造业(集中在航空航天、计算机相关)和商业服务业对今年上半年经济形成支撑。向前看,尽管法国PMI从5月起有所修复,但10月再次转而下降,综合PMI目前仍处于收缩区间。明年内需消费的恢复可能成为主要贡献,而政局高度不确定性之下,投资可能持续疲软。法国央行9月最新预计今年法国经济增速为0.4%,明年为0.7%。

图表18:今年Q3法国同比增长已经转负

资料来源:Haver,中金公司研究部

图表19:法国固定资产投资增速低迷

注:法国和西班牙至26Q3,其余至Q2

资料来源:Haver,中金公司研究部

法国国债方面,我们认为短期内影响法债利差的财政、债务和增长等基本面问题难以化解,尤其随着总统大选临近,进一步抬升不确定性。这个背景下,法德利差或维持高位。后续仍需关注信用评级更新、年底前的预算博弈和明年总统大选情况。

图表20:后续仍需关注的法国重点事件

资料来源:法国政府,S&P官网,中金公司研究部

权益市场方面,CAC的12个月前向市盈率为12.6倍,位于过去十年的27%分位,估值偏低,但上述的挑战使得我们短期内仍维持相对谨慎态度,建议自下而上选取海外营收敞口较大且有结构性支撑的公司。税收方面,针对大型企业征收的临时性“特别贡献”税被连续续期。2025年法国引入“大型企业特别税”[10],对在法国本土获得年度营业额超10亿欧元的企业征收特别税款,该安排在今明两年延续。2027年法国将营业额门槛调高至15亿欧元,并较此前降低适用税率。同时,2027年还将恢复于2025年提出的针对大型海运企业经营利润的特别税,该税款在今年被暂停[11]。

图表21:法国和德国指数前向12个月P/E

资料来源:LSEG,中金公司研究部

图表22:MSCI法国指数及各版块的营收分布

注:数据截至2026年11月3日 

资料来源:FactSet,中金公司研究部

欧元方面,因前期德国财政刺激带来的欧美汇率与息差之间的缺口已基本弥合,且投机头寸在近10年低位。后续看,法国财政前景的高度不确定性和高能源价格虽短期内仍可能对欧元有所压制,但欧元进一步下行空间有限。

图表23:欧元对美元汇率与息差之间缺口弥合

注:数据截至2026年11月10日 

资料来源:Haver,中金公司研究部

图表24:投机头寸基本出清,空头仓位较高

注:数据截至2026年11月3日 

资料来源:LSEG,中金公司研究部

欧洲银行层面,疫情后欧洲银行受益于收益率上行、经济保持韧性的宏观环境,跑赢市场。但随着市场对主权风险的担忧上升,银行因其主权债敞口而表现承压。目前来看,风险总体可控,出现金融体系的系统性风险概率较低。据欧央行统计,欧元区银行的政府债券持仓约占总资产的9.3%。受益于过去几年的高利率环境,欧元区银行净息差扩大,资产质量稳定,资本充足率较高(法国银行的盈利能力低于欧洲同行[12])。后续来看,银行的净利息收入增长空间可能收窄, 而随着与美国银行的估值差缩小,估值重估效应减弱,盈利或成为银行持续表现的重要支撑。目前,欧洲整体信贷增长仍然健康,支撑银行盈利,但需留意国债市场波动加剧和税负上升等方面对盈利带来的潜在风险[13]。

图表25:欧洲银行股相对表现与德债收益率

注:数据截至2026年11月10日

资料来源:彭博资讯,中金公司研究部

图表26:欧元区与美国银行ROE对比

资料来源:LSEG,中金公司研究部

[1]https://www.consilium.europa.eu/en/policies/excessive-deficit-procedure/

[2]新增措施430亿欧元,包括减支250亿和增收180亿,剩余部分依托今年已落地政策。https://presse.economie.gouv.fr/dp-budget-2027/

[3]针对欧洲选举及相关讨论,详见《德法政局右转倾向,对市场影响几何》

[4]https://www.imf.org/-/media/files/publications/cr/2025/english/1fraea2025007.pdf?

[5]法国企业的私营研发投入与主要发达国家相比仍然偏低。另外,法国国家统计局指出,阻碍法国生产率增长的障碍是创新在生产部门的扩散不足:法国企业之间生产率的差距具有较高的年份持续性,生产结构的调整更多依靠低效企业退出而非生产率水平向前沿靠拢。

[6]包括计算机设备、软件和数据中心投资,统计口径与欧洲存在差异。美国相关测算详见中金宏观组报告《美国经济增长提速,投资保持强劲》

[7]根据欧盟条约第127条,欧洲中央银行体系(ESCB)的职责是“协助”主管当局顺利实施与金融体系稳定相关的政策。因此,欧洲中央银行体系在金融稳定领域扮演着协助者的角色。

https://www.ecb.europa.eu/press/key/date/2018/html/ecb.sp180906.en.html?

[8]包括通过APP工具的约200亿欧元和通过PEPP工具的约70亿欧元

[9]根据欧央行,相关成员国必须参与一个符合要求的ESM项目,并接受严格且有效的条件约束,包括宏观经济调整计划或预防性信用额度(ECCL),具体包括财政整顿、养老金改革、劳动力市场改革等方面。同时,该计划还需包含通过ESM机制在一级市场购债可能性。最终是否启动OMT仍由ECB管理委员会自主决定。

https://www.ecb.europa.eu/press/key/date/2016/html/sp160216.en.html?

[10]https://www.legifrance.gouv.fr/loda/article_lc/LEGIARTI000053542882

[11]https://www.economie.gouv.fr/actualites/plf-2027-les-principales-mesures-pour-les-particuliers-et-les-entreprises

[12]https://www.imf.org/en/publications/cr/issues/2025/07/11/france-financial-system-stability-assessment-568525?

[13]https://www.eba.europa.eu/publications-and-media/publications/risk-assessment-report-december-2025

Source

文章来源

本文摘自:2026年11月12日已经发布的《债市风波中的法国》

袁梦园 分析员 SAC 执证编号:S0080523120008 SFC CE Ref:BSM194

郭钰 分析员 SAC 执证编号:S0080523070008 SFC CE Ref:BTM350

杨鑫,CFA 分析员 SAC 执证编号:S0080511080003 SFC CE Ref:APY553

陈健恒 分析员 SAC 执证编号:S0080511030011 SFC CE Ref:BBM220

吴昇勇 分析员 SAC 执证编号:S0080525070003 SFC CE Ref:BEF674

张文朗 分析员 SAC 执证编号:S0080520080009 SFC CE Ref:BFE988

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

中金:10月金融数据解读

2026年11月16日 07:30

原创 中金研究 2026-11-16 07:30 上海

宏观和银行角度对10月金融数据进行解读

中金研究

人民银行发布10月金融数据:新增社会融资规模1.15万亿元,同比多增3330亿元,存量同比增速7.2%,较上月回升0.1个百分点;人民币贷款净减少1000亿元,同比少增3200亿元,存量同比增速下降0.1个百分点至4.7%;M1同比增速4.4%,较上月回升1.2个百分点;M2同比增速7.1%,较上月下降0.1个百分点。本文将从宏观和银行角度对10月金融数据进行解读。

宏观:社融和M1领先反弹,贷款利率下探

10月新增社融1.15万亿元、同比多增3300亿元,社融存量同比小幅反弹至7.2%,政府债发行加速是主要支撑。M1同比增速回升,集中投放的新型政策性金融工具或已形成企业活期存款。当前私人部门融资需求回暖的迹象尚不明显,贷款利率仍在下探。年内仍有较大体量政府债待发行,M2增速可能跟随M1回暖。

政府债加速发行、社融增速小幅回暖。10月新增社融1.15万亿元、同比多增3300亿元,社融存量同比从上月的7.1%小幅反弹至7.2%(图表1)。拆分来看,主要支撑因素是政府债加速发行:10月政府债净融资1.19万亿元、同比多增7017亿元(图表2),同比多增幅度创年内新高。

财政存款和M1增速同时回升。10月M1同比增速由3.2%反弹至4.4%(图表4),可能的原因是9-10月政府债融资加速后,部分财政资金已经完成拨付,且8000亿元新型政策性金融工具于10月集中投放完毕,单月投放量在7000亿元左右,财政和准财政资金在企业账户形成活期存款待使用。10月财政存款同比从上月的13.7%进一步反弹至21.2%,同比增速创今年1月后新高。9-10月,财政存款已累计同比多增1.09万亿元,后续财政存款投放或仍对M1增速有支撑。

当前私人部门融资需求回暖的迹象尚不明显,贷款利率下探。10月人民币贷款减少1000亿元、同比多减3200亿元。其中,居民贷款在去年10月基数偏低的情况下仍同比少增696亿元;企业短期、中长期贷款由上月的同比少增转为分别同比多增2000亿元、1300亿元,企业票据融资同比少增8123亿元,可能与去年10月银行票据冲量形成高基数(2025年10月票据融资同比多增3300亿元)、而今年三季度起针对银行票据转贴现业务的监管加强[1]有关。合并贷款、债券、股票观察,10月企业部门净融资同比少增约3400亿元。受信贷偏弱、财政投放待加速拖累,10月M2同比增速由上月的7.2%放缓至7.1%(图表3)。10月企业新发放贷款加权平均利率环比下降10bp至2.9%,或亦是贷款需求偏弱的佐证。

新型政策性金融工具对金融总量数据的提振有待发挥。10月政金工具集中投放,社融委托贷款和企业中长期贷款改善幅度[2]尚不明显。我们理解,一是投放方式带来的统计处理差异。今年的新型政金工具由政策性银行设立SPV投放、用于补充项目资本金。其中,SPV向项目企业进行直接股权投资的部分不计入社融,仅当SPV委托政策行向项目公司股东发放贷款、股东再以该笔资金向项目公司增资时,资金才计入社融委托贷款。二是剩余资本金或仍待到位。政金工具至多补充项目资本金的50%(智能机器人等重点领域项目可至80%),其余部分须由财政资金、专项债或企业自筹补足。今年以来,我国地方财政“四保”刚性支出增加、专项债资金监管不断规范[3],项目自筹资本金或仍待到位,银行向项目企业发放贷款也相应产生时滞。参考2022年、2025年政金工具投放的情况,新增企业中长期贷款通常滞后1-2个月开始有较明显改善。

年内仍有较大体量政府债待发行,或支撑M2增速可能跟随M1回暖。我们测算,11-12月政府债净融资仍有2.5万亿元余量、同比多增7800亿元,当前财政存款增速也在高位,资金拨付有较充足的加速空间,加之政金工具对信贷的撬动,有望对M2形成支撑。

图表1:10月社融同比增速小幅反弹至7.2%

资料来源:Wind,中金公司研究部

图表2:主要支撑因素是政府债发行加速

资料来源:Wind,中金公司研究部

图表3:M2同比增速放缓至7.1%

资料来源:Wind,中金公司研究部

图表4:M1同比增速反弹至4.4%

资料来源:Wind,中金公司研究部

图表5:10月新发企业贷款平均利率降至2.9%

资料来源:Wind,中金公司研究部

图表6:新发个人房贷平均利率持平于3.1%

资料来源:Wind,中金公司研究部

图表7:11-12月政府债净融资有望同比多增7800亿元左右

注:2026年11-12月政府债净融资额为我们的预测值

资料来源:Wind,中金公司研究部

图表8:10月金融数据一览

资料来源:Wind,中金公司研究部

银行:居民加速缩表,存款搬家放缓

人民银行发布10月金融数据:新增社会融资规模1.15万亿元,同比多增3330亿元,存量同比增速7.2%,较上月回升0.1个百分点;人民币贷款净减少1000亿元,同比少增3200亿元,存量同比增速下降0.1个百分点至4.7%;M1同比增速4.4%,较上月回升1.2个百分点;M2同比增速7.1%,较上月下降0.1个百分点。

居民加速缩表。10月人民币贷款减少1000亿元,同比少增3200亿元,主要由于零售依然较弱、票据融资大幅缩量,政策性金融工具带动对公中长期贷款同比多增;政府债与企业债共同支撑社融增速回升,具体看:

1. 居民贷款:10月居民贷款净减少4300亿元,去杠杆趋势延续,居民贷款余额同比增速降至-2.1%、降幅继续走阔。其中,居民中长期贷款净减少1563亿元,同比少增860亿元,显示9月末落地的房贷贴息政策刺激效果尚不明显;居民短期贷款净减少2700亿元,居民消费需求仍然偏弱。

2. 对公贷款:10月对公贷款净减少1600亿元,同比少增5100亿元,主要由于“反内卷”下银行以票充贷意愿下降,票据贴现大幅缩量拖累,票据贴现净减少3120亿元、同比少增8120亿元。另一方面,受益于政策性金融工具加速落地贡献,对公中长期贷款新增1600亿元,同比多增1300亿元,是本月对公信贷的主要支撑,主要由于政策性金融工具加速落地的贡献。截至10月末本轮8000亿元政策性金融工具已全部投放完毕,预计配套贷款在后续月份继续投放,支撑中长期贷款增长。

政府债和企业债支撑社融。10月政府债券净融资1.19万亿元,同比多增7020亿元;企业债券净融资3470亿元,同比多增970亿元;两者合计同比多增近8000亿元,推动社融同比多增3330亿元,社融存量同比增速回升0.1个百分点至7.2%。考虑到今年前三季度政府债券发行节奏整体偏慢,我们预计四季度政府债均能够实现同比多增、支撑社融增速。

存款搬家放缓。10月居民存款净减少9200亿元,同比多增4200亿元;非银存款增加1.58万亿元,同比少增2700亿元,居民存款向非银转移的力度不及去年同期,主要由于10月权益市场波动较大、存款入市节奏放缓。

M1同比增速4.4%,较上月的3.2%回升1.2个百分点,主要受企业结售汇提升带动;M2同比增速7.1%,与上月基本持平。尽管存款搬家边际放缓,但超额储蓄释放、居民存款搬家仍在延续。三季度交易情绪进一步降温,券商保证金同比增速由二季度的55%大幅下降至17.5%,股票公募同比下降1.3%,居民进入权益市场意愿收敛;私募同比增长53%,创过去三年历史新高,仍保持较强韧性。固定收益类公募同比增长27.3%、保险同比增长11.2%,仍高于定期存款8.5%的增速水平,是居民存款搬家的主要方向。

银行投资观点。综合而言,当前零售信贷需求仍然较弱、居民加速缩表,但对公中长期贷款在政策性金融工具带动下边际改善,政府债和企业债支撑社融增速回升。后续可继续观察房贷贴息政策的刺激效果、政策性金融工具配套贷款的落地节奏以及PSL降息扩容等政策变化对四季度信贷需求的影响。我们预计2026年头部上市银行业绩保持稳定,仍然看好股息较高、基本面稳定的国有银行,以及所处区域经济活跃、具备成长性的优质区域行。

风险

稳内需政策落地效果。

图表1:10月金融数据一览

资料来源:中国人民银行,Wind,中金公司研究部

图表2:居民去杠杆,政府加杠杆,企业杠杆微升

资料来源:Wind,中金公司研究部

图表3:社融脉冲是宏观景气度的同步指标

注:社融脉冲=过去12个月社融增量/GDP

资料来源:Wind,中金公司研究部

图表4:核心贷款增速继续下行,短期融资增速处于高位

资料来源:Wind,中金公司研究部

图表5:企业活期存款同比增速显著上升,推动M1回升

资料来源:中国人民银行,Wind,中金公司研究部

图表6:PPI与M1-M2剪刀差

资料来源:Wind,中金公司研究部

图表7:按揭贷款、消费贷款与经营贷同比增速均有所下滑

资料来源:Wind,中金公司研究部

图表8:居民房贷早偿仍在相对高位

注:按揭发放和还贷规模根据住房销售额(包括二手房)、平均首付比例、按揭贷款余额变动等数据估算。

资料来源:Wind,中金公司研究部

图表9:9月按揭早偿率小幅度回升

资料来源:Wind,中金公司研究部

图表10:贷款增速明显分化,科技贷款增速较快,房地产和消费相关贷款负增长

资料来源:Wind,中金公司研究部

图表11:居民定期存款增速回升,活期存款增速下降

资料来源:Wind,中金公司研究部

图表12:非银存款增速下滑,居民搬家进度放缓

资料来源:Wind,中金公司研究部

图表13:私募、固收公募基金增长较快

资料来源:Wind,中金公司研究部

图表14:城投信用利差上升,但仍处于低位

资料来源:Wind,中金公司研究部

[1]https://paper.cnstock.com/html/2026-07/16/content_2245317.htm

[2]10月社融委托贷款新增1860亿元、同比多增206亿元;企业中长期贷款新增1600亿元、同比多增1300亿元。

[3]《图说中国宏观周报:优结构、提质效或仍是财政重点》。

Source

文章来源

本文摘自:2026年11月14日已经发布的《社融和M1领先反弹,贷款利率下探——10月金融数据点评》

周彭 分析员 SAC 执证编号:S0080521070001; SFC CE Ref:BSI036

周奕江 联系人 SAC 执证编号:S0080125090004

张文朗 分析员 SAC 执证编号:S0080520080009; SFC CE Ref:BFE988

黄文静 分析员 SAC 执证编号:S0080520080004; SFC CE Ref:BRG436

本文摘自:2026年11月14日已经发布的《居民加速缩表,存款搬家放缓——10月社融数据点评》

林英奇 分析员 SAC 执证编号:S0080521090006 SFC CE Ref:BGP853

许鸿明 分析员 SAC 执证编号:S0080523080007 SFC CE Ref:BUX153

张静雅 联系人 SAC 执证编号:S0080126050022

张帅帅 分析员 SAC 执证编号:S0080516060001 SFC CE Ref:BHQ055

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

中金:消费品出口的积极变化

2026年11月16日 07:30

原创 黄亚东 张文朗等 2026-11-16 07:30 上海

2026年三季度,我国消费品出口增速加快

中金研究

2026年三季度,我国消费品出口增速加快。2026年上半年消费品出口同比增长6.8%,三季度同比增速提升至20.9%,增速大幅上升。分市场看,消费品出口对多个主要经济体的增速都比较高。进一步将消费品出口金额拆分为数量和价格,三季度价格的贡献上升。分行业来看,运输设备和电子产品是消费品出口增长的主要来源,可能和原油价格、AI相关存储价格上涨有关。运输设备消费品的增长主要来自汽车,可能和原油价格上涨推动海外电动化,新能源汽车出口加快有关。原油价格上涨也推高了化纤原料成本,纺织服装、鞋帽、皮革出口回升,量价都有所上涨。电子消费品的增长主要来自手机等电子产品,可能和AI带来的存储价格上涨有关。

2026年三季度,我国消费品出口增速加快。根据广义经济类别分类(Broad Economic Categories,BEC),全球贸易商品可以分为消费品(Final Consumption)、资本品(Gross Fixed Capital Formation)、中间品(Intermediate Consumption)三类。2026年1-9月,我国消费品出口金额同比增长11.8%,相比2025年-2.9%的同比增速提升14.7个百分点。分阶段来看,2026年上半年消费品出口同比增长6.8%,三季度同比增速提升至20.9%;2026年9月,消费品出口单月同比增长29.8%,较8月18.4%的同比增速提升11.4个百分点。

