Beyond NVIDIA: Where the AI Infra Trade Actually Shows Up
TL;DR · AI 摘要
本文分析了AI基础设施投资的实际流向，揭示了从芯片到数据中心的完整产业链，并通过数据可视化展示市场对各环节的认可度。
核心要点
- AI基础设施投资涉及芯片、服务器、数据中心等多个环节，需关注全链条而非单一公司。
- 通过EODHD数据，可以量化分析AI相关公司的增长潜力和市场认可度。
- AI资本支出正在成为市场最大的投资周期之一，物理基础设施层的重要性逐渐显现。
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- AI基础设施投资
金句 / Highlights
值得收藏与分享的关键句。
AI capex doesn't move through the market as a headline. It moves through a chain.
The goal isn't to create a buy list. The goal is to separate the theme into layers.
Both can benefit from the same capex cycle, but the economics, margins, valuation, and market behavior may look very different.
AI 资本支出（capex）交易通常被讨论为一个简单明了的概念。Capex 仅仅指资本支出，即公司用于长期资产（如数据中心、芯片、服务器、电力系统和其他基础设施）上的花费。
NVIDIA、超大规模云服务商（Hyperscalers）、数据中心、电力需求——所有这些都被归入同一个类别，称为“AI 基础设施”。
但我认为这种分类方式已经不再有用。
资本支出并不会以头条新闻的形式直接进入市场，而是通过一个链条流动。一家云计算公司决定增加对 AI 基础设施的投资，但这些支出需要经过芯片、半导体设备、服务器、网络、数据中心、电力系统、冷却系统和建筑等多个环节，才能转化为可用的计算能力。
这才是故事变得更有意思的地方。
显而易见的 AI 公司仍然重要，但它们并不是整个图景。如果 AI 资本支出正成为市场中最大的投资周期之一，那么更好的问题不是：
_“哪些公司是 AI 股票？”_
而是：
_“资金实际上流向了哪里？”_
在本文中，我们将使用 Python 和 EODHD 数据构建一个简单的 AI 资本支出地图。我们的目标不是创建一个买入清单，而是将这一主题分解为不同的层次，比较基本面与市场认知，并观察 AI 基础设施交易在数据中已经显现的地方。
目录
**先决条件**
在跟随本文操作之前，您应该熟悉基本的 Python，尤其是字典、列表、函数和 pandas DataFrame 的使用。
您还需要以下内容：
- Python 3.9 或更高版本
- EODHD API 密钥
- 以下 Python 库：
requests、pandas、numpy和matplotlib
- 对财务指标的基本了解，如收入增长率、利润率、市盈率（P/E 比率）、股票回报、波动性和回撤
您不需要具备高级金融知识。本文的目标是展示如何通过数据可视化来映射市场主题，而不是构建完整的估值模型或股票推荐引擎。
我们正在研究的内容
本文的简单版本可能会列出一些 AI 股票。
但这不是我在这里想做的。
更有用的方法是将 AI 资本支出视为一个支出链，并询问市场中每个环节的具体表现。
一家销售 GPU 的公司以一种方式暴露于这一主题，而一家为数据中心建造电力系统的公司则以完全不同的方式暴露。两者都可以从相同的资本支出周期中受益，但其经济性、利润率、估值和市场行为可能看起来非常不同。
因此，我们的研究分为三个部分。
首先，我们将创建一个涵盖芯片、半导体设备、服务器、网络、数据中心、电力、冷却和建筑等层次的 AI 基础设施公司列表。
其次，我们将从 EODHD 提取基本面和价格数据，以衡量以下两点：
- 基本面信号：业务是否显示出增长和盈利能力？
- 市场认知信号：股票是否已经被市场奖励？
最后，我们将把这些公司映射到一个矩阵中，并寻找模式。
本文的主要输出并不是对“最佳 AI 基础设施股票”的排名，而是更清晰地了解 AI 资本支出交易已经显现的地方、集中在哪里，以及物理基础设施层何时开始变得难以忽视。
导入所需包
我们将保持设置简单。这是一个分析笔记本，而不是生产系统。
import requests
import pandas as pd
import numpy as np
from datetime import date, timedelta
import matplotlib.pyplot as plt这些包涵盖了我们在这里所需的一切。
requests 将用于调用 EODHD API，pandas 用于处理表格，numpy 用于基本计算。我们将使用 date 和 timedelta 来定义一年的价格窗口，并使用 matplotlib 绘制图表。
构建 AI 资本支出宇宙
分析 AI 基础设施股票存在一个问题：AI 资本支出暴露并不是一个清晰的财务字段。
没有任何 API 能直接告诉我们某家公司“30% 暴露于 AI 数据中心支出”或“高度依赖 GPU 基础设施”。因此，我们需要先构建一个研究范围。
在本文中，我使用了一个大型语言模型（LLM）作为研究助手，草拟了 AI 资本支出链的第一个版本，然后手动审查了这些公司，并从 EODHD 提取了基本面和价格数据。
该范围分为以下层次：
- 需求侧超大规模云服务商
- AI 计算和芯片
- 半导体设备
- 服务器和存储
- 网络
- 数据中心
- 电力和电气化
- 冷却和工业系统
- 建筑和工程
ai_capex_universe = [
{'ticker': 'MSFT.US', 'company': 'Microsoft', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Major cloud and AI infrastructure spender through Azure'},