分市场看,消费品出口对多个主要经济体的增速都比较高。其中,对美国、俄罗斯、德国的消费品出口在1-9月分别新增138亿美元、106亿美元、64亿美元,增量排在前三位,1-9月累计同比增速分别为10%、46%、26%。其他消费品出口增速较快的目的地包括巴西、澳大利亚、泰国、英国,1-9月累计同比增速分别为38%、25%、17%、16%。

进一步将消费品出口金额拆分为数量和价格,三季度价格的贡献在增加。使用Fisher指数法[1]对消费品出口的量价进行拆分,2026年1-9月消费品出口价格同比增长2.7%,数量同比增长8.8%。但是,三季度消费品出口价格同比增长10.2%,较2026年上半年的出口价格同比增速上升11.4个百分点;2026年三季度消费品出口数量同比增长9.7%,仅较2026年上半年的出口数量同比增速小幅增长1.6个百分点。

分行业来看,运输设备和电子产品是消费品出口增长的主要来源,可能和原油价格、AI相关存储价格上涨有关。2026年1-9月运输设备、电子产品出口分别增加503亿美元、213亿美元,合计贡献消费品出口增量的75%,其他的消费品出口包括燃料电力、纺织、鞋帽、皮革、食品等。

运输设备消费品的增长主要来自汽车,可能和原油价格上涨推动海外电动化,新能源汽车出口加快有关。汽车出口占运输设备总出口的83%,占出口增量的91%。2026年1-9月,汽车出口1206亿美元,同比增长61.1%,其中数量同比增长63.9%,价格同比下降1.7%。分车型看,插电混动和纯电动车型分别贡献汽车出口增量的37.5%和34.9%,合计超七成。受中东冲突反复的影响,9月布伦特原油月均价达到102美元/桶,较去年同期同比上涨51%,欧盟含税汽油价格同比上涨28%。燃油成本上升提高了电动车的相对吸引力,2026年前三季度欧盟纯电动乘用车注册量同比增长48%、插电混动车同比增长19%。

原油价格上涨也推高了化纤原料成本,纺织服装、鞋帽、皮革出口回升,量价都有所上涨。2026年三季度纺织服装出口同比增长13.4%,较上半年增速(-0.4%)明显回升。其中,纺织服装出口数量同比增速由上半年的4.8%提升至三季度的10.7%,出口价格同比增速由上半年的-4.9%回升至2.4%。从成本看,由于国际油价上涨,国内PTA现货价在2026年3季度同比增长33%,推动了纺织服装成本上升,是其出口价格上涨的一个原因。另一方面由于国内消费较弱,而海外通胀今年上升,两者之间差距走阔,或也推动企业更多出口。鞋帽、皮革出口金额三季度分别增长10.0%、12.6%,其中出口价格同比分别增长5.0%、9.9%,出口数量同比分别增长4.8%、2.5%。

电子消费品的增长主要来自手机等电子产品,智能手机贡献了出口增量的50%,可能和AI带来的存储价格上涨有关。2026年1-9月,智能手机出口885亿美元,同比增长13.6%,其中价格同比上涨29.3%,数量同比下降12.2%。三季度,智能手机出口价格同比上涨56%,较上半年的17%进一步上升;三季度数量同比下降22%,较上半年的-6%进一步下降。除了智能手机,摄像机和相机、电视机和显示器等含芯片的电子产品出口价格在三季度也明显上涨。

图表1:消费品出口单月同比增速持续提升

资料来源:iFinD,海关总署,中金公司研究部

图表2:消费品出口累计同比增速

资料来源:iFinD,海关总署,中金公司研究部

图表3:消费品出口分目的地同比增速

资料来源:iFinD,海关总署,中金公司研究部

图表4:消费品出口量价拆分

资料来源:iFinD,海关总署,中金公司研究部

图表5:分行业消费品出口新增金额(2026年1-9月)

资料来源:iFinD,海关总署,中金公司研究部

图表6:分行业消费品出口量价拆分(2026年3季度)

资料来源:iFinD,海关总署,中金公司研究部

图表7:汽车出口量价拆分(2026)

资料来源:iFinD,海关总署,中金公司研究部

图表8:欧盟乘用车注册量累计同比

资料来源:iFinD,中金公司研究部

图表9:纺织服装出口量价拆分(2026)

资料来源:iFinD,海关总署,中金公司研究部

图表10:智能手机出口量价拆分(2026)

资料来源:iFinD,海关总署,中金公司研究部

[1]Fisher指数法:以2025年同期为基期、2026年为报告期,数量指数取拉氏数量指数(以2025年价格为权重,即,p为均价、q为数量)与帕氏数量指数(以2026年价格为权重,)的几何平均;均价指数同理,取拉氏、帕氏价格指数的几何平均。两者满足:(1+数量同比)×(1+均价同比)=1+金额同比。

Source

文章来源

本文摘自:2026年11月15日已经发布的《消费品出口的积极变化》

黄亚东 分析员 SAC 执证编号:S0080523070016 SFC CE Ref:BTY091

张文朗 分析员 SAC 执证编号:S0080520080009 SFC CE Ref:BFE988

黄文静 分析员 SAC 执证编号:S0080520080004 SFC CE Ref:BRG436

周彭 分析员 SAC 执证编号:S0080521070001 SFC CE Ref:BSI036

段玉柱 分析员 SAC 执证编号:S0080521080004 SFC CE Ref:BWF061

潘治东 分析员 SAC 执证编号:S0080526070002

周奕江 联系人 SAC 执证编号:S0080125090004

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

CGI视点 | “AI+”的产业重构逻辑初探:以汽车为例

2026年11月13日 08:04

谢超李昊辰颜晓畅 2026-11-13 08:04 上海

以下文章来源于:中金研究院

中金研究院

中金研究院 (CICC Global Institute,缩写 CGI)作为中金公司一级部门,定位为新时代、新形势下的新型智库,服务于中国公共政策研究与决策,参与国际政策讨论和交流,并为中国金融市场尤其是资本市场发展建言献策。

一百年前美国汽车也是百花齐放,绝大多数最终失败,很多初创车企存活不超过十年。

CGI视点

中国制造作为追赶中的巨人,汽车行业是典型代表,清洁能源转型表明颠覆性技术是汽车乃至中国制造弯道超车的机遇。以大模型为代表的新一轮AI技术进步,具有先发优势弱、规模优势强的特点,Tokenization带来的(高阶)认知技能标准化生产,既有利于中国汽车行业在为数已不多的弱势环节加速工艺积累,也有望赋能原创性颠覆式创新,提升行业迈向引领者的可能性。从价值链角度看,Tokenization可能导致微笑曲线非典型陡峭化,即汽车制造与传统服务环节利润空间承压,智驾等新型服务利润空间上升。背后原因不再主要是技术进步在供给侧改变服务与制造产能的相对稀缺性,更多是Tokenization通过需求侧重构价值链。AI提升服务业可贸易性,进一步强化“服务定义汽车”的逻辑。此外,Tokenization有望降低柔性制造成本,可能是AI重构汽车产业链的重要方向,有利于更好兼顾制造产能的社会价值与商业价值。为更好发挥AI重构产业链价值链进而助力迈向引领者的作用,在积极扩张总需求以增强规模优势的同时,还需充分重视初创企业的作用。在一百年前美国汽车工业的引领式创新阶段,也呈现初创企业“无序”介入的“百花齐放”态势。其中,绝大多数初创企业最终失败,很多无经验初创车企存活时间不超过十年。从“中小企业+资本市场+制度建设”的引领式举国体制来看,原创性颠覆性较强的引领式创新,面临的主要挑战是没有先例可循造成的不确定性,初创企业等中小企业群体创新的机会成本较低,因而是主力军,需要通过勇于试错来明确技术路线与商业模式,也因此难免出现高失败率。美国汽车工业起步史还表明产业创新存在先发优势,意味着更需增强社会包容性。制度建设是应对试错失败等成长烦恼的必要条件,对保护消费者权益、维护探索者声誉,进而通过增强品牌认知度来巩固产业创新先发优势而言尤为重要。

关键词 | 智能网联汽车 引领式创新 Tokenization 柔性制造 初创企业

研究员 | 谢超 李昊辰 颜晓畅

正文

中国是世界制造业第一大国,规模是中国制造目前最大的优势。2021年,中国占全球制造业增加值比重一度达到30%,此后虽有所下降,但仍接近30%,与美国、日本、德国的总和大致相等(图表1)。另一方面,中国制造也是追赶中的巨人。作为最重要的耐用消费品,汽车的产业格局尤为具有代表性。

图表1:主要经济体占全球制造业增加值的比重

资料来源:世界银行,iFinD,中金研究院

一、追赶中的巨人:以汽车产业链为例

(一)清洁能源技术进步颠覆汽车产业,带来弯道超车机遇

以2022年的汽车产业链格局为例,从圆圈面积衡量的营收规模来看,中国在整车环节已与欧美国家接近,对日本、韩国拥有一定优势。纵轴的毛利率衡量了不同国家在汽车产业链不同环节的不可替代性。从毛利率视角看,中国与传统汽车强国尚存一定差距。值得注意的是,并非汽车产业链的所有环节均存在这种差距。例如,动力电池环节的产业格局是中国既大且强(图表2)。这得益于清洁能源作为一种颠覆性技术进步,为中国汽车产业追赶带来了弯道超车机遇。目前,中国新能源汽车已经成为中国乃至全球汽车产业举足轻重的组成部分:产量占中国汽车产量的一半;占全球新能源汽车产量的比重超过七成(图表3)。

图表2:中国汽车产业链格局(2022年)[1]

注:圆圈大小代表营收规模;传统零部件包含汽车热管理、内外饰、结构件等供应商;底盘件包括传动、行驶、转向、制动系等供应商;汽车电子包括电子电气架构、车内通信、电控、域控制器、传感器等供应商;车规芯片主要为车规MCU、算力芯片供应商。
资料来源:相应公司年报,中金公司研究部,中金研究院

图表3:清洁能源技术进步为中国汽车产业带来弯道超车机遇

资料来源:中汽协,IEA,ITC,OICA,中金研究院

(二)绿色转型:地缘经济竞争新形势下的变与不变

新能源汽车等中国绿色产业的发展,与过去几十年全球绿色转型大方向是分不开的。以美国政府为例,虽然未必认同全球气候变暖的科学判断[2],但出于维护在国际社会政治形象与政治领导力的需要,在特朗普政府之前,美国政府对推动绿色转型大致也持积极态度。曾任拜登政府国家安全事务助理的沙利文,在2023年10月发表的《美国力量的源泉》一文中这样阐述美国发展绿色产业的意图:“如果一个国家对气候变化不认真,它就不能向世界提供可信的价值主张”[3]。

到了特朗普2.0时期,被拜登政府认为有利于增强美国国际政治影响力的绿色转型策略立刻被废止了。特朗普政府再次退出巴黎气候协定,转向重点发展美国具有优势的化石能源,并在2025年12月发布的美国新版《国家安全战略》报告中明确要求“恢复美国在石油、天然气、煤炭及核能领域的能源主导地位”[4]。由此产生了有关全球绿色转型是否会倒退的讨论,进而诱发冲击新能源汽车等绿色产业发展的担忧。

图表4:全球原油日均产量结构

资料来源:OPEC,iFinD,中金研究院

图表5:全球已探明原油储量结构

资料来源:OPEC,iFinD,中金研究院

对此,本文认为美国绿色转型战略虽然出现了重大变化,但全球绿色产业发展的大趋势不会变,甚至在某些方面可能会被地缘竞争的新形势强化。从全球石油产业格局来看,美国虽在页岩油革命后成为全球第一大产油国,但已探明储量占全球比重仅不到3%。委内瑞拉则是占到了全球已探明储量的19.4%,位列全球首位;其次是沙特的17.1%,再次是伊朗的13.3%。这三个国家合计占到了全球石油已探明储量的一半(图表4和图表5)。美国“高产量、低储量”的石油产业格局,也就不难理解美国在2025版《国家安全战略》中主导石油产业的诉求了[5]。

另一方面,在地缘竞争新形势下,不只是美国有维护国家安全的需要,其他国家亦是如此。而所谓安全,一般是指不受威胁的状态。要想实现不受威胁的状态,不能将希望寄托于对手没有威胁自己的意愿,而要确保自己有不受威胁的能力[6]。本文认为这意味着对于其他没有能力主导全球石油产业格局的国家而言,如果选择跟随试图以竞争性手段主导全球石油格局的国家退出绿色转型战略,则是将国家能源供应置于不安全的处境。因此,对于这些国家的地缘经济战略抉择而言,化石能源与清洁能源兼顾才是有效维护国家能源安全的理性做法。

更重要的是,美国虽然退出了绿色转型战略,但其试图主导石油产业的地缘竞争战略,提升了清洁能源产业的预期回报,反而是强化了新能源汽车等清洁能源产业发展的自发动力。绿色溢价的概念有助于理解这个逻辑。绿色溢价是指某项经济活动的清洁(零碳排放)能源成本与化石能源成本之差,绿色溢价下降意味着经济主体向清洁能源转换的自发动力增强[7]。在今年的美以伊冲突爆发后,石油价格显著上升、居高不下,有效压低了清洁能源转型的绿色溢价,提高了清洁能源发展的经济激励。美国原油价格和清洁能源投资占美国风投比重高度正相关的走势,印证了上述逻辑(图表6)。类似地,虽然今年中国新能源车购置税由全额免征调降为减半征收,且单辆车减税额不超过1.5万元[8],但渗透率在年初下降后很快于二季度便恢复先前的上升趋势,背后不乏化石能源价格上升的绿色溢价逻辑(图表7)。

图表6:美国原油价格与风投结构

资料来源:Pitchbook,Wind,中金研究院

图表7:中国新能源汽车渗透率

资料来源:iFinD,中金研究院

二、AI有望助力中国汽车产业从追赶迈向引领

综上,考虑到地缘竞争新形势下的变与不变后,无论美国是否退出绿色转型战略,清洁能源技术依旧是中国汽车产业弯道超车的重要基础。但这并不意味着仅靠清洁能源就能助力中国汽车产业摆脱追赶者的标签。尤其是考虑到汽车产业转型正在从上半场电动化走向下半场的智能化,本文认为,AI作为新一轮颠覆性技术进步,有望最终推动中国汽车产业在电动化的基础上进一步迈向引领者,具体体现为两个方面:一是通过Tokenization加速追赶,补齐数量有限的短板;二是继绿色技术之后,AI再次提供弯道超车机遇,进一步赋能颠覆式创新。

(一)AI加速追赶:Tokenization与认知技能标准化生产

与中国在动力电池环节所占据的主导地位不同,中国汽车产业在底盘领域尚存一定的追赶空间(图表2)。我国汽车工业起步较晚是重要原因。悠久的造车历史不但有助于强化品牌忠诚度,通常也意味着制造工艺与经验的持续累积,均有利于提高汽车产业的毛利率。其中,造车工艺和经验持续积累的基础是一代又一代汽车工业人的认知技能。在传统技术条件下,运用这些认知技能获得的各种造车知识,虽然部分可以通过资本化沉淀为企业的有形与无形资产,但认知技能本身却难以通过资本化方式有效改善供给稀缺性,意味着时间成为工艺与经验积累沉淀难以逾越的障碍。

大模型所代表的新一轮AI技术进步正在改变这一情况。大模型早期虽主要用于自然语言处理,但当前早已经拓展到图像、视频等多模态。Token内涵也从早期自然语言意义上的分词单元,逐步拓展为多种模态下能够为人工智能模型所识别和处理的基本计算单元。由此,可以将Tokenization的经济学意义,理解为将高度非标准化的知识与信息,标准化拆解为一系列可被人工智能大模型统一计量和处理的基本单元。该技术实现了以往历次科技革命前所未有的重大突破,即是将知识的学习、整合与应用这一传统上高度非标准化的技能,转化为可由机器提供的标准化技能,提升了机器自动化执行复杂非常规任务的潜力。一旦原本高度依赖个体经验、知识积累的(高阶)认知技能被标准化,大模型便能将其转化为可描述、可调用、可嵌入流程的技能模块,从而实现认知技能与个体人力资本的解绑,转而由模型、算力进行规模化供给,显著降低认知技能的稀缺性[9]。

对于中国汽车产业,乃至整个中国制造而言,Tokenization有望加速产业追赶,补齐已经为数不多的工艺短板。如前述,中国汽车工业虽然起步较晚,但生产、销售与保有的规模优势显著,其中蕴含着大量有助于提升制造工艺的隐性知识,只不过原来受限于认知技能的稀缺性,对这些知识的识别、提取与学习能力不足。Tokenization实现了认知技能的标准化生产,意味着可以通过资本化提升中国制造规模优势转化为工艺与经验积累的速度。以前述中国离汽车强国还有一些距离的底盘为例,基于道路平整度、车辆速度和质量、悬挂状态等数据,AI模型可助力优化悬挂系统控制、调节,最终实现通过AI赋能调校底盘舒适性的目标[10]。此外,AI也可以识别、预测汽车零部件的尺寸缺陷,在早期介入以减少缺陷向下游生产环节的传播,从而提升整体品控能力[11]。

(二)作为智能网联汽车的灵魂,AI技术先发优势弱、规模优势强

综上,Tokenization带来的认知技能标准化生产,意味着可以通过横向的大规模生产来加速制造工艺与经验的积累,以弥补中国制造纵向的时间短板,进而实现加速追赶。更重要的是,本文认为,AI作为智能网联汽车的灵魂,有望延续清洁能源技术开辟的颠覆式创新进程,带来弯道超车机遇2.0,或可助力中国汽车从追赶的巨人跻身真正的引领者。

图表8: 中美大模型引领世界

注:图中大模型选择了截至2026年7月9日,各国大模型在Artificial Analysis Intelligence Index得分中的最大值。
资料来源:Artificial Analysis,中金研究院

作为近几十年最重要的通用技术进步,AI赋能作用不仅局限于汽车,也有望渗透至各行各业。也正因如此,AI成为地缘经济竞争的焦点。过去几年,由于种种原因,中美模型差距一度有所扩大,引发了一些担忧。在2024年《AI经济学》完稿时,笔者曾作如下判断:“此次大模型的进步,对于算力、算法、数据的要求特别高,又赶上当前的国际竞争环境,导致大家担心将来是否能够追赶上。我们在研究之初对这个问题也是心里没底。经过近一年的研究后,我们可以非常有信心地说,中国不但能追赶上,还有可能反超”[12]。如图表8所示,中美大模型能力差距经历了先扩大到再缩小的动态变化。目前,两国共同跻身远领先于其他国家的第一梯队。

图表9: 中国AI人才规模优势突出

注:AI优秀研究者是被人工智能顶级会议NeurIPS接收文章的作者,来源地是研究者本科毕业学校所在地,工作地是研究者工作机构总部所在地
资料来源:The Economist (2026)[13],Macropolo,中金研究院

图表10: 以算法优化缓解算力约束

资料来源:中金研究院

中国的AI人才规模优势,是当时支撑笔者做出乐观判断的主要原因。在《AI经济学》中,笔者发现2019年到2022年间,全球优秀AI人才的主要工作地是美国,但中国是全球培养AI人才最多的国家。在2019年至2022年间,虽然整体看中国依旧是AI优秀人才流出国,但在中国工作的AI优秀人才比例从11%大幅增加到了28%,而在美国工作的AI优秀人才比例则是从59%下降到了42%[14]。更新后的数据表明,2022-2025年间,中国不但巩固了AI优秀人才的培养规模优势,而且AI优秀人才在中国工作的比例也延续上升趋势。截至2025年末,全球AI优秀人才在中国工作的比例已经上升至37%,超过了美国的32%(图表9)。与此同时,作为大模型的三要素,算力、算法、数据具有一定的相互替代性,意味着即便高端算力芯片供给受限,中国依旧可以通过充分发挥人才规模优势的方式来优化算法,进而实现追赶(图表10)。

当然,人才的规模优势不仅体现为短期可以通过算法优化来缓解算力约束,也体现为长期中可以通过加速先进制程芯片的追赶式创新,来最终破解算力受限问题。此外,数据也是中国的规模优势之一,在视频大模型的追赶中体现得尤为明显。在大模型从语言向多模态的发展过程中,美国也是先行者,OpenAI的Sora一度是视频大模型的杰出代表。但在今年上半年,OpenAI宣布关停曾经风靡一时的Sora,对外给出的一个解释是聚焦核心主线[15]。与此同时,中国视频大模型虽然起步稍晚些,但模型能力与商业表现均呈现出对美国同类模型的赶超态势,背后是中国发达的短视频产业积累的庞大数据。总之,中国人才与数据的规模优势,一定程度抵消了美国在大模型技术进步中的先发优势。

展望未来,大模型技术路线仍处于方兴未艾的快速迭代状态。离身智能方面,基于Transformer架构能否走向AGI存在巨大争议。大模型发展从早期的离身智能进入到具身智能领域后,如何让模型能够真正“理解”现实世界的物理规律,进而实现与真实世界的有效互动,中美均面临着模型框架、现实数据等难题,具身智能的技术路线成熟度远没有离身智能那么高。在不确定性较高的技术进步初期,谁能够进行更加多元的技术路线探索,谁就更有可能成为未来的引领者[16]。作为具身智能重要体现形式之一,智能网联汽车智驾模型探索较好体现了这点。中国车企自2024年即开始进行相关探索,不但在VLA、世界模型等技术架构上与具身智能模型前沿探索保持一致,而且结合着自身实际情况衍生出了多条细分路线(图表11)。这既得益于上半场电动化转型的成功,也得益于中国汽车市场的规模优势,能够包容多元技术路线探索。

图表11: 主流车企智驾大模型技术架构与规划概览

资料来源:高工智能汽车,中金公司研究部(2025)[17]

由于种种原因,近期又有观点认为中美大模型的差距有重新拉大迹象[18]。但综合上述分析,本文认为,如果能够用好中国的人才规模优势,尤其是采取更加积极的需求扩张政策来强化中国的市场规模优势,中美之间的大模型差距仍有望持续缩小,作为颠覆性技术的大模型,仍有可能助力中国汽车产业迈向引领者。

三、服务型制造VS柔性制造:AI重构制造的方向辨析

(一)这次不一样:AI导致汽车价值链非典型陡峭

对于汽车产业而言,大模型的颠覆作用不仅体现在重构国际格局,也体现在价值链的重构。主流看法是会导致微笑曲线进一步陡峭化,也即汽车产业链在AI赋能下,制造环节利润会被压薄,并向上游研发设计、下游销售与售后等服务环节流动。背后的逻辑是AI赋能底盘等汽车制造环节补短板,有利于增强制造环节的规模经济,进一步压低成本。事实上,不止在汽车领域,整个中国制造都是在技术进步的基础上,通过持续地资本化来增强规模经济以压低成本,由此创造了显著社会价值,为中国乃至全球福利提升做出了重要贡献。但在商业价值层面,上述逻辑难免导致产业价值链的利润从制造环节更多向服务环节流动,产生所谓的微笑曲线问题。在这个背景下,为更好兼顾大规模制造的社会价值与商业价值,推动服务型制造似乎成为一个理想选择。在汽车行业,服务定义汽车成为服务型制造的表现形式之一。

从历史规律来看,关于AI造成汽车价值链进一步陡峭的判断不无道理。从蒸汽机到信息技术革命,机器逐步超越了劳动者的常规手工技能乃至初级认知技能。这些被机器超越的技能大多是制造岗位所需的核心技能,因而大模型出现之前的技术进步在制造业中引发机器对劳动者的持续替代,也赋予了制造业通过大规模增加资本开支来增加产出的可行性,由此形成的规模经济效应显著降低了制造产能的稀缺性。与此同时,服务岗位充满了依赖灵活性、判断力与常识的非常规任务,对劳动者社交技能乃至高阶认知技能均提出了较高要求。由于这些技能高度非标准化,与劳动者个体人力资本高度绑定,且在劳动者之间分布并不均匀,由此造成了服务产能的供给约束,即服务产能难以像制造业那样通过增加机器设备的资本化方式实现快速扩张,因而在需求增长时容易出现边际成本递增,乃至规模不经济。传统技术进步在制造与服务领域形成的规模经济与规模不经济差异,意味着制造产能稀缺性持续下降的同时,服务产能的相对稀缺性持续上升,由此形成价值链利润由制造向服务转移的微笑曲线。

但这一次不一样。Tokenization将高度非标准化的知识与信息,标准化拆解为一系列可被大模型统一计量和处理的基本单元,实现了以往历次科技革命前所未有的重大突破,即是将知识的学习、整合与应用这一传统上高度非标准化的技能,转化为可由机器提供的标准化技能,首次在很大程度上将(高阶)认知技能与劳动者个体人力资本解绑,有效提升了机器自动化执行复杂非常规任务的潜力,使得资本化也成为服务产能提升的有效手段。

这在赋予了服务业类似于制造业规模经济可能性的同时,也削弱了服务产能相对于制造产能的稀缺性。进一步地,从OpenAI在2025年底的一项研究来看,相对于人类专家,大模型在销售主管、柜台人员、销售经理等服务领域岗位的胜率,远超生产运营主管、工业工程师、机械工程师等制造类岗位[19]。因此本文认为,是否能够基于技术进步重构价值链的传统逻辑,做出AI导致汽车产业微笑曲线进一步陡峭化的结论,是值得商榷的。

(二)服务定义汽车:AI增强服务业的可贸易性

需要说明的是,上述分析并非说AI赋能下的汽车价值链不存在陡峭化的可能性。例如,虽然Tokenization可能导致传统服务环节的利润空间承压,但本文认为,智驾等新型汽车服务的利润空间还是有可能上升的,只不过导致这种微笑曲线陡峭化的逻辑,不再主要是,甚至可以说不再是传统的供给侧产能相对稀缺性,而是体现了AI通过需求侧重构价值链的可能性:在智驾模型尤其是高阶智驾模型普及率仍有较大提升空间的背景下,大模型技术进步有望在提升智驾性能的同时降低其价格,从而打开普及率提升空间,由此带来的需求更快增长有望促使智驾相关服务环节从整个汽车产业链中分得更多利润。

AI增强服务业可贸易性的效应,有望进一步强化这种逻辑。与制造业相比,传统观点是服务业可贸易性较差,主要是因为供给与需求难以实现地理层面分割,或者说分割的交易成本较高。这些交易成本的来源既有通讯技术等物理层面的硬约束,也有消费者偏好、语言等文化因素乃至规章制度等的软约束。伴随着数字技术发展,远距离通讯成本大幅下降,服务业的地理可分割性显著提升,提高了服务业可贸易性,数字服务本身也成为了服务贸易增长最快的领域[20]。

大模型等AI技术的发展有助于进一步降低跨境服务交易成本,增强服务业的可贸易性。以手机应用(App)为例,某个国家开发的App可能会在本土深受欢迎,但向海外出口时可能会因消费者偏好、语言等文化差异而水土不服。在这种情况下,一个App要从原产国进入目的国,需要在目的国雇佣熟悉当地文化的人来进行本土化适配改造。这是服务业跨境交易成本的重要体现,降低了服务业的可贸易性。

伴随着AI的发展,情况似乎正在发生变化。基于2015–2020年28000款手机应用样本的研究表明,在App中部署AI会使海外用户数(即该App所代表的服务贸易出口)显著增加,部署AI的App海外用户数约为未部署AI的App的3.5倍[21]。这在很大程度上得益于AI作为通用技术降低了创新成本,使App可以根据不同市场、用户群体的特征进行差异化与个性化创新,进而有效降低由消费者偏好差异造成的服务业跨境交易成本。

大模型技术进步,有望进一步降低语言等文化差异造成的交易成本。从根本上来说,文化也是一种复杂的非标知识。大模型依旧可以通过Tokenization方式对其进行标准化处理,由此带来的可能结果是,对于出口国的App开发者而言,在进口国雇佣本地团队来把握当地文化偏好的必要性下降,可以通过部署在出口国的大模型与算力中心,对来自进口国的用户数据进行机器学习与分析,自动生成适配进口国的产品设计方案。这将有望重塑全球服务贸易的分工格局。仍以App为例,在符合跨境数据流动监管要求的前提下,全球分工模式有可能从大模型时代之前的“甲国研发—乙国团队本土化改造—乙国消费”的浅层服务贸易模式,转向“甲国研发—甲国AI+乙国传至甲国的数据—乙国消费”的深度服务贸易模式。这有利于进一步增强出口国AI大模型训练和改进的规模经济效应。

(三)AI降低柔性生产成本,兼顾制造产能社会价值与商业价值

综上,服务可贸易性增强,意味着AI可以通过扩大服务潜在需求规模来提升服务在价值链上的利润空间,在支撑微笑曲线部分陡峭化的同时,也强化了服务定义汽车的逻辑。其中一个体现即是AI赋能有利于及时捕捉消费者多样化需求的市场营销活动,对于汽车产业而言越发重要,有望助力柔性生产,缓和大规模制造的社会价值与商业价值矛盾。

如前述,传统的技术进步为制造业带来了强规模经济效应,以生产设备高度专用化、工人技能高度专业化和生产工艺高度标准化为特点的生产流水线是其重要微观基础。这种流水线模式发源于福特汽车[22],目前仍是广泛应用于汽车产业中的生产组织模式[23]。好处是能够以稳定的质量大规模生产同一产品,问题是一旦要更改产品类型,企业将不得不付出高昂的流水线调整成本,包含但不局限于为建设流水线而购置的专用设备可能闲置,需要对工人技能进行重新培训,新旧生产工艺切换过程中产品良率难免下降等等。如果不付出这些调整成本,则规模化生产的制成品可能会因为需求不足而出现库存积压,难以实现预期中的经济收益,最终导致大规模制造的社会价值与商业价值背离。

由此,产生了柔性制造理念,以与福特流水线为代表的刚性生产模式相区分。具体而言,柔性制造希望通过模块化方式构建具有更大弹性的流水线,以兼顾大批量生产与多品类生产的需要。值得注意的是,柔性制造的落地成本不容忽视,不只有因单一产品生产规模受限造成的规模经济损失,也需要为流水线的模块化改造投入额外成本。因为究竟应当将哪些生产环节“封装”为一个具有相对独立性的生产模块,不只取决于生产工艺、专用设备、员工技能等技术条件与模块功能适配性的判断,也取决于什么样的模块化能够及时响应需求侧变化,而及时有效识别需求侧动向也是一笔不菲的开支。而且一旦对于市场需求动向的识别有误,导致产线模块化改造的方向出现差错,由此导致的代价可能要比刚性生产造成的供求失衡成本还要高。因此柔性制造理念虽然看似先进,但自1960年代出现以来,在实际的生产过程中仍未成为主流模式。

伴随着AI技术进步,柔性制造成本有望下降。有研究表明,针对柔性制造容易导致序列生产混乱、造成运营成本上升的问题,在AI赋能下,约50%的生产序列偏差可以提前预测,有利于减少生产中断、提高生产效率、优化供应链管理[23]。更深层次的逻辑在于有效把握市场需求动向,精准识别生产工艺、专用设备与员工技能等技术可行性约束,并将市场目标与技术约束结合起来设计最优的模块化方案,很大程度上有赖于有效学习并运用知识的高阶认知技能。而如前述,在很多高阶认知技能方面追上甚至超越人类,恰是本轮以大模型为核心的AI技术进步的主要特点,从而有助于将以专用设备为核心的传统刚性生产线,以更低廉的成本转化为以私有数据为核心的柔性制造模块。

例如,AI能够赋能销售部门更精准地分析市场数据,如果有物联网的实时数据支撑,这种对市场需求的把握将更为及时有效;企业为AI化所进行的私有数据收集投入,不只会增强大企业的规模经济优势,也能够为柔性制造所需的模块化改造提供更为精准的技术参数支撑;AI处理大数据的优势,意味着能够更有效地将需求侧的市场信号与供给侧的技术参数结合起来,给出更优的模块拆解与组合方案,并根据供、需动向及时调度、重组不同模块间的排列组合。总之,本文认为AI+能够提升柔性制造的经济可行性,有望在规模生产和个性生产之间求得低成本平衡,进而缓解大规模制造社会价值与商业价值之间的矛盾。

四、不可或缺的初创企业:从颠覆性技术到引领式创新

综上所述,AI作为一种通用技术进步,颠覆性影响可能遍及汽车等行业的产业链、价值链各个环节。虽然中国在技术上先发优势不明显,但考虑中国AI人才规模优势更为突出,因此如果措施得当,AI仍有望助力中国汽车产业迈向引领者。除了需要扩张性再分配[24]来积极扩张总需求以增强规模优势外,在供给侧可能需要充分重视初创企业的作用。

如图表12所示,在清洁能源由颠覆性技术转化为引领式创新的过程中,初创企业的角色不可或缺,且越是在高端车型中,初创企业的角色就越发重要。当然,这也引发了一些争议和讨论。例如认为很多初创企业难免走向消亡,会造成资源浪费,不利于保护消费者利益;初创企业太多造成产业格局混乱,不如美国少数几家车企主导的产业格局清晰明了。值得注意的是,对于颠覆性技术引发的产业引领式创新而言,具有借鉴意义的不是美国当下的汽车产业格局,而是美国一百年前的汽车产业格局。

图表12:分价格段的汽车和新能源车品牌销售格局(2026H1)

资料来源:国家金融监督管理总局,中金公司研究部

(一)百年前汽车工业起步阶段的启示:初创企业是引领式创新主力

回顾20世纪初的汽车产业,作为当时原创性颠覆性较强的引领式创新,如何在没有先例可循的情况下,找到能够最终成功的技术路径与商业模式呢?答案是众多初创企业的试错。

图表13:美国汽车产业进入、退出与企业数量

资料来源:Klepper (2007) [25],中金研究院

图表14:按进入时间划分的美国汽车行业新进入者类型

资料来源:Klepper (2007) [25],中金研究院

如图表13所示,当时美国一年新进入的汽车企业数量一度近百家,存量车企最高峰时期近三百家。在这些新进入者中,大致可以划分为两类:一类是跨界老企业,是指通过业务多元化进入汽车制造领域的既有企业;另一类是新成立的初创企业。其中,经验型初创企业是指汽车相关行业的企业高管创办的新企业,这些高管通常持有原企业较大比例股权;衍生型初创企业是指至少一名创始人曾在其他汽车企业工作过的初创企业;无经验型初创企业是指创始人在汽车及其相关领域几乎均无经验的初创企业[25]。

如图表14所示,在众多引领式创新的探索者中,老企业跨界仅是少数,初创企业占据了绝对主导地位。在初创企业中,无经验型初创企业又是产业创新初期的主要探索者,后面随着产业有所发展后,衍生型初创企业才逐步赶上无经验型初创企业,共同主导了初创企业的格局。总之,在一百年前美国汽车产业由颠覆性技术引发的引领式创新浪潮中,也是呈现各路初创企业纷纷跨界进入,甚至看起来似乎有些“无序”介入的“百花齐放”态势。从这个角度看当下少数企业主导的美国汽车产业结构,除了看似“有序”之外,可能某种程度上也是产业进入成熟期后创新活力下降的体现。

(二)产业创新具有先发优势,需要制度建设应对成长的烦恼

百年前美国汽车工业起步时期初创企业的不可或缺角色,印证了包括初创企业在内的中小企业群体是引领式创新主力军。如图表15所示,在双支柱举国体制框架下,在位大企业是追赶式创新主力,包含初创企业在内的中小企业则是在推动引领式创新方面具有比较优势。这并非是因为中小企业创新能力强于大企业,而是因为其具有更强的创新意愿。原创性颠覆性强的引领式创新,微观上的最主要特点是区别于当前主流产品的新产品。而占据主导地位的大企业之所以是大企业,恰恰因为其产品是当下的主流产品。

图表15:兼顾追赶式与引领式创新的双支柱举国体制

资料来源:中金研究院(2022)[26]

因此,引领式创新天然带有颠覆大企业现有主导产品的属性。企业规模越大,意味着与现有产品绑定的内外利益共同体越多,从事引领式创新的机会成本就越高,企业主动拥抱引领式创新的阻力也就越大,严重限制了大企业从事引领式创新的意愿。中小企业恰恰相反,不但内部协调成本较低,而且不占据市场主导地位也意味着创新失败的机会成本较低,因而更有意愿通过引领式创新颠覆大企业的主导地位。创新的正外部性意味着中小企业即便在技术上不够领先,也并不妨碍中小企业将引领式创新的意愿落地为引领式创新的产品。

但中小企业风险承受力较差,死亡率天然地高于大企业,在汽车产业即体现为初创企业存续期较短。这一幕在美国汽车工业百年前的产业创新早期也曾出现。尤其是对于在数量上占据初创企业主导地位的无经验初创企业而言,无论是1895-1904年的第一批创业者,还是1905-1909年的第二批,再或者1910-1966年的第三批,均比同期的跨界老企业更快地走向出局,并最终几乎全军覆没,很多无经验初创车企存活时间不超过十年(图表16)。更重要的是,不只是存续期限较短,这些为数众多的无经验初创企业也不太容易成为行业的龙头企业,反而是数量不大的老企业在1906年的产业创新早期有更大比例成为汽车产业的龙头(图表17)。

图表16:美国汽车产业创新初期生存曲线

注:菱形是1895-1904的第一批进入者,三角形是1905-1909的第二批,正方形是1910-1966的第三批,x轴是年龄,y轴是幸存者占比百分数的自然对数
资料来源:Klepper (2007) [25],中金研究院

图表17:美国汽车行业龙头企业类型

资料来源:Klepper (2007) [25],中金研究院

这是否意味着产业创新初期众多初创企业的介入是一种资源浪费?并非如此。如图表17所示,在1906年之后,衍生型初创企业取代老企业,成为美国汽车领域龙头企业的主要来源。而如前述,所谓衍生型初创企业是指至少有一名创始人曾在其他汽车企业工作过的初创企业。因此,包括无经验初创企业在内的诸多初创企业,虽然最终多数难免消亡,但在没有成功先例的情况下它们所积累的造车经验,对于衍生型初创企业的最终成功可能是至关重要的。而且失败者所积累的产能,通常会被幸存者整合,有利于加速引领式创新走向规模化生产的进程,进而更快地提升社会整体福利。

更加一般性地说,这体现了引领式创新与追赶式创新中的根本不同,即不确定性与风险的差异。其中,风险是指事前能够明确所有可能结果组成的集合以及各个结果对应的概率,但事前并不知道哪个结果将会发生。不确定性是指不但事前不可能准确预知事后的结果,连事后结果的概率分布也不知道。根据这种区分,虽然创新活动中通常同时存在风险与不确定性问题,但相对而言,追赶式创新面临的挑战主要是风险大,引领式创新的主要问题在于不确定性强。因为所谓追赶式创新,是指先发者已经做出了某种产品,后发者能够大致遵循着先发者开辟的道路来实现追赶,因而有利于应对“卡脖子”问题。以芯片为例,虽然后发者受限于种种因素一时难以造出最先进制程的芯片,但对于如何制造出先进芯片的基本原理是清楚的,对于要造出先进制程芯片需要哪些要素与条件也是大致清楚的,所欠缺的更多是工艺累积和工程经验。因此,在追赶式创新中存在的更多是风险,而非不确定性。