{'ticker': 'AMZN.US', 'company': 'Amazon', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Large AI and cloud infrastructure spender through AWS'},
{'ticker': 'GOOGL.US', 'company': 'Alphabet', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Major AI infrastructure spender across Google Cloud and internal AI systems'},
{'ticker': 'META.US', 'company': 'Meta Platforms', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Large AI compute and data center spending program'},{'ticker': 'NVDA.US', 'company': 'NVIDIA', 'capex_layer': 'AI计算和芯片', 'exposure_level': '非常高', 'reason': 'AI训练和推理的核心GPU和加速器供应商'},
{'ticker': 'AMD.US', 'company': 'Advanced Micro Devices', 'capex_layer': 'AI计算和芯片', 'exposure_level': '高', 'reason': 'AI加速器和数据中心CPU的暴露'},
{'ticker': 'AVGO.US', 'company': 'Broadcom', 'capex_layer': 'AI计算和芯片', 'exposure_level': '高', 'reason': 'AI基础设施的定制硅和网络暴露'},
{'ticker': 'MRVL.US', 'company': 'Marvell Technology', 'capex_layer': 'AI计算和芯片', 'exposure_level': '高', 'reason': '定制硅、网络和数据基础设施的暴露'},
{'ticker': 'AMAT.US', 'company': 'Applied Materials', 'capex_layer': '半导体设备', 'exposure_level': '高', 'reason': '供应用于先进芯片制造的设备'},
{'ticker': 'LRCX.US', 'company': 'Lam Research', 'capex_layer': '半导体设备', 'exposure_level': '高', 'reason': '半导体制造设备供应商'},
{'ticker': 'KLAC.US', 'company': 'KLA', 'capex_layer': '半导体设备', 'exposure_level': '高', 'reason': '芯片制造的工艺控制和检测工具'},
{'ticker': 'ASML.US', 'company': 'ASML', 'capex_layer': '半导体设备', 'exposure_level': '非常高', 'reason': '先进芯片的关键光刻设备供应商'},
{'ticker': 'DELL.US', 'company': 'Dell Technologies', 'capex_layer': '服务器和存储', 'exposure_level': '高', 'reason': 'AI服务器和企业硬件的暴露'},
{'ticker': 'HPE.US', 'company': 'Hewlett Packard Enterprise', 'capex_layer': '服务器和存储', 'exposure_level': '中等', 'reason': '服务器、存储和企业基础设施的暴露'},
{'ticker': 'SMCI.US', 'company': 'Super Micro Computer', 'capex_layer': '服务器和存储', 'exposure_level': '高', 'reason': 'AI服务器系统和数据中心硬件的暴露'},
{'ticker': 'ANET.US', 'company': 'Arista Networks', 'capex_layer': '网络', 'exposure_level': '高', 'reason': '与AI集群建设相关的数据中心网络供应商'},
{'ticker': 'CSCO.US', 'company': 'Cisco', 'capex_layer': '网络', 'exposure_level': '中等', 'reason': '网络和企业基础设施的暴露'},
{'ticker': 'EQIX.US', 'company': 'Equinix', 'capex_layer': '数据中心', 'exposure_level': '中等', 'reason': '全球数据中心和互连基础设施'},
{'ticker': 'DLR.US', 'company': 'Digital Realty', 'capex_layer': '数据中心', 'exposure_level': '中等', 'reason': '数据中心房地产的暴露'},
{'ticker': 'VRT.US', 'company': 'Vertiv', 'capex_layer': '电源和电气化', 'exposure_level': '高', 'reason': '数据中心的电源和热基础设施'},
{'ticker': 'ETN.US', 'company': 'Eaton', 'capex_layer': '电源和电气化', 'exposure_level': '中等', 'reason': '电气系统和电源管理的暴露'},
{'ticker': 'PWR.US', 'company': 'Quanta Services', 'capex_layer': '电源和电气化', 'exposure_level': '中等', 'reason': '电网、电源和基础设施建设的暴露'},
{'ticker': 'CEG.US', 'company': 'Constellation Energy', 'capex_layer': '电源和电气化', 'exposure_level': '中等', 'reason': '数据中心扩张的电力需求受益者'},
{'ticker': 'TT.US', 'company': 'Trane Technologies', 'capex_layer': '冷却和工业系统', 'exposure_level': '中等', 'reason': '建筑和基础设施的冷却和气候系统暴露'},
{'ticker': 'CARR.US', 'company': 'Carrier Global', 'capex_layer': '冷却和工业系统', 'exposure_level': '中等', 'reason': '冷却、HVAC和基础设施系统的暴露'},
{'ticker': 'JCI.US', 'company': 'Johnson Controls', 'capex_layer': '冷却和工业系统', 'exposure_level': '中等', 'reason': '建筑系统、控制和冷却基础设施的暴露'},
{'ticker': 'EME.US', 'company': 'EMCOR Group', 'capex_layer': '建筑和工程', 'exposure_level': '中等', 'reason': '电气和机械建设的暴露'},
{'ticker': 'FIX.US', 'company': 'Comfort Systems USA', 'capex_layer': '建筑和工程', 'exposure_level': '中等', 'reason': '商业基础设施的机械和电气服务'}
]
universe = pd.DataFrame(ai_capex_universe)
universe.head()这为我们提供了研究范围。
重要的是，这张表本身并不能证明任何事情。它只是定义了地图。实际的比较来自于我们接下来提取的基本面和历史价格数据。
提取故事背后财务数据
范围提供了地图，但地图并不是分析。
现在我们需要每家公司的实际数据。为此，我们将使用EODHD的基本面和历史价格数据。
基本面数据帮助我们检查业务实力。价格数据帮助我们了解市场是否已经将公司视为AI资本支出交易的一部分。
基本面数据
首先，我们将使用EODHD的基本面端点提取基本面数据。
api_key = 'YOUR EODHD API KEY'
def get_fundamentals(ticker):
url = f'https://eodhd.com/api/fundamentals/{ticker}?api_token={api_key}&fmt=json'
data = requests.get(url).json()
return data注意: 将YOUR EODHD API KEY替换为您的实际EODHD API密钥。
此函数调用一个股票代码的基本面端点并返回完整的JSON响应。
对于此分析，我们不需要完整的响应，因此我们将仅提取我们关心的字段。
def extract_fundamental_fields(ticker, data): general = data.get('General', {}) highlights = data.get('Highlights', {}) valuation = data.get('Valuation', {}) technicals = data.get('Technicals', {})
return { 'ticker': ticker, 'sector': general.get('Sector'), 'industry': general.get('Industry'), 'market_cap': highlights.get('MarketCapitalization'), 'revenue_growth_yoy': highlights.get('QuarterlyRevenueGrowthYOY'), 'profit_margin': highlights.get('ProfitMargin'), 'operating_margin': highlights.get('OperatingMarginTTM'), 'return_on_equity': highlights.get('ReturnOnEquityTTM'), 'pe_ratio': highlights.get('PERatio'), 'forward_pe': valuation.get('ForwardPE'), 'beta': technicals.get('Beta') }
这些字段为我们提供了一个关于增长、盈利能力、估值和公司背景的紧凑视图。
现在我们可以针对整个股票池运行此代码。
fundamental_rows = []
for ticker in universe['ticker']: try: data = get_fundamentals(ticker) row = extract_fundamental_fields(ticker, data) fundamental_rows.append(row) print(f'{ticker} DONE')
except Exception as e: fundamental_rows.append({ 'ticker': ticker, 'sector': np.nan, 'industry': np.nan, 'market_cap': np.nan, 'revenue_growth_yoy': np.nan, 'profit_margin': np.nan, 'operating_margin': np.nan, 'return_on_equity': np.nan, 'pe_ratio': np.nan, 'forward_pe': np.nan, 'beta': np.nan }) print(f'{ticker} ERROR')
fundamentals = pd.DataFrame(fundamental_rows)
fundamentals.head()
`try` 块确保如果某个股票代码失败，扫描仍能继续。这很重要，因为该股票池混合了不同类型的公司，一个缺失的响应不应破坏整个分析。