与追赶式创新相比,引领式创新最大的特点在于原创性颠覆性较强,一旦成功不但会助力本国在并行产业竞争中胜出,也会使本国成为其他经济体的效仿对象,并形成其他经济体难以绕开的技术或产业中心。但对于从事引领式创新活动的创新者而言,由于没有成功或者成熟先例可循,不但缺乏工程经验与工艺累积,连如何实现创新的基本路径也不清楚。因此,引领式创新所面临的挑战不只有风险,更多的还是不确定性。在没有人能够全知全能的前提下,多样化生态是应对不确定性的必要条件,以充分包容各类企业试错各种可能的技术路线与商业模式。“十五五”规划在“前瞻布局未来产业”一节中,也明确要求“探索多元技术路线”[27]。

虽然通过试错开辟产业创新之路的中小企业大多归于失败,但只要有一小部分,甚至一个企业试错成功了,国家整体意义上的产业创新也就成功了[28]。总之,对于促进原创性颠覆性较强的引领式创新而言,包含初创企业在内的中小企业高失败率,可能是应对不确定性难免付出的探索成本。更重要的是,考虑到产业的引领式创新具有先发优势,包容中小企业探索失败的重要性进一步增强。如前述,在科技创新层面,离身智能、具身智能技术路线仍在快速迭代,决定了先发者的先发优势有限。但作为产业创新层面的概念,引领式创新能否成功不仅取决于技术路线,更取决于商业模式。作为商业模式的重要组成部分,品牌形象与市场认知度一旦形成,通常会具有较大粘性,由此构成引领式创新者的先发优势。如前图表2所显示,中国汽车某些环节毛利率偏低,未必全是技术上落后所致,也体现了品牌认知度上的后发劣势。这种情况在汽车工业发展初期也曾存在。在图表16中,无论是对于跨界的老企业,还是三类初创企业而言,均是呈现出进入越早,走向失败的速度越慢,最终存活率越高的态势。

综上,考虑到引领式创新中的高不确定性和先发优势,有必要充分包容中小企业的失败探索。也正因如此,参与者高度多样性的分布式资本市场是与之更相匹配的创新金融模式,能够为抵押物不足、现金流不稳的中小企业提供更大的包容性[29]。但资本市场有能力包容引领式创新者,并不意味着必然会提供足够的包容性,由此产生了“增强资本市场制度包容性、适应性”[27]的命题。事实上,在“中小企业+资本市场+制度建设”的引领式创新举国体制中,制度建设不仅对完善资本市场创新金融功能很重要,也是营造有利于包容中小企业探索的社会环境的必要条件。例如,如何在企业探索出现失败等问题时保障好消费者权益,需要制度建设保驾护航。这对于维护探索者的市场声誉,进而通过积累品牌认知度来维护产业创新的先发优势而言尤为重要。

资料来源

[1] 《AI经济学》之“第六章 产业AI化的双刃剑效应及应对分析”,中金研究院2024年。

[2] United Nations. General Debate[EB/OL]. (2025-09-23). https://transcripts.un.org/en/ga/80/5.

[3] Sullivan J. The sources of American power: a foreign policy for a changed world[J]. Foreign Affairs, 2023, 102(6): 8-29.

-National-Security-Strategy.pdf.

[5] Reuters. Trump says US will take Venezuelan oil, be reimbursed for costs[EB/OL]. (2026-01-03)[2026-11-06]. https://www.reutersconnect.com/item/trump-says-us-will-take-venezuelan-oil-be-reimbursed-for-costs/dGFnOnJldXRlcnMuY29tLDIwMjY6bmV3c21sX1ZBNDAwMzA0MDEyMDI2UlAx. CNN. Inside Politics[EB/OL]. (2026-04-06)[2026-11-06]. https://transcripts.cnn.com/show/ip/date/2026-04-06/segment/01.

[6] 《地缘经济权力:经济安全与战略产业》,中金研究院2026年10月。

[7] 《碳中和经济学》,中金研究院、中金公司研究部2021年。

[8] 财政部,税务总局,工业和信息化部. 关于延续和优化新能源汽车车辆购置税减免政策的公告 [EB/OL]. (2023-06-19)[2026-11-10]. https://www.gov.cn/zhengce/zhengceku/202306/content_6887734.htm.

[9] 谢超、彭文生、颜晓畅:《认知技能标准化生产:AI重构分工的规模经济逻辑》,2026年7月。

[10] Dridi I, Hamza A, Ben Yahia N. Control of an active suspension system based on long short-term memory (LSTM) learning[J]. Advances in Mechanical Engineering, 2023, 15(2): 1-12.

[11] Peres R S, Barata J, Leitão P, et al. Multistage quality control using machine learning in the automotive industryJ.IEEE Access, 2019, 7 79908 79916.

[12] 引用自《走近中金研究|300个日夜、200余人和1本书》,见“学习强国”之“中国金融思想政治工作研究会”。https://article.xuexi.cn/articles/index.html?art_id=1377512894308402372&item_id=1377512894308402372&study_style_id=feeds_opaque&pid=&ptype=-1&source=share&share_to=wx_feed

[13] The Economist. China is winning the AI talent race[J/OL]. The Economist, 2026-03-25. https://www.economist.com/interactive/science-and-technology/2026/03/25/china-is-winning-the-ai-talent-race.

[14] 《AI经济学》之“第十二章 AI风投从领先到落后的创新金融启示”,中金研究院2024年。

[15] Chmielewski D, Seetharaman D. OpenAI drops AI video tool Sora, startling Disney, sources say[EB/OL]. (2026-03-24)[2026-10-28]. https://www.reuters.com/technology/openai-set-discontinue-sora-video-platform-app-wsj-reports-2026-03-24/.

[16] 《中庸策2024·新质生产力需要分布式资本市场》之“第二章 生态效应与筛选效应:资本市场区别于财政与银行的创新金融机制分析”,中金研究院2024年。

[17] 《汽车及出行设备2026年展望:关注全球格局再重构下的中国机遇》,中金公司研究部2025年。

[18] OfficeChai Team. Gap Between US And Open Chinese Models Is Now Among The Largest In Last 2 Years[EB/OL]. (2026-10-30)[2026-11-06]. https://officechai.com/ai/gap-between-us-and-open-chinese-models-is-now-among-the-largest-in-last-2-years/.

[19] OpenAI. Measuring the performance of our models on real-world tasks[EB/OL]. (2025-09-25)[2026-10-28]. https://openai.com/index/gdpval/. Patwardhan T, Dias R, Proehl E, et al. GDPval: evaluating AI model performance on real-world economically valuable tasks[PP/OL]. arXiv(2025-10-05)[2026-10-28]. https://arxiv.org/abs/2510.04374. OpenAI. Introducing GPT-5.2[EB/OL]. (2025-12-11)[2026-10-28]. https://openai.com/index/introducing-gpt-5-2/.

[20] WTO. High-level panel highlights development opportunities offered by the digital economy[EB/OL]. (2024-06-27)[2026-11-10]. https://www.wto.org/english/news_e/news24_e/dtech_27jun24_e.htm.

[21] Sun R, Trefler D. The impact of AI and cross-border data regulation on international trade in digital services[J]. Journal of International Economics, 2026, 164: 104328.

[22] Ford Motor Company. The moving assembly line and the five-dollar workday[EB/OL]. (2020-09-03)[2026-11-10]. https://corporate.ford.com/articles/history/moving-assembly-line/.

[23] Stauder M, Kühl N. AI for in-line vehicle sequence controlling: development and evaluation of an adaptive machine learning artifact to predict sequence deviations in a mixed-model production line[J]. Flexible Services and Manufacturing Journal, 2022, 34(3): 709-747.

[24] 《中庸策2023·双支柱金融体系与好的社会》之“第七章 扩张性再分配的政策理念与识别技术探讨”,中金研究院2024。

[25] Klepper S. The organizing and financing of innovative companies in the evolution of the U.S. automobile industry[M]//Lamoreaux N R, Sokoloff K L, eds. Financing innovation in the United States, 1870 to the present. Cambridge, MA: MIT Press, 2007: 85-128.

[26] 《中庸策2022·双支柱举国体制》,中金研究院2022年。

[27] 中华人民共和国国民经济和社会发展第十五个五年规划纲要[EB/OL]. (2026-03-13)[2026-10-28]. https://www.gov.cn/yaowen/liebiao/202603/content_7062633.htm.

[28] 《中庸策2024·新质生产力需要分布式资本市场》之“第二章 生态效应与筛选效应:资本市场区别于财政与银行的创新金融机制分析”,中金研究院2024年。

[29] 详见《中庸策2024·新质生产力需要分布式资本市场》。

文章来源

本文参考:2026年11月12日中金研究院已发布的《“AI+”的产业重构逻辑初探:以汽车为例》,作者信息为:

谢超   分析员 SAC 执业证书编号:S0080520100001,SFC CE Ref: BTM576

李昊辰   联系人 SAC 执业证书编号:S0080125070081

颜晓畅   分析员 SAC 执业证书编号:S0080524060003

法律声明

向上滑动参见完整法律声明

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号仅是转发、摘编中金公司研究院或其他专业人士/机构撰写制作的相关研究成果的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的信息、观点、判断等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业顾问的指导及解读。

订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

本公众号所载信息、意见不构成对买卖任何证券或其他金融工具的出价或征价或提供任何投资决策建议的服务。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出决策并自行承担风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联机构、关联人员均不承担任何形式的责任。

本公众号相关资料所载意见、评估及预测仅为该资料出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。在不同时期,中金公司研究部可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或观点。本公众号可能会转发、摘编其他专业人士/或机构撰写制作的相关研究成果,相关研究观点仅代表其本人/该机构的分析判断,不代表中金公司的观点,中金公司对其中的信息及其观点不做任何形式的确认或保证。

本订阅号是由中金研究院建立并维护的官方订阅号。除非另有说明,本订阅号中所有资料的版权均为中金公司所有。未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

中金:“滤镜”消散,资管信托回归本源——《资产管理信托管理办法》正式稿点评

2026年11月13日 08:04

原创 韦璐璐 许艳等 2026-11-13 08:04 上海

其核心内容为:确立资管信托“私募资管产品”定位(面向合格投资者非公开发行、单只产品投资者不超过200人),并从六个维度全面做出规范。

Abstract

摘要

事件

金融监管总局近日发布了《资产管理信托管理办法》(金融监管总局令2026年第5号),自2027年1月1日起施行,共五章85条,同步废止《信托公司集合资金信托计划管理办法》等15部旧规。这是资管新规(2018年)框架下资产管理信托领域的首部专项规章,此前该领域长期依靠窗口指导、缺少正式规则。《办法》于2025年10月31日至12月1日公开征求意见,历时一年落地。其核心内容为:确立资管信托“私募资管产品”定位(面向合格投资者非公开发行、单只产品投资者不超过200人),并从资金端(投资者集中度三档上限)、资产端(组合投资25%)、非标(封闭运作、期限匹配)、嵌套与通道(限一层、禁止通道)、净值真实性(禁止报酬平滑与分离定价)、开放频率(不低于7天)六个维度全面做出规范;存量业务不要求立即处置,多数“只减不增”自然到期。

风险

细则不确定性:实际执法口径可能显著改变影响的程度。

市场风险:净值波动放大背景下,理财赎回与债市下跌可能相互强化。

Text

正文

《资产管理信托管理办法》正式稿点评如下:

一、办法出台背景:理财与信托的合作模式与监管历史

理财的资金投向主要是债券,但理财公司买债并不总是方便,有些是因为账户开立受限、有些是因为缺乏人手和系统,因此理财往往愿意把资金委托外部资管产品,其中信托就是最主要的一类委外资管产品。相关规模有多大?截至2026年三季度末,理财产品持仓中的资管产品占比约63%,资管委外是理财资产配置的大头;其中信托为委外的主要形式,如果以前十大持仓来看[1],信托占所有资管产品的比重约为73%,占所有重仓资产比例为52%——信托为理财委外的绝对主力。

理财为什么偏好信托?主要是因为信托提供了不少“增值服务”。一种增值服务是“平滑净值”,例如以收盘价估值(流动性差的公司债、私募债,因成交稀少收盘价维持不变),使得净值成为一条直线上涨的曲线;一种增值服务是平滑机制,在收益好的月份通过计提业绩报酬把超额收益藏起来,在收益差的月份回补,且可以在多只理财产品之间互相调剂,使得每只理财产品的净值都维持平稳;还有一种是自建估值模型,自行给信用债定价。这三种手段是常见的估值“美颜滤镜”。

图表1:理财持仓资管规模及占比(左);理财重仓资产中信托占比(右)

资料来源:普益标准,中金公司研究部

但这些操作都是与净值化管理的要求存在偏离的,会导致风险被隐藏,使得真实风险和敞口无法得知。2024年以来,监管部门以约谈、通知、限期整改等方式(或称“窗口指导”,即不成文的口头监管)逐一叫停了这些手段,但尚未形成规定。10月30日的《办法》就是将这一系列的要求系统化成为法规条文。

图表2:监管历史

资料来源:《资产管理信托管理办法》正式文本、金融监管总局答记者问、征求意见稿官方公告,中金公司研究部

二、正式稿的主要内容及变化

1.正式稿主要条款内容

《办法》核心内容为:确立资管信托“私募资管产品”定位(面向合格投资者非公开发行、单只产品投资者不超过200人),并从资金端(投资者集中度三档上限)、资产端(组合投资25%)、非标(封闭运作、期限匹配)、嵌套与通道(限一层、禁止通道)、净值真实性(禁止报酬平滑与分离定价)、开放频率(不低于7天)六个维度全面做出规范;存量业务按第85条分类整改,多数“只减不增”自然到期。

《办法》共五章85条,按"总则—产品的设立、变更、终止—产品的运营管理—监督管理—附则"的框架,包含一只资产管理信托从设立到清算的全部环节。第一章(第1—5条)定性质:资产管理信托是基于信托法律关系的私募资管产品,并划出底线——不得承诺保本保收益、不得开展"滚动发行、集合运作、分离定价"的资金池业务、不得将管理职责转委托他人(第4条)。第二章(第6条起)管发行:合格投资者门槛与单只产品200人上限(第8条)、单一投资者持仓不超过50%、机构及其关联企业合计不超过80%(第9条)、接受其他资管产品投资时不合并计算人数(第10条)。第三章按销售、财产托管、投资管理、风险管理、信息披露、受益人大会等分节管运营。第四章管执法:业务开展情况与存量整改进度均挂钩监管评级。第五章(第82—85条)管落地:术语定义、施行日期、废止文件清单与存量整改安排。施行之日,《信托公司集合资金信托计划管理办法》等15部旧文件同步废止,资管信托业务首次由一部规章统一管理。

与委外业务关系最直接的条款集中在第三章投资管理部分:非标资产只能由封闭式产品投资,且到期日不得晚于产品终止日(第46条);资管产品嵌套最多一层,下层产品除公募基金外不得再投资资管产品(第47条);单只产品投资同一资产或同一资管产品,不得超过净资产的25%(第48条);业绩报酬不得超过超额收益的60%,且不得以提取报酬方式平滑净值、已提取的不得回补(第22条);净值核算不得脱离底层资产的实际收益与风险分离定价,投资非标资产且直接投资者含自然人的产品每年接受净值外部审计(第31、32条)。

图表3:正式稿主要条款

资料来源:《资产管理信托管理办法》正式文本,中金公司研究部

2.相比征求意见稿:红线不松、部分甚至更紧

正式稿相比征求意见稿的变化列在下表,总体来看,核心红线不仅没有松,部分还更为严格;执行层面上更考虑市场实际情况保留灵活性——例如对于“被动超限”的处理,假如因为债市下跌、其他客户赎回,导致某家机构持仓比例被动超过了50%上限,征求意见稿的要求是到下一个开放期把比例调回来,正式稿改为“超标期间不得追加投资、恢复合规即可”,可以看到正式稿充分考虑了“负反馈”的风险——如果要求被动超限立刻卖资产,很容易触发“净值跌→被迫卖→价格更跌→净值更跌”的恶性循环。

图表4:正式稿相比征求意见稿的变化

资料来源:《资产管理信托管理办法》正式文本、金融监管总局答记者问、征求意见稿官方公告,中金公司研究部

三、《办法》对机构行为的影响

《办法》主要对机构行为的主要影响如下:

1.资金端与资产端:限制独家定制模式、回归资管本源

资金端:三道限制——单一投资者最多占50%;一家机构加上其关联企业最多占80%;信托底层涉及非标债权时,同一家理财公司旗下所有产品合计也只能占50%。这三道限制目标是防止"假集合、真通道"。加上第56条列出四条通道认定标准,对应四个问题:投资决策是谁做的、交易指令是谁下的、资金是谁划的、投后是谁管的——只要有一项由理财方或投顾实际操作,信托即可能被认定为通道。以往的模式想要继续,只能拉其他机构"拼单",撮合成本显著抬升。

资产端:单只信托投资同一资产或同一资管产品,不得超过净资产的25%,意味着一只产品至少要分散到四个以上不同资产(存款、国债、政策性金融债、地方债豁免);全部由机构投资者认购、且每人出资不低于1000万元的产品可豁免该比例,但资金端的50%、80%仍需要遵守。非标另有一条期限约束:投非标的产品必须封闭式,非标到期日不得晚于产品到期日,中间再套一层资管产品的话那一层也必须封闭——期限必须对齐,"短期资金匹配长期资产"的模式不再可行。

2.管理端:禁止多层嵌套、约束流动性管理功能、约束产品间收益调节,净值平滑的空间进一步收窄

禁止多层嵌套:第47条规定资管产品最多套一层,"理财→信托→公募基金"可以,"理财→信托→券商定向→底层资产"不行。

每日开放信托退出:第61条规定开放周期不得低于7天,信托难以继续作为流动性管理工具,理财流动性管理需要更多依靠直接投资的资产,比如现金、存单和短债等,借助信托调节头寸的方式受限。

不得反向交易:第45条要求同一信托产品不得在同一交易日内进行反向交易,从交易规则上约束了产品之间的收益调节。

综上来看,通过上述管理端的规范,理财净值平滑的空间进一步收窄,理财的净值将更及时地反应持仓资产市值的变化。

四、《办法》对债市的影响

对债市而言,本次影响是偏结构性的、而不是总量性的。其一,存量处置不强制卖出:非标与集中度不达标的产品多数按"只减不增"自然到期,仅开放周期一类设有2029年底期限。其二,涉及体量有限:理财投资的非标仅1.73万亿元、占投资资产4.6%,而理财借道信托进行信用债投资的规模近年来波动上升。[2]其三,资金转投向:被挤出的资金我们预计大概率转向债券ETF、货币基金等透明度高、流动性好的工具,或者理财直接投资中高等级中短久期信用债——因此中短久期中高等级信用债需求维持稳定,而低评级、长久期信用债的理财需求可能会边际下降。