### 历史价格数据
接下来，我们将使用 [EODHD 的历史收盘价 API 端点](https://eodhd.com/lp/historical-eod-api)提取一年的历史价格数据。
price_start = date.today() - timedelta(days=365) price_end = date.today()
def get_price_history(ticker): url = f'https://eodhd.com/api/eod/{ticker}?api_token={api_key}&fmt=json&from={price_start.isoformat()}&to={price_end.isoformat()}&period=d' data = requests.get(url).json() prices = pd.DataFrame(data)
if prices.empty: return pd.DataFrame()
prices['date'] = pd.to_datetime(prices['date'], errors='coerce') prices['adjusted_close'] = pd.to_numeric(prices['adjusted_close'], errors='coerce')
prices = prices.dropna(subset=['date', 'adjusted_close']) prices = prices.sort_values('date').reset_index(drop=True)
return prices[['date', 'adjusted_close']]
我们使用调整后收盘价，因为它在处理拆股和分红后的收益率计算时更为准确。
现在我们将价格历史转换为几个市场信号。
def calculate_market_signals(prices): if prices.empty or len(prices) < 60: return { 'return_1y': np.nan, 'return_6m': np.nan, 'return_3m': np.nan, 'volatility_1y': np.nan, 'max_drawdown_1y': np.nan }
prices = prices.copy() prices['daily_return'] = prices['adjusted_close'].pct_change()
latest_close = prices['adjusted_close'].iloc[-1]
return_1y = (latest_close / prices['adjusted_close'].iloc[0]) - 1 return_6m = (latest_close / prices['adjusted_close'].iloc[-126]) - 1 if len(prices) >= 126 else np.nan return_3m = (latest_close / prices['adjusted_close'].iloc[-63]) - 1 if len(prices) >= 63 else np.nan
volatility_1y = prices['daily_return'].std() * np.sqrt(252)
running_high = prices['adjusted_close'].cummax() drawdown = (prices['adjusted_close'] / running_high) - 1 max_drawdown_1y = drawdown.min()
return { 'return_1y': return_1y, 'return_6m': return_6m, 'return_3m': return_3m, 'volatility_1y': volatility_1y, 'max_drawdown_1y': max_drawdown_1y }
这些信号告诉我们市场对每家公司已经做出了多强的反应。
现在我们将相同的逻辑应用于每个股票代码。
market_rows = []
for ticker in universe['ticker']: try: prices = get_price_history(ticker) signals = calculate_market_signals(prices) signals['ticker'] = ticker market_rows.append(signals) print(f'{ticker} DONE')
except Exception: market_rows.append({ 'ticker': ticker, 'return_1y': np.nan, 'return_6m': np.nan, 'return_3m': np.nan, 'volatility_1y': np.nan, 'max_drawdown_1y': np.nan }) print(f'{ticker} ERROR')
market_signals = pd.DataFrame(market_rows)
market_signals.head()
最后，我们将股票池、基本面数据和市场信号合并为一个数据集。
capex_data = universe.merge(fundamentals, on='ticker', how='left') capex_data = capex_data.merge(market_signals, on='ticker', how='left')
print(capex_data.columns) capex_data.head()
## 区分企业实力与市场认知
现在我们进入使分析有用的环节。
如果我们只关注股票回报，我们最终会追逐那些已经发生的变化。如果我们只看基本面，我们会错过市场实际上如何对待某个主题。
因此，我将分析分为两个简单的信号：
* **基本面信号：** 业务是否表现出增长和盈利能力？
* **市场认可信号：** 市场是否已经奖励了该股票？
首先，我们需要一个辅助函数来规范化每个指标。
def min_max_score(series): series = pd.to_numeric(series, errors='coerce')
if series.isna().all(): return pd.Series(0, index=series.index)
min_val = series.min() max_val = series.max()
if min_val == max_val: return pd.Series(0.5, index=series.index)
return (series - min_val) / (max_val - min_val)
这将每个指标归一化到 0 到 1 的范围内，因此增长、利润率、回报和回撤可以进行比较，而不会混杂原始尺度。
### 基本面信号
现在我们构建基本面信号。
capex_data['revenue_growth_score'] = min_max_score(capex_data['revenue_growth_yoy']) capex_data['profit_margin_score'] = min_max_score(capex_data['profit_margin']) capex_data['operating_margin_score'] = min_max_score(capex_data['operating_margin']) capex_data['roe_score'] = min_max_score(capex_data['return_on_equity'])
capex_data['fundamental_signal'] = ( capex_data['revenue_growth_score'] * 0.35 + capex_data['operating_margin_score'] * 0.30 + capex_data['profit_margin_score'] * 0.20 + capex_data['roe_score'] * 0.15 ) * 100
capex_data['fundamental_signal'] = capex_data['fundamental_signal'].round(2) capex_data[['ticker', 'company', 'capex_layer', 'revenue_growth_yoy', 'operating_margin', 'profit_margin', 'return_on_equity', 'fundamental_signal']].sort_values('fundamental_signal', ascending=False).head(10)
该信号并不是为了选出最好的公司。它只是检查业务数据是否支持 AI 资本支出的故事。
在我的分析中，NVIDIA 显然脱颖而出，因为其收入增长和利润率处于另一个水平。但有趣的部分不仅仅是 NVIDIA。像 KLA、Arista、Broadcom、Microsoft、Meta、Lam Research、Alphabet 和 Super Micro 等公司也因不同原因出现在前列。
这已经告诉我们一些重要的信息：AI 资本支出链有不同的赢家类型。有些是高利润率的平台型企业。有些是半导体设备公司。有些是高增长但利润率较低的硬件公司。
### 市场认可信号
现在我们构建市场认可信号。
capex_data['return_1y_score'] = min_max_score(capex_data['return_1y']) capex_data['return_6m_score'] = min_max_score(capex_data['return_6m']) capex_data['return_3m_score'] = min_max_score(capex_data['return_3m']) capex_data['drawdown_score'] = min_max_score(capex_data['max_drawdown_1y'])
capex_data['market_recognition_signal'] = ( capex_data['return_1y_score'] * 0.40 + capex_data['return_6m_score'] * 0.30 + capex_data['return_3m_score'] * 0.20 + capex_data['drawdown_score'] * 0.10 ) * 100
capex_data['market_recognition_signal'] = capex_data['market_recognition_signal'].round(2) capex_data[['ticker','company','capex_layer','return_1y','return_6m','return_3m','max_drawdown_1y','market_recognition_signal']].sort_values('market_recognition_signal', ascending=False).head(10)
故事在这里变得更加有趣。
市场认可列表中不仅有超大规模企业和芯片公司。Comfort Systems、Vertiv、Quanta Services、Dell、Applied Materials 和 Lam Research 也表现强劲。这是 AI 资本支出交易正在扩展到物理基础设施层的第一个明确信号，而不仅仅局限于通常的大型 AI 股票篮子。
此时，我们已经有了两个独立的视角。
* 基本面信号告诉我们业务是否看起来强劲。
* 市场认可信号告诉我们股票是否已经被奖励。
现在我们可以将两者放在同一个图表上。
plt.figure(figsize=(12, 8))
plot_data = capex_data.dropna( subset=['market_recognition_signal', 'fundamental_signal', 'market_cap'] ).copy()
plot_data['bubble_size'] = np.sqrt(plot_data['market_cap']) / 5000