更值得关注的是,信托渠道投资边际下降后,理财的净值管理压力是否会进一步增强。不过由于去年以来的信托净值计价整改后,理财通过信托进行净值管理的难度已大大增加,加之今年以来新批摊余债基可作为理财投资中长久期债券的净值管理工作,以及理财增持债基作为流动性管理工作,预计边际影响相对可控。此外,央行10月26日公告设立债市非银大额赎回互换便利(BNSF),极端情形下允许具有系统重要性的理财子与基金公司以债券换央行票据融资,专门阻断上述负反馈循环。[3]

利率债基本不受影响:国债、政策性金融债、地方债本就在25%集中度的豁免名单内,理财借信托配置利率债的功能完整保留;主要受影响的是信用债与非标这类资产,但利率债在负反馈发生时也可能会成为流动性最好,最先被抛售的对象。

我们预计《办法》对市场的冲击幅度较为可控。一是整改对存量的约束有限:除开放周期类外无统一清零日,多数采取了存量"只减不增"、自然到期的方式,不要求存量资产立即处置。二是大半冲击已提前发生:2024年以来的监管整改已基本拆除了"平净值"服务,理财配公募基金比例升至7.9%的历史新高,透明化工具对不透明信托的替代早已开始。三是留有合法通道:全机构投资者、单笔1000万元以上的产品可豁免25%集中度限制。

后续建议关注四点:一是监管实际的执法口径和力度;二是2027年一季度各信托公司整改计划报送情况与分类监管评级的情况;三是2027年1月1日之后新设理财-信托合作产品的形态;四是官方季报中理财配置资管产品比例与重仓口径中信托占比的季度变化,跟踪理财资金的配置变化。

[1]理财借道信托的规模无官方披露,普益标准披露的前十大重仓口径的样本比例与实际总体存量比例相比可能有偏差。

[2]银行业理财登记托管中心《中国银行业理财市场季度报告(2026年三季度)》。

[3]中国人民银行2026年10月26日公告设立债市非银大额赎回互换便利(BNSF),以券换券,适用对象为具有系统性影响的理财子公司与公募基金管理人(或对应母行、证券母公司),参与机构需持续满足金融市场审慎管理要求。(中国人民银行公开市场业务公告〔2026〕第12号,中国人民银行官网)

Source

文章来源

本文摘自:2026年11月12日已经发布的《“滤镜”消散,资管信托回归本源——《资产管理信托管理办法》正式稿点评》

韦璐璐,CFA 分析员 SAC 执证编号:S0080519080001 SFC CE Ref:BOM881

许艳 分析员 SAC 执证编号:S0080511030007 SFC CE Ref:BBP876

陈健恒 分析员 SAC 执证编号:S0080511030011 SFC CE Ref:BBM220

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

CGI产业视点 | 走过八大枢纽,再看“算电协同”之路 ——基于专题调研的八点观察

2026年11月12日 08:03

郑宽 陈济 2026-11-12 08:03 上海

以下文章来源于:中金研究院

中金研究院

中金研究院 (CICC Global Institute,缩写 CGI)作为中金公司一级部门,定位为新时代、新形势下的新型智库,服务于中国公共政策研究与决策,参与国际政策讨论和交流,并为中国金融市场尤其是资本市场发展建言献策。

算电协同作为重大国家战略,近一年来持续受到政策与资本市场的高度关注。通过实地走访国家八大算力枢纽,我们梳理形成八点调研观察。

摘要

算电协同作为我国培育新质生产力、推进绿色低碳转型、增强产业国际竞争力的重大国家战略,近一年来持续受到政策与资本市场的高度关注。尽管目前市场已经形成一些初步共识与判断,但通过实地走访全国八大算力枢纽节点,我们仍收获了诸多一手信息与新发现:

首先,八大枢纽的布局并非完全自上而下规划,“市场先行、政策追认”的路径特征明显,未来新能源资源富集地区仍可能进一步扩围。其次,“算与电”的建设周期错配已是产业共识,我国电力供给整体充裕确有优势,但落实到局部地区并不尽然;而在算力高速扩张之下,电价主导算力选址,西部依托低价绿电形成增量优势,但未来其“一口价”等低价模式的可持续性存疑;且绿电直连对“降电价”效果有限,现阶段绿电直供普适性更强。第三,在部分西部节点,水正在取代电成为大型智算中心落地的重要约束。第四,运行层面算力调节潜力短期内难以释放,而大规模算力集群给电网安全带来的新挑战亟需警惕。最后,在“AI泡沫”担忧下,产业链上不同主体的行为结构或进一步抬高算电协同的落地门槛,亟需通过更高维度的协同减少重复建设与资源闲置、避免陷入新一轮“内卷式”竞争。

正文

算电协同是我国培育新质生产力、推进绿色低碳转型、增强产业国际竞争力的重大国家战略。继今年政府工作报告首次提出相关概念后[1],国家相关部委与地方政府密集出台配套政策[2],产业界与资本市场高度关注。然而,各方对算电协同的内涵边界、落地路径与商业可持续性认识不同、预期不一,业内仍有诸多问题尚待理清。如:我国算力产业格局如何演进?电力充裕性优势在现实中还面临哪些不足,绿电直连能否兑现市场上“降电价”的预期?算力产业落地过程中,除了电力因素外,还面临哪些现实约束?运行层面如何释放算力调节潜力,又该如何避免大规模集群算力中心给电网安全带来的冲击?上述问题不考虑清楚,容易引发非理性跟风投资,造成项目盲目上马、低效运行,拉低整体收益。鉴于此,我们走访了八大国家算力枢纽节点,与算力服务商、数据中心运营商、发电企业、电网企业等产业链上下游主体深度访谈,立足一手素材,结合产业实际问题与市场核心关切,形成以下八点观察。 

观察一:全国算力中心的发展格局,或遵循“市场先行、政策追认”的规律持续扩围升级

八大枢纽并非自上而下凭空划定,而是国家层面对市场先行格局的一种定位追认与功能升级。早在2013年,工信部等五部委发布《关于数据中心建设布局的指导意见》[3],确立了以应用需求为牵引、依托气候与能源禀赋分类引导的布局建设原则,三大运营商与市场化主体率先在和林格尔、贵安、中卫、张家口落地大型数据中心。2022年,“东数西算”工程正式启动,首次划定了算力产业的八大枢纽、十大集群[4];2023年,AI大模型技术商用化进程加快,开启了全国层面的智能算力中心建设潮;2023年~2025年,我国智能算力规模以年均翻一番的速度快速增长[5],截至2026年上半年,全国智算规模已达2185EFLOPS(FP16),全球第二[6]。从用电量统计结果看,更能直观反映算力产业的增速优势。根据中电联跟踪算力产业用电量的专项指数统计数据,今年8月的全国算力中心用电指数为300.9,自2022年基期累计增长200.9%,其累计增速较同期全国全社会用电量增速高出135个百分点[7]。其中,八大枢纽节点成为算力用电增量的绝对主力,近3年平均增长率约为39.5%,远高于全社会用电量的平均增速[8]。

八大枢纽节点整体上引领全国的算力建设节奏,但内部也有一定分化,金融交易、实时交互等时延敏感的任务留在东部,大模型训练、渲染等算力任务逐步向西部节点转移。随着AI算力需求的分化,叠加供给端芯片约束,各节点机架投产与真实负荷填充节奏呈现较大差异。西部节点绿电供给能力足、土建与机电落地节奏快,在模块化建造技术加持下,一栋计算机房4~5个月即可建成交付[9];但算力需求填充存在较大不确定性,受上游算力芯片等因素制约,上架率通常需要半年至一年才能达到80%[10];东部节点除了算力端的约束外,土地与绿电资源也相对紧张。因此,虽然东部存量的数据中心规模较大,但新增算力加速向西部聚集的趋势日趋明显,“十四五”以来超七成的新增算力来自西部[11]。具体看,作为京津冀算力枢纽核心承载区的张家口,依托京津旺盛的算力需求与本地丰富的绿电资源,智算总规模达到31万P(FP16),智算规模居八大算力枢纽之首[12];从增量规模看,西部内蒙古、宁夏、甘肃依托气候、土地及绿电等优势,明显跑出加速度。尤其是内蒙古,依托内部“和林格尔+乌兰察布”双中心协同优势,成为全国算力产业的增长极,今年上半年蒙西电网经营区域算力行业用电量达48亿kWh,同比增长79%[13]。

随着各地对算力产业的支持政策加码和资金投入加大,八大枢纽节点外也涌现出一批数据中心集聚区或产业园。这类节点普遍具备较丰富的能源资源与电价优势,尤其对时延容忍度较高的离线训练及存储类算力需求具有较强吸引力。比较有代表性的如山西大同,2025年全年算力中心用电量突破60亿kWh,成为大同第一大用电产业,这一用电规模甚至超过部分枢纽节点的算力用电量[14];另外,国家在八大枢纽、十大集群的基础上,选取青海等地新布局了三个国家级算电协同示范区,进一步丰富了算力产业的布局选择[15]。未来,新能源资源富集地区仍可能形成更多的非枢纽节点算力集群,一方面或部分分流算力订单,加剧节点间的竞争;另一方面,也将倒逼八大枢纽进一步明晰功能定位,加快绿电配套与电网接入工程建设,反向推动全国一体化算力网络持续优化。 

观察二:“电等算”和“算等电”在节点间与节点内同时上演

算电协同的本质是解决电力与算力两个产业从规划建设再到运行维护、折旧回收等全生命周期错配问题。应对这一问题,中国与欧美面临的考验也不尽相同。对欧美而言,已基本完成工业化建设,电力需求趋于饱和,因此电力基础设施建设相对固化,面对当下快速崛起的算力产业,电力供给跟不上,造成大面积“算等电”现象,据IEA统计,欧美数据中心并网等待长达1~3年,部分地区可达7~10年[16],欧美也充分意识到相关问题,正在全面加强电网、储能、燃机及风光等电力供给投资与建设,加速补电力供给短板。我国仍处于工业化后期,电力基础设施持续完善,电力供给相对充裕,并未出现类似欧美数据中心大面积等待并网的情况。但实际情况也并非无忧,“算等电”与“电等算”两类情形在八大枢纽均有出现;更为复杂的是,同一枢纽节点内部,不同项目之间甚至出现“算等电”与“电等算”同步上演的局面。

西北地区算力节点的报装容量利用率普遍不足10%,整体“电等算”特征显著。西部枢纽节点,凭借自身土地、气候、绿电等资源,叠加地方政策与电网支持,近两年确实承接了大量新增的算力产业需求,然而各地的一个普遍现象是“高报装、低负荷”,即报装规模很大,但实际负荷较小,造成电力批复容量与实际用电负荷错配显著。根据调研情况,以内蒙古两大算力集群上半年统计结果为例,和林格尔新区与乌兰察布地区的报装容量利用率基本维持在10%左右的水平。类似问题在同为西部重要枢纽的宁夏中卫和甘肃庆阳也存在,报装容量利用率约为6%~9%。较低的利用率意味着大量变配电资源闲置甚至空置,属于典型的“电等算”资源错配问题。

西北地区枢纽节点整体上“电等算”,但局部项目也不乏“算等电”。通常情况下,电网的规划建设按照5年一个大周期,中间按照“中期调整+年度滚动”进行更新;然而,数据中心的建设速度,随着预制模块化建造模式的普及,已今非昔比。以宁夏中卫为例,一座数据楼的建设周期从2018年的36个月缩短到当前4~5个月[18]。这就造成了现实工程建设中,常常出现数据中心建设方楼建好了,却无法并网的“算等电”问题。

“算等电”在东部枢纽,乃至部分西部节点也已构成现实约束。如果说在西北枢纽节点部分项目上出现的“算等电”问题还属于个别案例,那么在东部枢纽节点,电力约束已成为一种普遍制约。电力约束主要通过三个维度传导,一是变配电容量间隔有限,尤其是部分东部负荷集中地区,配电网改造难度较大,新建变电站选址空间有限;二是本地绿电资源有限,在绿电消费考核日益趋严的背景下,无论是购置绿证还是自建绿电,恐对应的成本越来越高,当前长三角地区的数据中心运营商普遍有这一方面担忧;三是本地电价较高,增加当地数据中心运营压力,即便是距离北京最近的张家口,110千伏工商业用户电价约为0.58元/kWh[17],高出内蒙古相应工商业电价约50%,导致部分对时延不敏感的业务流向内蒙古等西部节点。

观察三:电价成为影响算力空间布局的第一驱动

数据中心的选址,本质上是衡量业务需求与建设运维成本后的综合选择。从业务需求看,当前对时延较为敏感的,反而是与金融、网购、游戏等相关的传统算力业务,这些业务需要的算力有限;而当前快速增长的与AI相关的智算业务,反而时延要求有限。虽然当前对时延敏感度相对较高的推理型业务已经超过时延低敏感度的训练任务,但在智能驾驶、智能机器人等智能业务尚未普及的当下,10ms的时延容忍度适用于大多数智算业务。10ms的时延需求,基本意味着1000km的物理半径内的异地算力部署具有可行性[18],而以八大枢纽节点为核心,1000km的建设半径基本可覆盖国内主要城市。这也部分解释了,当前传统算力业务主要布局在负荷中心节点,如张家口怀来、广东韶关、安徽芜湖,这些地区的普算业务比例普遍高于中西部节点地区。而驱动智算业务大面积西移的重要因素,就是成本。

从经济性看,不考虑IT设备折旧,电费占数据中心综合成本的60%以上[18],是影响项目经济性的首要因素,也是驱动算力空间布局的关键变量。从到户电价水平看,我国东西部电价差异较大,东部地区普遍在0.6~0.9元/kWh,而西部节点基本控制在0.3~0.4元/kWh[19],相差约1倍的电价,对于未来GW级算力集群,每年的电费差异或达20~40亿元,使得算力企业在布局选点时,在1000km范围内几乎都能找到价格更优的选择。

低价成因各异,成本压力主要在发电侧或电网侧,并非统一模式。内蒙古依托丰富的风光资源禀赋与蒙西电网相对独立的优势,通过长期PPA协议锁定较低的发电成本,再通过蒙西电网绿电直供模式,实现到户电价0.32~0.36元/kWh[20];宁夏中卫则以新能源配置建设指标为置换,推动大唐宁夏公司通过50万kW光伏“源网荷储”直供电+150万kW风电“双边交易”方式,保障了中卫云基地数据中心0.36元/kWh的“一口价”模式[21];甘肃庆阳则发电端采用“绿电聚合”,售电端由省政府统筹成立售电公司,以低毛利定价模式签订长期供电协议,给到园区用户“一口价”0.398元/kWh的选项[22]。

全国统一电力市场背景下,“一口价”模式可持续性存疑。事实上,过去“一口价”模式属于地方政府通过财政、税费、土地、价格等方面的招商引资优惠政策,既增加财政压力,也不利于市场价格形成,这也是自2024年底启动的全国统一大市场建设所重点纠偏的现象[23]。以贵州为例,2016年贵州省发改委等部门明确将大型数据中心用电价格降至0.35元/kWh[24],但随着《数据中心绿色低碳发展专项行动计划》逐步落实[25],此类电价优惠被统一清理,贵安集群到户电价从0.35元大幅跳升至0.6元/kWh以上[26],近乎翻番的电价跳升给当地数据中心运营带来显著压力。调研中也发现,对于宁夏中卫和甘肃庆阳而言,虽本地新能源资源丰富、发电成本较贵安有较强竞争力,但想要维持0.36元/kWh、0.398元/kWh的“一口价”模式,或给当地发电企业带来较大压力,后续价格也可能按年度滚动调整。此外,庆阳园区凭借国家级零碳园区资质所获得的世界银行低息贷款优惠,或可在一定程度上弥补低电价导致的经营亏损,但长期依靠金融贴息等补贴维持低价也并非可持续方案。

观察四:绿电直连并不能满足市场上普遍的“降电价”预期

鉴于电价对算力项目至关重要,且公网电价议价空间有限,市场一度形成这样的预期:通过绿电直连绕开公共电网、省去中间输配电环节,依托新能源较低的度电成本,降低数据中心用电支出。但随着国家推动绿电直连的政策文件陆续发布[27],相关输配电费收缴规则逐步清晰,可以明确绿电直连的核心目标是新能源就近消纳、实现电量可物理溯源;降本只是市场化落地中衍生出来的可选空间,并不适用于所有项目,也并非政策设计初衷。

理论层面看,数据中心对供电可靠性要求高,绿电直连须接入电网托底并缴纳输配电价,LCOE[28]优势相应收窄。若仅以当前技术条件下的风光行业平均LCOE衡量,绿电直连具备一定成本优势;但数据中心需全天连续运行,风光出力波动性明显,即使单独配储或备用电源,也难以独立满足数据中心用电需求,只能部分替代公网电。现阶段要将绿电直连可靠性拉齐至网电同等水平,仍需接入电网作为支撑,并按1192号文规定缴纳相应输配电价,LCOE下降带来的成本优势随之收窄。事实上,绿电直连的经济性,最终取决于两方面因素:一是自身技术能力,尤其是能否提高自发自用电量比例,且等效降低接入公网的需量容量;二是与当地工商业电价的比较关系,如果当地工商业电价本身较低,绿电直连的经济性可能意义不大。冀北与蒙西均为新能源富集区域。据我们测算,上半年冀北地区公网电价约0.6元/kWh,按30%、50%、80%自发自用比例测算,绿电直连相较常规绿电交易每度分别可节省0.03、0.08、0.15元,经济性优势突出;蒙西地区公网电价约0.4元/kWh,直连降本空间相对有限,仅在更高自发自用比例下或具备一定经济性[29]。

从实地调研情况看,“绿电直供”模式更为普遍,现有运营较好的“绿电直连”项目基本脱胎于传统的“源网荷储一体化”模式。“绿电直连”与“绿电直供”模式的核心区别,就是配套的新能源电源与数据中心等负荷之间的线路有没有经过公网,其背后涉及到运营主体、输配电费、绿色权益溯源与归属等复杂的责权利分配机制问题。从现行西部几个电价具备显著吸引力的地区经验看,无论是内蒙古和林格尔的“绿电直供”、宁夏中卫的“源网荷储直供电”、甘肃庆阳的“绿电聚合”,绿电的流经路径均主要来自公共电网。这与西部节点本身丰富的风光资源、较低的本地电价密不可分,但如果没有一个统一的中间环节主体,“一口价”模式恐较难执行。当然,绿电直连模式也有成功案例,如内蒙古乌兰察布的中金数据,虽然一期项目“200MW风电+100MW光伏+45MW/4h储能+15km专线输送”走的还是原有源网荷储一体化政策,从实际运营效果看,甚至可低于上述当地到户电价0.32~0.36元/kWh的水平,项目经济性依然较显著。尤其在今年688号文打通绿电直连“一对多”送电模式后,项目经济性有望进一步提升,中金数据已在积极推进其二期绿电直连工程[30]。

远期看,绿电直连的物理溯源价值或可带来更大的经济效益。随着低碳政策收紧,绿电的溯源要求进一步明确,绿电直连的长期价值将更加突出。一方面物理专线能够明确绿电来源,便于满足数据中心低碳核算和绿电消费的合规性要求。另一方面,数据中心相对稳定的负荷能够为新能源项目提供持续的消纳空间,进行具有时间弹性的计算任务时,还可以根据风光出力进行调度,从而提高新能源就地利用率。因此新能源资源丰富的地区,绿电直连能够推动新能源开发与算力负荷同步落地,降低电源建成后难以并网或消纳风险。但短期内,其经济意义受制于可靠性要求和输配电成本,绿电直连的价值更多只体现于合规方面。