for layer in plot_data['capex_layer'].unique(): layer_data = plot_data[plot_data['capex_layer'] == layer]
plt.scatter( layer_data['market_recognition_signal'], layer_data['fundamental_signal'], s=layer_data['bubble_size'], alpha=0.6, label=layer )
for _, row in plot_data.iterrows(): if row['market_recognition_signal'] > 55 or row['fundamental_signal'] > 45: plt.text(row['market_recognition_signal'] + 0.8, row['fundamental_signal'] + 0.8, row['ticker'].replace('.US', ''), fontsize=10)
plt.axvline(plot_data['market_recognition_signal'].median(), linestyle='--', linewidth=1) plt.axhline(plot_data['fundamental_signal'].median(), linestyle='--', linewidth=1)
plt.text(median_market + 2, median_fundamental + 55, 'Strong fundamentals,\nmore recognized',fontsize=10) plt.text(4, median_fundamental + 55,'Strong fundamentals,\nless recognized',fontsize=10) plt.text(median_market + 2, 4, 'High market recognition,\nweaker fundamentals',fontsize=10) plt.text(4, 4, 'Less clear in this framework', fontsize=10)
plt.title('AI Capex Matrix: 基本面 vs 市场认可') plt.xlabel('市场认可信号') plt.ylabel('基本面信号') plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left') plt.tight_layout() plt.show()
这是研究中最实用的图表。
它明确了一点：AI 资本支出不会集中在一个单一的集群中。
NVIDIA 是明显的基本面异常值。这合情合理。它的增长和利润率几乎无法与其他任何公司相比。
但图表的右侧是更广泛故事的起点。AMD、Marvell、Vertiv、Comfort Systems、Dell、Lam Research、Applied Materials 和 Quanta Services 显示出更强的市场认可度。这是一个非常不同的公司组合。有些与芯片相关，有些与设备相关，还有一些与物理基础设施相关。
这很重要，因为它表明市场不仅在奖励最显而易见的 AI 公司，也在奖励那些帮助将 AI 资本支出转化为实际基础设施的公司。
这是本文的主要转变：AI 资本支出交易开始看起来更像是一个建设链条，而不仅仅是一个科技篮子。
## 市场最认可哪些 AI 基础设施层？
矩阵在公司层面很有用。但 AI 资本支出交易也需要按层进行分析。
因此，接下来我按 `capex_layer` 对公司进行了分组，并计算了中位回报和中位信号得分。
layer_performance = capex_data.groupby('capex_layer').agg( company_count=('ticker', 'count'), median_return_1y=('return_1y', 'median'), median_return_6m=('return_6m', 'median'), median_fundamental_signal=('fundamental_signal', 'median'), median_market_recognition=('market_recognition_signal', 'median') ).reset_index()
layer_performance = layer_performance.sort_values('median_return_1y', ascending=False)
layer_performance
然后我绘制了按基础设施层划分的中位一年回报率。
plt.figure(figsize=(11, 6))
plt.barh(layer_performance['capex_layer'], layer_performance['median_return_1y'] * 100)
plt.gca().invert_yaxis()
plt.title('按 AI 基础设施层划分的中位 1 年回报率', fontsize=14, pad=12) plt.xlabel('中位 1 年回报率 (%)') plt.ylabel('')
plt.grid(axis='x', alpha=0.25)
plt.tight_layout() plt.show()
这张图表让故事变得不那么显而易见。
建筑和工程在中位一年回报率中排名第一，其次是半导体设备、AI 计算和芯片、服务器和存储。这并不是人们通常谈论 AI 交易的方式。
重点并不是说建筑和工程自动成为最好的 AI 资本支出层。样本量较小，因此结果应被视为方向性的。但它仍然告诉我们一些有用的信息：市场已经在奖励 AI 基础设施的物理建设方面，而不仅仅是销售芯片或云服务的公司。
这是更大的要点。一旦 AI 资本支出成为现实世界的基础设施，交易就会在与设备、服务器、电力工程和建筑相关的公司中显现。
这是我发现 AI 资本支出交易中最实用的部分。
显而易见的 AI 故事从芯片和超大规模公司开始。但一旦支出成为实际基础设施，清单就会变得更广泛。AI 数据中心需要服务器、网络设备、电力系统、冷却、电网工程、电气建设和物理容量。
因此，我过滤了数据集，专注于非显而易见的基础设施层。
physical_layers = ['Power and electrification', 'Cooling and industrial systems', 'Construction and engineering', 'Data centers', 'Servers and storage', 'Networking']
physical_infra = capex_data[capex_data['capex_layer'].isin(physical_layers)].copy() physical_infra = physical_infra.sort_values(['market_recognition_signal', 'fundamental_signal'], ascending=False) physical_watchlist = physical_infra[['ticker', 'company', 'capex_layer', 'revenue_growth_yoy', 'operating_margin', 'return_1y', 'return_6m', 'fundamental_signal', 'market_recognition_signal']].head(12)
physical_watchlist.head(10)
Comfort Systems、Vertiv、Dell、Quanta Services、Cisco、HPE、EMCOR、Equinix、Johnson Controls 和 Digital Realty 都位于物理建设的不同部分。有些与服务器相关，有些与电力和电气化相关，还有一些与数据中心、冷却或建筑相关。
关键点很简单：市场已经将物理基础设施层的某些部分视为 AI 资本支出故事的一部分。
这并不意味着这里的每个名称都有相同的质量和相同的上升空间。基本面信号差异很大。但表格显示了为什么只关注“AI 软件”或“AI 芯片”名称会错过支出链的很大一部分。
## 市场已经注意到的内容
这一部分很重要，因为并非所有 AI 资本支出名称都处于早期阶段。
链条中的一些公司已经大幅上涨。这并不意味着它们是弱公司，但改变了问题。在这一点上，问题不再是公司是否暴露于 AI 基础设施。更好的问题是市场是否已经将大部分这种暴露计入价格。为了验证这一点，我根据市场认知信号对整个数据集进行了排序。
market_already_noticed = capex_data.sort_values('market_recognition_signal', ascending=False).head(10).copy()
market_already_noticed['return_1y'] = (market_already_noticed['return_1y'] * 100).round(2)
market_already_noticed['return_6m'] = (market_already_noticed['return_6m'] * 100).round(2)
market_already_noticed['return_3m'] = (market_already_noticed['return_3m'] * 100).round(2)
market_already_noticed['max_drawdown_1y'] = (market_already_noticed['max_drawdown_1y'] * 100).round(2)
market_already_noticed = market_already_noticed[['ticker', 'company', 'capex_layer', 'return_1y', 'return_6m', 'return_3m',
'max_drawdown_1y', 'market_recognition_signal', 'fundamental_signal']]
market_already_noticed
这份列表是一个有用的现实检验。
Comfort Systems、AMD、Marvell、Vertiv、Lam Research、Dell、Applied Materials、Quanta Services、Cisco 和 Alphabet 都显示出强烈的市场认知。关键在于这些公司的多样性。它涵盖了芯片、半导体设备、服务器、网络、电源、建筑以及超大规模企业。
这告诉我们，AI 资本支出交易在价格走势上已经变得更加广泛。它并未静静地等待在幕后。
但这同时也意味着我们需要谨慎对待“隐藏受益者”这一框架。一些基础设施相关公司的年度回报已经非常可观。因此，更明智的后续问题不是：
“哪些公司有暴露于 AI 的风险？”
而是：
“市场已经对这些暴露程度认可以多少？”
本研究的发现
当我们不再将 AI 资本支出交易视为一组“AI 股票”时，它会更容易理解。
数据清楚地展示了三点。
首先，显而易见的公司仍然重要。NVIDIA 仍然是这个领域中最纯粹的基本面异常值，而与芯片相关的公司继续处于 AI 基础设施故事的核心位置。
其次，这一交易已经超越了芯片领域。半导体设备、服务器、网络、电源和建筑相关公司在市场认知数据中均有体现。这合情合理。AI 基础设施不仅仅是模型训练。它还需要物理容量、电气系统、冷却设备、数据中心和建设工作。
第三，市场认知和业务实力并不总是同步发展。一些公司基本面强劲但价格走势较为平静，而另一些公司尽管基本面信号不强，但价格已经大幅上涨。这就是为什么简单的“AI 受益者”标签并不足够的原因。
结论
AI 资本支出不仅仅是大型科技股的故事，它是一条支出链。
一旦我们追溯这条链，主题就会变得更加广泛和有趣。它从芯片扩展到半导体设备，从服务器扩展到网络，从数据中心扩展到电源、冷却和建筑。
本研究的目标不是找到最好的 AI 基础设施股票，而是构建一个更清晰的地图，展示这一交易已经在哪些地方显现。
这个地图很重要，因为 AI 故事的下一阶段可能不再取决于谁最常提及 AI，而是取决于谁最接近使 AI 成为可能的基础设施。
- * *
- * *
免费学习编程。freeCodeCamp 的开源课程已帮助超过 40,000 人成为开发者。立即开始