观察五:在部分西部节点,水正在取代电成为重要约束

为了满足国家对数据中心能耗的相关要求[31],使用液冷技术降低数据中心整体PUE已成为行业趋势,这就进一步提高了数据中心对所在地工业用水的消耗。然而,我国西部地区水资源禀赋偏弱,部分地方原有污水处理配套基础相对有限,算力集群集中布局过程中,需要统筹匹配水资源承载力与污水处置能力。

在实地调研中发现,甘肃庆阳的水资源约束较为明显。一方面,庆阳地处黄河中游黄土高原沟壑区,水资源本身较为有限;另一方面,庆阳本地的工业以油气化工产业为主,其污水处理方式相对分散,且多在距离城市较远的矿区,所以市区及周边集中工业污水处理能力相当有限。而数据中心水资源消耗较大,根据调研情况,一座采用液冷技术的计算机楼单日用水峰值可达2~3万立方米。同时,液冷产生的废水含缓蚀剂、杀菌剂等化学药剂残留,需配套专门的废水处理设施,而根据当地调研情况,新建污水处理配套装置需要1~2年建设周期,对于数据中心不到半年的建楼周期同样存在时序协同压力。

从庆阳当前为数据中心园区建成的供水配套设施看,能满足的负荷上限较为有限,而根据“庆阳十五五规划”,即“到2030年建成30万标准机架、30万PFLOPS的算力规模”考量[32],其规模也就约750MW,与同为西部枢纽节点的内蒙古和林格尔、乌兰察布[33]或宁夏中卫动辄GW级数据中心签约落地的近况相比,这或与其水资源约束直接相关。当然,庆阳也很清楚相关问题,“十五五”期间将在挖潜本地水资源基础上,启动实施引洮延伸增效庆阳配套工程,配合开展引白济洮前期工作,建设宋家河水库、凝寿寺水库等一系列调蓄工程[32],有效提升当地水资源调蓄与保障能力,逐步缓解算力集群的供水约束。

观察六:算力负荷的电力需求侧调节潜力短期内难以释放

理论上看,AI训练、离线计算等对实时性要求较低的算力任务可暂停、可迁移,使算力负荷具备较大的削峰填谷调节潜力。数据中心负荷包括IT负载和非IT负载(温控、UPS、储能等),理论上这些负荷都具备双向调节空间,已在多个权威机构的研究成果中得到证实[34],[35],[36]。美国SRP电力公司联合甲骨文、英伟达等公司做过需求响应实际工况试验,结果表明:在用电高峰窗口,持续降低集群25%用电负荷支援电网,在降载响应全过程中,所有算力任务性能均未跌破承诺阈值,验证了当前最先进的IT负载至少可为电网提供25%额定功率的柔性可调资源[37]。我国北理工相关老师团队,同样对全国数据中心的可调负荷潜力做过预测,在不同PUE条件下,2030年数据中心可调负荷规模约2300万~4000万kW[38],如果按照2030年全国数据中心用电情况考虑,算力负荷的调节潜力同样达到约25%额定功率的水平。

在调研过程中,我们从电网端和数据中心运营端都进行了实地访谈或考察,从其各自对数据中心用电负荷的监测情况看,凡是进入稳定运行的算力负荷,尤其是大模型训练负荷,除个别时段随任务迁移有短时快速波动外,其用电负荷基本稳定,近似满功率直线运行。这一现象并非个别地区特例,而是当前算力负荷稳定运行后的普遍结果。当然,国内正处算力需求快速扩张期,算力供不应求情况下算力芯片利用率较高属于正常现象,叠加头部大模型竞争激烈、技术迭代窗口期缩短,AI大厂普遍将模型升级置于成本优化之前,算力调节的内生动力不足。

现阶段调节尝试仍属小范围试验,大规模常态化调度面临价格、通道、调度权三重卡点。在“可技术调”但“经济不愿调”的产业背景下,不同主体也做了一些尝试。电力主体方面,冀北电网今年8月初组织的百MW级算电协同试点,是全国首次大规模实践,49家数据中心响应27家,压降负荷超百MW[39],但从实际调研结果看,大部分调节空间来自储能、柴发、空调照明等非算力负荷,未涉及算力转移。又比如,南方电网曾尝试算力负荷的调度转移,即将部分非紧急计算任务从广州迁移至贵州相关数据中心,大约5分钟内完成1.6kW的负荷转移,验证了相关技术的可行性,但单次转移规模较小[40]。在算力主体方面,DeepSeek也推出了峰谷定价的模式,将低谷时段每百万Token的价格定为高峰时段的一半[41],试图通过定价机制引导算力推理需求主动从算力高峰时段向低谷时段转移。这些尝试有益,但距大规模常态化算电协同调度仍有相当距离,其中或隐含着三大卡点:一是价格机制的打通,即电价信号、算力定价、网络成本等尚未协同传导,导致电力供需变化无法传导至算力需求端;二是物理通道打通,跨区域调度依赖充足稳定的网络带宽与低时延传输,现有高速光纤网络与未来大规模算力实时传输需求仍有差距;三是调度权归属与公平性,算力资源调度涉及多方主体,需建立类似电网调度的“算力调度中心”机制确保公平公正公开,这方面国内外也尚无成熟案例。 

观察七:算力集群大规模并网带来涉网安全新课题,配套监管规则持续收紧

超大规模数据中心已从传统分散负荷转变为影响电网安全的关键节点,刚性高密度负荷脱网冲击不容忽视。数据中心作为刚性、高密度超大负荷,常年维持高位运行,一旦因故障或保护动作发生大规模脱网,瞬间功率缺额将剧烈冲击区域电网。尤其现在无论是单机柜功率、还是集群功率,都在持续快速增长,如调研中发现,当前行业已出现单机柜200kW以上的超高密度服务器形态,正向MW级单机柜迈进[42];单个园区的IT负载达数百MW已是常态,GW级园区在西部几个节点均有规划项目,而据某大厂判断,未来随着训推一体化算力需求的提升,AI算力园区的平均规模或达2GW甚至更大。

国内外均已出现数据中心安全事故,核心矛盾指向数据中心UPS等电子器件涉网标准与电网标准不统一。近年来,北美已发生多起数据中心负荷脱网事件,今年7月22日,弗吉尼亚州一条230kV线路故障引发数据中心意外脱网,负荷骤减推高电网电压,进而触发更多机组跳闸,级联累计脱网负荷约3.8GW,成为PJM迄今规模最大脱网事件[43]。国内目前虽然尚未发生类似事故,但高比例电力电子负荷诱发宽频振荡引发的新风险已经显露。今年上半年,山西大同发生我国首起由数据中心UPS在特定频段负阻抗特性引发的宽频振荡事件,振荡范围甚至波及到华北电网500kV主网架,给区域电网安全稳定运行带来较高风险的同时,也带来较长时间的排查整改及较高的运行成本[44]。上述事故除了技术本身的原因外,也与算力负荷作为新崛起的大型电力电子化负荷,其自身并网标准与传统电网要求不统一有密切关系:数据中心侧注重保证设备在电力中断时能可靠供电,而电网侧注重保障并网主体不危害电网,两者背后都有国家标准可依[45]。这两类标准本身并不矛盾,过去数据中心规模小,且相对分散,即使脱网对电网冲击有限。但随着算力负荷持续快速增长,算力负荷已成为电网重要组成部分,数据中心频率振荡抑制能力弱、不具备连续穿越能力等问题日益突出,甚至形成双向“信任危机”,电网侧顾虑数据中心脱网保护可靠性,数据中心侧希望电网提供更强备用托底,进一步放大并网协同难度。

涉网安全监管持续收紧,数据中心安全成本将系统性上升。国家能源局2025年10月发布了《关于加强用户侧涉网安全管理的通知》[46],首次将大负荷用户、电能质量敏感型用户纳入涉网安全管理范围,建立“一户一档”和年度管理清单,并专门部署低压脱扣装置专项排查,要求采取相关措施[47]防止误动作引发大面积停电。这意味着,数据中心在保障IT设备连续运行的同时,还需关注保护动作、备用电源切换等行为对外部电网的影响,推动设备保供要求与电网安全要求相衔接。随着涉网管理要求落地,部分数据中心可能需要升级现有供配电和监测控制系统,增加一次性改造投入与持续运维支出,增加数据中心的涉网安全成本。

观察八:“AI泡沫”担忧下的产业链主体行为结构,或进一步抬高算电协同落地门槛

AI资本开支的可持续性,是当前市场最关注的问题之一。如果算力需求的增长曲线不及预期,已经形成的算力与电力相关资产,最终由谁承担?这个问题对于当下积极参与算电协同产业链投资的各方主体都很重要。然而,纵观当前产业链上各方主体的行为结构,每一类主体更多关注自己当期即可兑现的收益,而对相关风险重视程度不够,或推迟至远期,甚至转移至链条上的其他主体。于是各方加速投入却又“各自为战”,带来的后果就是算电协同的落地门槛抬高、投资效率降低、资产沉没的风险上升。

互联网大厂与大模型开发商:技术约束与回报不确定下,产业卡位的机会成本倒逼超前投入,这也构成了算电协同整条产业链的“焦虑源头”。当前,相关厂商一方面受高端芯片供给限制,项目落地节奏存在刚性瓶颈;另一方面,算力项目资本开支规模较大,而远期商业回报存在不确定性。有专家指出,当前大量资金涌入数据中心建设,但未来AI大模型与应用对算力基础设施的依赖程度仍存不确定性,大规模算力投资若部分失败,甚至可能存在向外传导的金融风险[48]。但对头部算力厂商而言,技术变革窗口期下,错失生态卡位的机会成本远高于当下算力投入与算电配套模式的试错成本。因此,即便回报前景不明,相关主体仍有加速投建、抢占赛道的较强动力。其行为实质,是以当期确定的投入锁定远期不确定的生态卡位,并形成对电力配套进度的刚性诉求,以及对下游机架价格与电价的持续压价,从而给算电协同整条产业链带来压力。

数据中心运营方:行业内卷压缩毛利,承受算电时序错配带来的经营风险。作为承上启下的中间载体,运营商在算力浪潮中收获产业红利、布局意愿强烈。但行业竞争日益激烈,市场参与者日趋多元,既有三大运营商这类国资背景平台,也包含世纪互联、万国数据、合盈数据、中金数据等第三方民营服务商,各家核心竞争力取决于本地化资源获取与项目落地的运营能力。然而,当前不含电费的裸算力包月租赁价格持续下行,根据调研结果,早期主流市场报价可达大几百元/kW/月,目前已回落至200多元/kW/月区间,持续压缩运营毛利。更深层矛盾在于,运营商处在算力与电力中间环节,所以算电建设周期的错配压力集中体现在这一类主体身上。一方面,客户上架诉求紧迫,催促算力中心各项土建、机电工程加速投产;另一方面,电网配套工程按规划进度,还在走审批或进入较长的建设工期。两方面固有的时序错位,一旦中间环节衔接不好,运营商或将面临机房资产闲置、前期投入沉没的较高风险。

电网企业:系统安全底线约束下,为算力中心实施的电网配套工程,既要考虑产业用电保障,又要平衡资产利用效率。电网企业承担着区域电力供应保障的安全底线,规划建设流程一般较为刚性,而算力中心建设大幅提速,两者之间已然存在较大的建设周期错位。若电网配套工程建设不能提速,或导致算力中心并网滞后,无法如期落地投产;但若大规模提前建设电网,而后续算力负荷上架节奏或实际运行规模不及预期,又会造成电网资产利用率偏低,甚至形成资产闲置。此外,大规模算力负荷突增,其瞬时高波动特性及高比例电力电子装置也给区域电网运行安全带来挑战。因此,在安全责任分担与输配电成本疏导机制尚不健全的条件下,电网企业为算力中心配套的工程建设目前还是偏审慎,由此与地方招商诉求、算力企业投产节奏形成持续张力。

发电企业:抢抓算力负荷机遇,但绿电直连落地受限,项目议价空间偏弱。当前新能源行业整体承压,面临消纳困难、投资回报下行以及产业链产能阶段性供给过剩等多重挑战,算电协同带来的新增稳定负荷,无疑是重要发展机遇,叠加政策鼓励算力与新能源配套绑定,发电企业参与意愿较强。但项目落地过程中仍存在一定阻力,如与优质算力项目绑定绿电供应通常竞争激烈,参与方常需接受价格让步的PPA;现实中也出现资源置换模式,即发电企业为了获取当地较好的新能源开发指标,往往要配套签订低价甚至“一口价”购电合约。综合来看,发电企业在产业链上相对弱势,整体议价话语权有限,在抢抓算力配套机遇的同时,需要承担不小的合约压力。

地方政府:区域招商竞争加剧,面临基建投入与税源收益的空间错配难题。当前经济背景下,地方政府对于算力产业,无论是八大枢纽节点还是枢纽节点外集群,项目招商竞争加剧。首先,地方需要投入大量土地、能耗指标,招商引资的压力也会进一步传导至当地电力及其他基础设施提供商。其次,部分配套资金需要依托地方财政与专项债支持,这对地方政府财政资金统筹、多元投入机制提出更高要求,需要平衡不同领域的投入优先级。而项目建成后,究竟能够为本地留下多少长期稳定的产业价值,更是地方政府的现实顾虑。一方面,算力项目属于资本密集型行业,单位投资带动的本地就业岗位有限,难以复刻传统制造业的就业拉动效应;另一方面,大量基建投资落地西部,但长期可持续税源培育难度较高。

资料来源

[1]https://www.gov.cn/yaowen/liebiao/202603/content_7060692.htm

[2]https://www.nea.gov.cn/20260508/4dae97ca01d348e4871bb8654be34b3a/c.html

[3]https://www.miit.gov.cn/jgsj/txs/gzdt/art/2013/art_1d754b03d60e45a694459066be0ea54f.html

[4]https://www.ndrc.gov.cn/fzggw/jgsj/gjss/sjdt/202203/t20220321_1319862_ext.html

[5]据国际数据公司(IDC)与浪潮信息发布的《中国人工智能计算力发展评估报告》,2022年底我国智能算力规模268EFLOPS(FP16),2023年底我国智能算力规模414.1EFLOPS(FP16),2024年底我国智能算力规模725.3EFLOPS(FP16);据国家数据局统计,2025年底我国智能算力规模1590EFLOPS(FP16),相关链接如下:http://finance.people.com.cn/n1/2022/1229/c1004-32596281.html, https://tech.gmw.cn/2023-11/30/content_37000803.htm, https://www.gov.cn/yaowen/liebiao/202502/content_7003982.htm, https://www.nda.gov.cn/sjj/jgsz/jld/llh/llhldhd/0323/20260323202204680553721_pc.html

[6]https://www.miit.gov.cn/xwfb/gxdt/sjdt/art/2026/art_cc4b160e38094e8cbf2131dc322a9d43.html

[7]该指数以2022年2月“东数西算”工程正式启动为固定基期,基期指数设定为100,按月滚动,数据来源: https://www.gdzxdl.com/zxdlshow/13/1937.html

[8]https://www.nea.gov.cn/20260529/18c09743776c4dddb55288ceea38b8b1/c.html

[9]https://www.xinhuanet.com/20261012/3a2dff722ecd4e3e9f9e3b38c51dfbc7/c.html

[10]https://www.research.cicc.com/zh_CN/report?id=363995&entrance_source=search_all_reportlist&page=20&yPosition=482.95

[11]https://www.cac.gov.cn/2025-12/24/c_1768304095033748.htm

[12]https://www.hebei.gov.cn/columns/b522d086-e11d-44ec-ab13-d0f18b711de3/202611/05/3164db7e-53b1-4e7a-96fb-4145af8b7dec.html?f_link_type=f_linkinlinenote&flow_extra=eyJkb2NfcG9zaXRpb24iOjAsImRvY19pZCI6IjZlOTA4ODg2MWVlMDRlNWEtYmRlYzVlZmQzNTBlMTk3MSIsImlubGluZV9kaXNwbGF5X3Bvc2l0aW9uIjowfQ%3D%3D

[13]http://www.huhhot.gov.cn/2022_zwdt/zwyw/202608/t20260819_2029833.html

[14]https://www.dt.gov.cn/dtszf/tuidonggaozhiliang/202608/9fd9b9f5af654d35bb4a7b0eac6b0c1b.shtml

[15]https://www.ndrc.gov.cn/xwdt/wszb/6yxwfbh2026/wzsl/202606/t20260618_1405938_ext.html;http://www.qinghai.gov.cn/zwgk/system/2026/03/25/030095621.shtml?f_link_type=f_linkinlinenote&flow_extra=eyJpbmxpbmVfZGlzcGxheV9wb3NpdGlvbiI6MCwiZG9jX3Bvc2l0aW9uIjowLCJkb2NfaWQiOiI2NDA4ZGJmZTQzMjVhNTFhLTZjNmQ0Zjc5YzRkYWM0NjAifQ%3D%3D

[16]IEA: https://www.iea.org/reports/world-energy-investment-2025/united-states;https://www.iea.org/commentaries/overcoming-energy-constraints-is-key-to-delivering-on-europe-s-data-centre-goals

[17]http://www.jibei.sgcc.com.cn/html/main/col40274/2026-05/28/20260528185556295230769_1.html

[18]https://yuanchuang.caijing.com.cn/2026/1016/5188274.shtml

[19]https://www.cls.cn/detail/2454285

[20]https://www.tmtpost.com/8137132.html

[21]一口价模式,指园区给入驻算力企业固定的到户电价,不随电力现货、绿电交易价格波动,https://www.nxzw.gov.cn/zwgk/bmxxgkml/syjshdsjfzj/fdzdgknr_50309/bmxx_50339/202211/t20221118_3849105.html

[22]https://local.cctv.com/2026/09/18/ARTIyjwEDeaq7Ne2VZI9stVk260918.shtml

[23]https://www.ndrc.gov.cn/xxgk/zcfb/tz/202501/t20250107_1395496.html

[24]https://dsj.guizhou.gov.cn/zwgk/jyta/202007/t20200703_86420610.html

[25]https://www.gov.cn/zhengce/zhengceku/202407/content_6964165.htm

[26]https://www.gzss.gov.cn/xwzx/tzgg/202609/P020260930605209668168.pdf

[27]国家发展改革委、国家能源局:《关于有序推动绿电直连发展有关事项的通知》(发改能源〔2025〕650号),https://www.ndrc.gov.cn/xxgk/zcfb/tz/202505/t20250530_1398138.html;国家发展改革委、国家能源局:《关于完善价格机制促进新能源发电就近消纳的通知》(发改价格〔2025〕1192号),https://www.ndrc.gov.cn/xxgk/zcfb/tz/202509/t20250912_1400444.html;

国家发展改革委、国家能源局:《关于有序推动多用户绿电直连发展有关事项的通知》(发改能源〔2026〕688号),https://www.ndrc.gov.cn/xxgk/zcfb/tz/202605/t20260520_1405313.html

[28]LCOE (Levelized Cost of Electricity),平准化度电成本,指项目全生命周期内折算的平均度电成本。

[29]https://www.research.cicc.com/zh_CN/report?id=392587&entrance_source=search_all_reportlist&page=1&yPosition=242.85

[30]https://news.cctv.cn/2026/04/09/ARTIqTYZ4rq6tACMXyd08sfZ260409.shtml

[31]2024年国家发展改革委等四部委印发的《数据中心绿色低碳发展专项行动计划》明确,到2025年底,新建及改扩建大型和超大型数据中心PUE降至1.25以内,国家枢纽节点数据中心项目PUE不得高于1.2‌。https://www.gov.cn/zhengce/zhengceku/202407/content_6964165.htm

[32]https://zgqingyang.gov.cn/gk/zfxxgk/zcwjk/zcwj1/szfwj/qzf/content_28560

[33]https://nm.cnr.cn/hlnmg/20260822/t20260822_527787012.shtml

[34]甘润东等《计及负荷时空转移需求响应的数据中心聚合商最优运行策略》https://doi.org/10.11930/j.issn.1004-9649.202401079

[35]曹雨洁等《能源互联网背景下数据中心与电力系统协同优化(二):机遇与挑战》https://link.cnki.net/doi/10.13334/J.0258-8013.PCSEE.210814

[36]Dlzar Al Kez et al. Potential of data centers for fast frequency response services in synchronously isolated power systems https://doi.org/10.1016/j.rser.2021.111547

[37]Philip Colangelo et al. AI data centres as grid-interactive assets https://www.nature.com/articles/s41560-025-01927-1

[38]王永真等《中国数据中心综合能耗及其灵活性预测》https://journal.bit.edu.cn/sk/cn/article/id/f2d521b5-7c84-4390-8bad-a84000505557

[39]http://epaper.hbjjrb.com/jjrb/202609/24/con199911.html

[40]https://tv.cctv.cn/2026/07/19/VIDEoCfVycBr4rwgvfCnqDYB260719.shtml

[41]https://api-docs.deepseek.com/zh-cn/news/news260813/

[42]https://tech.huanqiu.com/article/4TItcvdJbKe

[43]https://insidelines.pjm.com/pjm-dominion-review-large-load-transfer-event/

[44]https://economy.gmw.cn/2026-09/14/content_38999820.htm

(https://std.samr.gov.cn/gb/search/gbDetailed?id=1C2B2104497C7242E06397BE0A0ACA1F)等

[45]数据中心UPS侧依据GB/T 7260系列标准(https://std.samr.gov.cn/gb/search/gbDetailed?id=1C2B2104498C7242E06397BE0A0ACA1FZ;电网侧依据GB/T 43025-2023(https://std.samr.gov.cn/gb/search/gbDetailed?id=053404E3EEF68F91E06397BE0A0A9209)、GB/T 36547-2024(https://std.samr.gov.cn/gb/search/gbDetailed?id=19B8508AED594286E06397BE0A0A616D)、GB/T 36548-2018(https://std.samr.gov.cn/gb/search/gbDetailed?id=1C2B2104497C7242E06397BE0A0ACA1F)等

[46]https://www.nea.gov.cn/20251016/da691fdeb8724566ac78ba8e83a3f274/c.html

[47]《低压开关设备和控制设备》(GB/T 14048):https://std.samr.gov.cn/gb/search/gbDetailed?id=0B4529DE0FF9FCAFE06397BE0A0A46CC;《电能质量 电压暂升、电压暂降与短时中断》(GB/T 30137):https://std.samr.gov.cn/gb/search/gbDetailed?id=2AD027063986091BE06397BE0A0A2D62

[48] https://finance.sina.com.cn/cj/2026-10-20/doc-inivwpzi5764381.shtml

文章来源

本文参考:2026年11月6日中金研究院已发布的《走过八大枢纽,再看“算电协同”之路——基于专题调研的八点观察》,作者信息为:

郑 宽   分析员  SAC执证编号:S0080524070002

陈 济   分析员  SAC执证编号:S0080524070012

法律声明

向上滑动参见完整法律声明

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号仅是转发、摘编中金公司研究院或其他专业人士/机构撰写制作的相关研究成果的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的信息、观点、判断等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业顾问的指导及解读。

订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

本公众号所载信息、意见不构成对买卖任何证券或其他金融工具的出价或征价或提供任何投资决策建议的服务。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出决策并自行承担风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联机构、关联人员均不承担任何形式的责任。

本公众号相关资料所载意见、评估及预测仅为该资料出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。在不同时期,中金公司研究部可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或观点。本公众号可能会转发、摘编其他专业人士/或机构撰写制作的相关研究成果,相关研究观点仅代表其本人/该机构的分析判断,不代表中金公司的观点,中金公司对其中的信息及其观点不做任何形式的确认或保证。

本订阅号是由中金研究院建立并维护的官方订阅号。除非另有说明,本订阅号中所有资料的版权均为中金公司所有。未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

中金|行业轮动系列(6):轮动速度×集中度三象限分域的行业轮动3.0模型

2026年11月12日 08:03

原创 古翔 曹宇涵等 2026-11-12 08:03 上海

2026年市场进入集中状态,单一速度维度分域模型阶段性失效

Abstract

摘要

2026年市场进入集中状态,单一速度维度分域模型阶段性失效

2026 年市场结构变化,以轮动速度分域的行业轮动 2.0 模型阶段性失效。在《行业轮动系列(4):轮动节奏自适应行业轮动2.0模型》中,我们以轮动速度分域构建了行业轮动2.0模型。2026 年以来,A股行业层面的市场结构与此前出现差异:成交额、上涨动能、行业涨幅分布全面向少数行业集中,2.0模型样本外连续三年跑赢后今年阶段性失效。

我们认为2.0模型失效主要有两个原因:一是2026 年市场进入主线集中状态,Top3 行业成交额占比在6月升至历史最高水平,原模型并未有效识别这种市场状态;二是原轮动速度分域有效性降低,2.0模型以全样本扩展均值划分快慢,阈值随样本累积不断漂移,近年对慢轮动状态的识别能力明显下降,2019年以来均为快速轮动状态。

模型方法:轮动速度×集中度三象限分域,高集中象限以拥挤度筛选控制风险

针对这一变化,本篇报告对分域框架做了两方面改进:一是新增集中度分域维度,二是改进轮动速度的快慢分域方法,最终以轮动速度和集中度两个维度,构成四象限分域模型。在此基础上,我们将慢轮动-高集中和快轮动-高集中两个象限合并,最终形成三象限分域结构:高集中象限对应有明确主线、市场向少数行业集中的状态;低集中的两个象限都没有明显主线,区别在轮动快慢——慢轮动象限行业强弱格局较稳定、热点持续,快轮动象限热点切换频繁、持续性差。

因子按象限分别组织。慢轮动-低集中与高集中象限以成长和质量因子为主,同时覆盖机构持仓与资金流等因子,两者因子相近但侧重不同——慢轮动关注长期趋势,高集中强调机构聚焦。快轮动-低集中象限信号衰减快、因子整体有效性弱,改用"负面筛选+量价排序"的精简规则:先剔除基本面较差的行业,再以量价因子排序选优,用更直接的规则降低过拟合风险。

高集中象限叠加拥挤度筛选,控制主线拥挤反转带来的回撤。高集中象限持有的是资金扎堆的主线行业,交易拥挤时主线容易反转、回撤集中,因此额外叠加拥挤度筛选。我们以交易结构、交易活跃度、收益波动三大类指标等权合成连续拥挤得分,剔除得分过高的行业,在跟随主线的同时控制抱团瓦解带来的回撤。

模型表现:样本外IR1.27,2026年以来超额显著

三象限模型样本外表现稳健,2026年超额显著。回测区间内(2012-08-01~2026-09-30)模型年化超额11.54%、IR为1.48,超额最大回撤11.08%;样本外年化超额10.33%、IR为1.27,超额最大回撤9.03%,样本期分年度超额全部为正;2026年截至9月底,模型超额收益为20.6%,而旧模型同期为-5.5%,体现了高集中维度对市场结构变化的有效刻画。

风险提示:本报告模型基于历史数据与统计规律构建,市场结构变化可能导致分域边界与因子有效性失效,回测表现不代表未来收益,不构成投资建议。

Text

正文

2.0模型失效归因:市场状态变化导致分域方法失效

我们在《行业轮动系列(四):轮动节奏自适应行业轮动2.0模型》中,创新性地提出了基于轮动速度分域的行业轮动模型(以下简称2.0模型),2023-2025年该模型样本外表现良好,但2026年初至今表现出阶段性失效。本章我们将从成交额、上涨动能与涨幅分布三个角度,刻画今年以来市场发生的结构性变化,进而提出更新模型的思路。

2.0模型失效:样本外连续三年跑赢后,2026年阶段性失效

2.0模型在2023-2025年样本外表现稳健,三年均获得正超额收益。但2026年以来,截至10月16日,模型收益率为-15.28%,同期行业等权基准收益率为-11.13%,模型累计跑输行业等权基准4.67ppt,滚动一年超额收益自3月11日起转负,模型出现阶段性失效的现象。

图表1:2.0模型2026年以来阶段性失效

注:数据截至2026-10-16
资料来源:Wind,中金公司研究部

结合市场观察,我们认为今年模型失效的原因可能是市场的结构性变化。2026年以来,市场以科技为主线,其余行业的成交活跃度与收益表现持续处于相对低位,这种现象在历史上较为罕见,也因此没有充分反映在2.0模型中。为验证这种猜想,我们将从三个方面尝试刻画市场呈现的特殊状态。

观察一:成交额向少数行业集中

我们计算每月成交额前3行业占30个中信一级行业总成交额的比重,并做12个月移动平均以观察趋势。如图表2所示,2026年以来,该比重的平滑值由1月的34.3%逐月升至10月的38.7%,为历史最高。单月比重在6月达到峰值47.4%,同样为历史最高。成交额是投资者关注度的直接度量,近40%的成交额集中在前三大行业,说明市场资源集中地围绕少数主线展开。

图表2:2026年市场成交额明显向少数行业集中

注:样本区间为2010-01-01至2026-10-01
资料来源:Wind,中金公司研究部

观察二:上涨行业数量较少,前三行业贡献主要涨幅

观察二从上涨广度和动能分配两个侧面观察收益集中度。2026年截至10月20日仅7个行业上涨,而2025年同期有29个行业上涨;前三大上涨行业贡献了全部上涨行业涨幅总额的75%,其中第一大行业独占42.4%。普涨环境下组合对选优精度的容错较高,而高集中环境下仅少数行业上涨,因子模型若稍有偏差,很容易把仓位分散到没有资金关注的行业上。

观察三:行业涨幅分布呈现“头部陡峭、尾部绵长”

进一步观察30个行业的收益分布形态:2026年初至10月20日,涨幅前三的行业包括煤炭、电子、石油石化,涨幅均超7%,而排名靠后的行业跌幅普遍在-15%以下,收益分布呈现显著的“头部陡峭、尾部绵长”形态,是典型的有主线市场。

图表3:2026年初至10月20日各行业涨跌幅分布

注:数据截至2026-10-20
资料来源:Wind,中金公司研究部

基于以上的三个观察,可以得出两点结论:其一,2026年市场已进入成交额、上涨动能与收益分布全面向少数行业集中的状态,且极端程度较高;其二,2.0模型对这种状态的识别能力较弱,样本外累积的超额在今年被快速回吐。因此我们认为,行业轮动模型应该对这种高集中的市场状态有相应的刻画能力。

三象限分域:新增集中度维度并改进轮动速度识别

我们沿用2.0模型的轮动速度分域思想,并新增了收益与成交额集中度维度,将市场划分为三个象限。本章我们将介绍分域框架,并从标签分布与维度独立性层面检验分域的有效性。

分域框架:轮动速度×集中度识别三类市场状态

轮动速度口径的更新:从扩展均值到滚动阈值

2.0模型分域方法逐渐显现问题:2.0模型每日对各行业指数的10日收益做截面排名,计算相邻两日排名变化绝对值之和,再取月均值并做24M滚动均值平滑,得到轮动速度序列;最后以全样本起点以来的扩展均值作为快慢阈值。但扩展窗口随时间推移越来越长,阈值趋于固化,近年来的轮动速度数值系统性高于历史均值,2.0模型下2019年起连续8年全部为快轮动,分域实际上已经失去区分度。

为此,我们将轮动速度口径修正为:相邻两月的月频行业收益排名变动绝对值之和,先做12个月滚动均值平滑,再以其过去5年的滚动均值为阈值,高于阈值记为快轮动,否则为慢轮动。

这一调整主要基于两点考虑:

► 第一,减少重叠窗口和日度扰动带来的噪声。相邻两日的10日收益有9天重叠,排名变化很大程度上只来自新进和移出窗口的单日收益,既存在重复计量,也容易受到短期交易波动影响;相邻两月的收益窗口不再重叠,能够更直接地刻画行业相对强弱的变化。

► 第二,统一指标与模型的时间尺度。原口径用10日收益刻画行业相对表现,却每天计算一次排名变化,收益窗口与观察频率不一致,指标难以明确对应10日轮动还是日度轮动;改为相邻两月的月度收益排名后,收益窗口与排名观察期一致,同时也与月度因子、组合调仓和集中度指标保持同频,使指标含义更清晰,也便于后续平滑与阈值识别。

图表4:新旧口径轮动速度对比

注:样本空间为2011-06至2026-10
资料来源:Wind,中金公司研究部

新口径保留了更清晰的阶段性起伏。旧口径自2019年起中枢明显抬升,近年持续处于高位;新口径在2020—2021年回落,2022—2024年多次冲高,2026年先降后升,没有明显的长期趋势,配合滚动阈值可以更灵活地识别不同时期的轮动节奏。

集中度指标的定义

我们构建的集中度指标由成交额集中度和收益集中度两个指标合成。成交额集中度指标,即每月成交额前三的行业占全部行业成交额总和的比重;收益集中度指标,即每月先将各行业收益平移使其均为非负,以消除整体涨跌的影响,再计算收益前三的行业占全部行业收益之和的比重。两个集中度指标各自先取滚动5年分位数后再等权合成,得到最终的集中度指标。

高集中的判定方法为:集中度指标先做3个月移动平均,如果平滑值不低于其在过去60个月的80%分位数,则该月记为高集中。阈值采用滚动分位而非固定值,使标签衡量的是行业相对自身历史的集中程度,避免标签分布系统性漂移。集中度指标经3个月平滑后,指标一阶自相关为0.785、半衰期约2.9个月,灵敏性与稳定性兼顾。如下图所示,平滑值仅在市场向少数行业高度集中时才向上突破滚动阈值、进入高集中区间;2026年以来平滑值持续运行于阈值上方,并一度升至接近 1 的历史极值,直观印证了本轮主线集中的强度与持续性。

图表5:集中度指标时序表现

注:数据截至2026-09-30
资料来源:Wind,中金公司研究部

三象限分域框架

在确认了两个维度的指标后,每月的市场状态即可映射为三个象限:集中度指标达到高集中阈值,则记为高集中象限,其余月份按照轮动速度的快慢分为快轮动-低集中与慢轮动-低集中。三个象限的经济含义如下:

► 高集中:市场存在明确主线,行业收益高度分化;

► 慢轮动-低集中:行业排名缓慢变化,趋势可持续;

► 快轮动-低集中:排名快速变化,无主线,模型构造难度较大

为何采用三象限分域而非四象限?理论上,速度维度也可以在高集中状态下进一步区分快慢,构成完整的轮动速度×集中度四象限,但我们没有采用这种分域方法,原因有三。第一,样本量约束是高集中象限的先天短板:在171个信号月中,高集中象限仅52个月,若再按快慢拆分,样本量将更加稀疏,统计稳健性不足,选出的因子组合难以区分真实规律与噪声。第二,快轮动-高集中组合天然稀疏,52个高集中月份中37个为慢轮动,仅15个为快轮动。第三,策略思路无需区分,高集中状态下无论快慢,策略思路是一致的——都是识别并持有主线行业,速度的区分在低集中状态下才有意义。

基于以上三点,我们将速度维度保留在低集中状态下使用,进而构成三象限分域结构,既保证了每个象限的样本量,又不损失策略的区分度。

从标签分布看,2012年8月以来的171个信号月中,快轮动-低集中64个月,占比37.4%;慢轮动-低集中55个月,占比32.2%;高集中52个月,占比30.4%。

图表6:三象限分域时序分布

注:样本空间为2012-08至2026-10
资料来源:Wind,中金公司研究部

慢轮动-低集中象限与高集中象限的共性与差异

轮动速度与集中度维度有一定的负相关性。样本期内(2012-08至2026-10)两个维度指标的相关系数为-0.28,有一定的负相关性,即高集中状态下轮动速度更倾向于慢速。事实上这种现象符合我们的预期:高集中意味着市场有较为明显的主线,而主线往往有着延续性,因此行业收益排名变动不会很大,轮动速度会偏慢。

高集中与慢轮动的核心差异在于收益分布。慢轮动-低集中状态下市场没有明确主线,可能是普涨或普跌行情。我们逐月计算30个中信一级行业收益的截面统计量,对两类月份进行比较,以检验二者是否刻画了不同的市场状态。

从统计结果来看,两组的收益离散程度、上涨行业数量几乎相同,头部行业的超额也没有明显差别。二者的差别在于收益分布:高集中月份的收益偏度为0.71,而慢轮动-低集中月份只有0.39,t统计量为2.42,因此可以说高集中状态下行业截面收益显著右偏,且跑赢等权的行业更少,呈现出明显的市场主线。

模型构建与分域因子筛选

因子池与行业因子合成方法

我们的因子池共有146个月度个股因子,包括:盈利质量与估值、成长与预期、市场微观结构、资金流、波动率、动量、反转、调研与机构观点,共八大类。

我们沿用2.0模型的做法,以中信一级行业为研究对象。个股因子到行业因子的合成经过六步处理:

► 缺失值填充:沿个股自身时间轴逐月填充,当月无新披露值时沿用最近一期因子值;

► 个股因子变换:对个股因子做12个月差分(yoy)、1个月差分(mom)、36个月时序标准化(zscore),每个因子均测试其原值与三种变体;

► 个股因子清洗:按“月×行业”分组做MAD去极值、组内标准化、缺失值以行业截面均值填充;

► 覆盖率过滤:有值股票的流通市值合计不低于80%,才认为该行业当月数值有效,否则置NaN;

► 市值加权聚合:行业内按流通市值加权合成行业因子值;

► 行业因子清洗:行业因子值依次做月度截面MAD去极值、标准化、缺失值填0,最后对行业总流通市值的对数做截面回归取残差,剥离规模影响。

因子模型构建方法

三个象限在模型的基本参数层面是统一的,具体的参数设置如下:

三个象限的交易参数保持一致:均持有6个行业,每月最后一个交易日收盘后生成信号,次月首个交易日收盘成交;月度调仓、持仓等权,单边交易费率为千分之一。差异主要体现在因子合成与筛选规则。

► 因子方向调整:按照入选因子的样本内IC调整因子方向,IC为负的因子取相反数;

► 大类内因子合成:在每个因子大类内部,各因子经行业截面标准化后等权合成大类复合因子;

► 大类间因子合成:大类复合因子再做行业截面标准化后等权合成总得分;

► 形成持仓:总得分截面标准化后缺失值填0,取得分最高的六个行业构成组合。

此外,高集中象限在持有主线之外,还需回答“何时撤离主线”。高集中状态下,资金与收益集中于少数主线,投资者普遍对这些行业的暴露也更高。一旦主线反转,资金集中兑现可能使调整速度更快、幅度更大,涉及的资金规模也更高,进而对组合收益造成更大影响。因此,高集中象限不仅要识别主线,还要及时防范主线过度拥挤后的反转风险。为此,我们在得分排序之后、形成持仓之前叠加拥挤度筛选,剔除交易过热的行业,指标构建详见后文。

快轮动-低集中象限:负面筛选+正向排序选行业——

► 负面筛选:空头端因子行业截面标准化后等权合成,剔除得分最低的六个行业;

► 正向排序:多头端因子行业截面标准化后等权合成,在负面剔除后的行业中取得分最高的六个行业构成组合。

我们对于快轮动-低集中象限采用不同的构建方式,主要原因有三:

其一,因子多空两端不对称,IC度量可能失真。IC度量隐含多空两端大体对称的假设,用一个统一的相关系数刻画因子的选优能力;但快轮动象限信号衰减快、排名噪声大,部分因子对空头端的区分度较高,多头端选优却不稳定,IC度量可能将这类因子的空头价值在平均中稀释,无法反映因子的实际效果。

其二,无主线、无结构的市场状态下,该用哪类因子缺乏可判断的依据。慢轮动-低集中与高集中象限的市场中,因子的经济学含义更容易判断;而快轮动象限比较难以识别出因子大类的经济逻辑,强行做分层合成可能稀释信号强度。

其三,噪声大、有效信息少,因此模型越简单越稳健。快轮动象限信号半衰期短、市场规律不稳定,以更少的因子和更简单的规则可以降低过拟合风险。

因子筛选方法

由此,我们得到30个中信一级行业的月度因子值。在筛选时,我们统一按照因子在测试期的表现进行筛选,但不同象限的筛选方法有所不同:

► 慢轮动-低集中与高集中象限:先按照经济学含义框定待选的因子类别,再在类别内筛选ICIR绝对值排名靠前、且方向符合预期的因子;

► 快轮动-低集中象限:由于快轮动-低集中象限信号衰减快,IC测试结果跨期稳定性弱,因此我们选择先剔除基本面表现差的行业,再用量价因子排序确定持仓。具体的因子筛选方式为:每月以因子值最高的6个行业指数等权构成多头组合,因子值最低的6个行业指数等权构成空头组合,以因子在测试期内的多头和空头组合月均超额收益,分别筛选多头端的量价因子和空头端的基本面因子。

因子筛选结果:慢轮动关注长期趋势,高集中强调机构聚焦

慢轮动-低集中与高集中象限因子筛选结果

慢轮动-低集中与高集中象限的因子筛选分为两个步骤:首先按照象限的定价机制与经济学含义确定选择的因子类别,再在类别内部以测试期ICIR确定具体选择的因子。接下来我们将按因子类别逐一讨论两个象限的因子选择,包括成长与预期、盈利质量与估值、市场微观结构、动量、资金流、调研与机构观点,共六个因子大类。

(1)成长与预期

两个象限的成长因子名单一致,均包括EPS单季同比、净利润同比和标准化预期外净利润。慢轮动中用于刻画行业景气的方向和强度;高集中中,涨幅居前行业往往也偏成长,因子作用方式类似。两类象限的大类复合因子样本期ICIR分别为0.533和0.257。

(2)盈利质量与估值

两个象限均使用盈利质量与估值因子,但侧重点不同。慢轮动选取现金比率变动与存货周转率TTM,偏向偿债和营运能力,选择基本面稳健的行业;高集中选取资产现金回收率TTM与净资产收益率变动,更看重现金流和盈利兑现。两类象限的大类复合因子样本期ICIR分别为0.582和0.452。

(3)市场微观结构

仅慢轮动-低集中象限选择3个月和6个月换手率。慢轮动中趋势延续需要资金持续关注,换手率可以衡量资金参与程度;高集中象限强势行业的换手率已处于高位,更多反映拥挤程度,方向性难以判断。慢轮动象限该类复合因子样本期ICIR为0.284。

(4)动量

仅慢轮动-低集中象限选择市净率倒数同比差分的相反数。该因子剔除账面价值增长的影响,集中刻画估值重定价,本质上是一年期动量;高集中象限主线行业价格往往已经大幅上涨,单纯按趋势选入可能导致高位接盘。取相反数前,该因子样本期ICIR为-0.24。

(5)资金流

仅高集中象限选择资金流因子。入选因子为开盘资金流入金额占比和开盘资金流入率的同比差分。高集中状态下资金集中流向主线,资金流入变化直接反映主线强弱;慢轮动中资金分散流动,信号缺乏明确指向。该类复合因子样本期ICIR为0.244。

(6)调研与机构观点

仅高集中象限选择调研与机构观点因子。入选调研大类因子与调研标准化异常成交量,从调研数量、变化率和调研后的市场反应等角度刻画机构关注,可作为识别主线变化的先行信息。该类复合因子样本期ICIR为0.296。

筛选结果汇总

慢轮动-低集中与高集中象限最终共入选17个因子,名单如下表:

图表7:慢轮动-低集中与高集中象限因子筛选结果汇总

资料来源:中金公司研究部

快轮动-低集中象限因子筛选结果

快轮动-低集中象限没有主线,排名变动快、噪声大,因子多空两端呈不对称特征。部分因子对空头端筛选效果明显,多头端选优则能力平平,尽管IC表现可能较好,但对于多头策略没有帮助。因此我们选择分别筛选多头和空头表现较好的因子,分负面筛选和正面选优两个步骤确定持仓。最终入选因子如下:

图表8:快轮动-低集中因子筛选结果

资料来源:中金公司研究部

我们在快轮动-低集中象限对全因子库做了多空组合测试,并分别以因子多空组合的月均超额收益选取因子。从图表9所示的测试结果可以看到,我们选择的空头因子所构建的空头组合月均超额收益分别为-0.58%和-0.76%,样本外IR达到了-1.05和-2.03,而它们的多头组合并无稳定正超额,不适合用于选优。

我们在多头端选择的三个因子,月均超额收益分别为1.03%、0.75%和0.70%,样本期IR为1.62、1.00和1.06,其空头端负超额并不明显,优势在于选优而非排雷,与空头端因子恰好形成互补。

拥挤度指标构建

我们在《基本面量化系列(15):如何定量刻画风格拥挤度——以红利为例》中,从收益率、交易量、交易结构、估值、市场情绪五个维度构建了拥挤度指标。本篇报告将该框架应用到行业层面,并针对行业轮动的使用方法做了修改,将指标合成方法由0-1投票改为连续得分合成,最终选择六个指标并分为三个大类:交易结构(高频拥挤度、资金结构波动率)、交易量(成交额、成交额占比、换手率)、收益波动(超额收益波动率),按照先大类内等权合成、再大类间等权合成的方法。具体的构建方法如下:

► 单指标处理:对于六个入选的指标,均取其滚动一年分位数;

► 指标合成:对于指标的三个大类,先对大类内部做等权平均,得到大类得分,再对三个大类得分做等权平均,得到最终拥挤度得分。高频拥挤度数据从2018年开始才有数据,此前交易结构大类由资金结构波动率单指标构成。

对拥挤度得分达到0.95以上的行业做事件研究可以发现,这类行业随后一个月的超额收益在不同象限中也有所分化:高集中象限中,拥挤高位行业随后一个月平均跑输2.2%,慢轮动-低集中和快轮动-低集中象限中反而平均跑赢1.5%和1.8%。究其原因,高集中象限的收益高度依赖少数主线,主线拥挤至极端水平后,抱团瓦解带来的回撤会直接主导组合表现,提前剔除能够有效回避;而在低集中状态下,高拥挤往往伴随着动量延续、强者恒强,领涨行业即便交易拥挤也仍能继续贡献超额,此时剔除反而容易踏空行情。

因此,拥挤度筛选仅作用于高集中象限。每个信号月,拥挤度得分不低于0.95的行业从候选剔除,剔除后的行业指数池再根据因子得分排序,选择排序前六的行业作为持仓。在样本期(2012-08至2026-09),共有25个信号月进行了剔除,合计56个行业次,最多单月剔除8个。

模型统计表现

整体表现:样本内外表现稳定,分年度超额收益均为正

模型样本期年化收益为20.62%,相对等权基准的年化超额为11.54%。信息比率达到1.48,超额最大回撤11.08%。样本内年化超额11.98%,信息比率1.56;样本外年化超额10.33%,信息比率1.27,超额最大回撤9.03%。整体来看样本内外表现稳定,超额净值稳健增长,风险调整后超额收益表现优异。

图表9:三象限行业轮动模型净值表现

注:样本区间为2012-08-01至2026-09-30
资料来源:Wind,中金公司研究部

图表10:三象限行业轮动模型统计结果

注:样本内区间为2012-08-01至2022-12-31,样本外区间为2023-01-01至2026-09-30
资料来源:Wind,中金公司研究部

分年度来看,样本期各年度超额收益全部为正。2026年是以高集中月份为主,截至9月底的YTD超额收益为20.6%,而2.0模型同期超额收益为-5.5%,模型表现明显提升。

拥挤度筛选效果:有效剔除后续收益下滑的行业

整体而言,不做拥挤度筛选时,模型全区间年化超额为10.40%,IR为1.33,样本外IR0.98,2026年YTD超额收益12.7%;加入拥挤度筛选后,全区间IR升至1.48,样本外IR升至1.27,2026年YTD超额升至20.6%。

图表11:是否加入拥挤度筛选对模型结果的影响

注:样本内区间为2012-08-01至2022-12-31,样本外区间为2023-01-01至2026-09-30
资料来源:Wind,中金公司研究部

拥挤度筛选有效地剔除了后续收益下滑的行业。从机制上看,高集中象限的得分以成长、盈利质量与资金流类因子合成,目标是识别主线行业,对交易过热没有惩罚;而主线行情中最强势的行业恰恰最容易积累拥挤,短线回撤风险最大,而拥挤度筛选恰好弥补了这一维度的缺陷。经统计,被剔除行业剔除后一个月平均跑输等权基准2.5ppt,后三个月平均跑输4.9ppt,因此剔除规则有效地捕捉了行业预期收益的下滑。

2026年拥挤度筛选尤其有效。2026年有6个月进行剔除,共9个行业次,被剔除行业剔除后一个月平均跑输基准9.9%。举例来说,2月底信号剔除钢铁行业,次月钢铁跑输基准8.1%;6月底信号剔除建材和电子,次月分别跑输基准24.0%与32.2%。因此,拥挤度筛选对于高集中象限来说是很有效的风险管控手段。

总结

本篇报告从行业轮动2.0模型在2026年的阶段性失效入手,根据市场进入主线集中状态,而2.0模型的分域框架对此缺乏识别能力的现状,改进了分域方法与因子模型,构建了轮动速度×集中度三象限分域的行业轮动3.0模型。

失效归因与分域方法:2026年成交额、上涨动能和收益分布向少数行业集中,原模型对高集中状态识别不足,扩展均值划分快慢的适应性也下降。为此,新增成交额与收益集中度,改用月度收益排名和5年滚动阈值,形成高集中、慢轮动-低集中、快轮动-低集中三类状态。

因子配置与风险控制:慢轮动偏防御,侧重偿债、营运和趋势延续;高集中偏进攻,侧重现金流、盈利兑现、资金流和机构关注;快轮动先以机构行为与估值因子排雷,再以波动率和流动性因子选优。高集中象限额外剔除拥挤度得分不低于0.95的行业,样本期被剔除行业随后一个月平均跑输基准2.5ppt。

模型表现:回测区间内,模型年化超额11.54%、IR为1.48,超额最大回撤11.08%;样本外年化超额10.33%、IR为1.27,超额最大回撤9.03%,分年度超额全部为正。2026年截至9月底,模型YTD超额收益20.6%,2.0模型同期为-5.5%。

风险提示

模型基于历史统计规律构建,市场运行环境发生变化时(如市场结构切换、投资者行为模式改变),模型所依赖的因子有效性与分域边界可能失效。

回测表现基于历史数据与既定假设,不代表未来收益,实际执行效果可能因冲击成本、流动性等因素与回测结果存在差异。

本篇报告结论不构成投资建议,投资者应结合自身情况独立判断。

Source

文章来源

本文摘自:2026年11月9日已经发布的《行业轮动系列(6):轮动速度×集中度三象限分域的行业轮动3.0模型》

古翔 分析员 SAC 执证编号:S0080521010010 SFC CE Ref:BRE496

曹宇涵 联系人 SAC 执证编号:S0080125050006

周萧潇 分析员 SAC 执证编号:S0080521010006 SFC CE Ref:BRA090

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

中金热点解读 | 25 or 50?美联储加息前瞻

2026年11月11日 14:18

中金点睛 2026-11-11 14:18 上海

10月美国CPI环比+0.4%、核心CPI+0.3%,双双高于预期,且核心CPI连续三个月上涨,显示出较强的通胀粘性。

对于市场普遍担心的加息幅度,中金海外宏观团队认为:

通胀压力偏高、支持继续加息,但加快加息的必要性不强,维持12月加息25bp的基准判断,本轮紧缩仍偏渐进温和。

🔍核心观点:

·12月加25还是50?中金维持25bp基准判断。

·为什么不必加速?政策并未明显"落后于曲线",金融条件已边际收紧,通胀是粘性而非加速。

【参考报告】

2026年11月11日已发布的《通胀粘性未退,支持美联储继续加息》

👉更多美国中期选举观点,点击中金:通胀粘性未退,支持美联储继续加息 查看

📱更多中金研究,欢迎登录中金点睛一站式数字化投研平台

跳转微信打开

中金:通胀粘性未退,支持美联储继续加息

2026年11月11日 08:04

原创 刘政宁 肖捷文等 2026-11-11 08:04 美国

我们维持12月加息25个基点的基准判断,本轮紧缩节奏仍偏渐进温和。

中金研究

美国10月CPI季调环比上涨0.4%(上月0.6%),核心CPI环比上涨0.3%(上月0.3%),均高于市场预期。去年10月美国政府停摆未公布经济数据,因此缺失同比数据。整体看,通胀粘性仍然较强,核心CPI环比连续第三个月上涨0.3%,支持美联储继续加息。近期美联储理事沃勒提出,不排除12月加息50个基点。但我们认为美联储政策并未明显“落后于曲线”,加上金融条件已边际收紧,加速加息必要性不强。我们维持12月加息25个基点的基准判断,本轮紧缩节奏仍偏渐进温和。

能源通胀边际减弱,食品价格加速上涨。10月能源CPI环比上涨0.7%,较9月5.2%的涨幅大幅回落。其中,汽油价格环比上涨1%,燃油价格环比上涨2%,均明显低于9月涨幅,天然气管道服务环比下降0.8%。但电力价格上涨0.9%,为今年5月以来的高点。在数据中心建设、电力需求增长的背景下,电价可能具有一定上行压力。

10月食品CPI环比上涨0.5%,为今年5月以来的高点。其中,家庭食品上涨0.4%,外出就餐上涨0.5%。食品价格上涨具有较广泛的覆盖面,水果和蔬菜、乳制品、肉类价格均有所上涨,并非由某一个单独品类推动。这可能受到了前期能源价格上涨向下传导的影响。

核心商品价格整体温和。剔除能源与食品后,10月核心商品价格环比上涨0.2%,较9月的0.3%放缓。其中,新车(0.2%)、家具(0.7%)和医疗商品(0.5%)仍在上涨,二手车价格则下降1.2%,为今年2月以来的最低水平。计算机软件和配件价格环比下降1.5%,计算机、外围设备和智能家居助手价格环比增速由上月1.4%回落至0.5%,表明AI通胀压力边际略有缓解。但AI相关硬件价格仍在上涨,后续涨价压力仍有待观察。

房租通胀总体稳定。10月住房CPI环比上涨0.3%,较9月的0.4%有所放缓。其中,业主等价租金(OER)上涨0.3%,实际租金上涨0.2%,均与上月持平。从房租的前瞻指标来看,并未出现房租通胀加速上行的迹象。

非房租核心服务通胀(supercore)粘性较强,交通服务价格涨幅扩大。10月非房租核心服务价格环比上涨约0.4%,与上月基本持平。其中,交通服务价格环比上涨0.8%,高于上月的0.6%,但涨价结构有所变化。汽车保险价格环比上涨0.7%,公共交通价格上涨2.0%,而机票价格涨幅由上月的1.2%放缓至0.4%。此外,医疗服务价格上涨0.3%,娱乐服务价格上涨0.9%,表明服务通胀的来源仍相对广泛,整体较有粘性。往前看,随着近期国际油价回落,能源成本进一步向运输等服务价格传导的压力有望缓解,但制造业、建筑业工资增速有所加快,需关注劳动力需求回暖是否进一步推升劳动密集型服务业工资,形成工资与服务价格相互强化的压力。

我们认为,通胀压力偏高,支持美联储继续加息,但加快加息的必要性不强。10月核心CPI环比连续第三个月上涨0.3%,表明通胀粘性仍然较强,支持美联储进一步收紧货币政策。我们也维持此前的判断:美联储12月将再次加息。

CPI数据公布前,美联储理事沃勒表示,如果10月核心CPI环比达到0.3%或更高,应考虑一次性加息50个基点,以维护货币政策的可信度 。本次数据符合其提出的条件,市场对此有所担心。我们认为,更大幅度加息通常意味着需要加快政策调整,以弥补此前紧缩力度的不足,但近期金融条件边际收紧,表明前期紧缩已经在产生效果;与此同时,近两个月通胀环比增速更多体现的是粘性,并未出现加速上涨迹象,美联储也不必要加速紧缩。事实上,沃勒本人在10月会议上也支持暂停加息 ,如果他认为货币政策有“落后于曲线”的嫌疑,当时就应该反对按兵不动。

不排除一种可能:近期中期选举结果落地,民主党取得大胜,美联储面临的压力得以减轻,部分官员可能倾向于尽早采取行动,以缓解居高不下的通胀。但有无必要采取一次性加息50个基点,仍有待评估,即便在美联储内部,激进加息策略也未必会受到多数官员的支持,此前最鹰派的达拉斯联储主席洛根也只认为,应该再加息两次,每次分别25个基点。综上,在更多经济数据出炉之前,我们的基准情形仍然是12月加息25个基点,本轮紧缩仍是渐进式、较为温和的紧缩周期。

图表1:核心与整体CPI环比年化走势上行

资料来源:Wind,中金公司研究部

图表2:原油价格近期有所回落

资料来源:Wind,中金公司研究部

图表3:核心商品通胀环比增速略有回落

资料来源:Haver,中金公司研究部

图表4:与AI相关的通胀压力边际略有缓解

资料来源:Haver,中金公司研究部

图表5:房屋租金通胀粘性增强

资料来源:Haver,中金公司研究部

图表6:非房租核心服务通胀有所回落

资料来源:Haver,中金公司研究部

[1]https://www.federalreserve.gov/newsevents/speech/waller20261110a.htm

[2]https://www.federalreserve.gov/newsevents/pressreleases/monetary20261028a.htm

Source

文章来源

本文摘自:2026年11月11日已经发布的《通胀粘性未退,支持美联储继续加息》

刘政宁 分析员 SAC 执证编号:S0080520080007 SFC CE Ref:BRF443

肖捷文 分析员 SAC 执证编号:S0080523060021 SFC CE Ref:BVG234

林雨昕 分析员 SAC 执证编号:S0080526060003

张文朗 分析员 SAC 执证编号:S0080520080009 SFC CE Ref:BFE988

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

跳转微信打开

❌