【东吴深度】本周重点报告(8.3-8.9）

行业深度

创新药估值方法论——从分子到公司

AI系列深度26期：云端基座模型如何在毫秒级车端跑起来

AI系列深度25期：从模仿学习到强化学习的范式跃迁

AI系列深度24期：世界模型作为“数据工厂”

AI系列深度23期：智能驾驶的表征演进

AI系列深度22期：智能驾驶VLA模型的架构范式与厂商路线

AI系列深度21期：物理AI如何从架构借鉴走向模型迁移？

AI系列深度20期：如何看物理场景中数字AI 的能力边界？

AI系列深度18期：生成智能如何引入Transformer？

AI系列深度19期：多模态如何从模型拼接走向统一？

科创新材料ETF南方（588160.SH）投资价值分析：布局科技基石，共享国产替代

AI系列深度17期：视觉智能为何引入Transformer？

AI系列深度16期：语言智能为何从RNN转向Transformer？

重卡全球化专题02：基建物流双轮驱动东南亚扩容，中国重卡出海进入收获期

AI系列深度15期：Transformer如何开启AI第二次爆发？

评级跟踪季后，评级监管收紧的后续影响怎么看？

中国人身险银保渠道系列报告二：他山之石，可以攻玉

AI系列深度14期：深度学习如何开启AI第一次爆发？

AI系列深度13期：世界模型如何实现？

8 月度金股：降波蓄势，结构致胜【勘误版】

上期有色金属指数，2026年7月复盘与8月展望

AI系列深度12期：从模块化到端到端

长鑫科技上市之前，地方国资的科技“棋局”形势如何？

老龄化约束下的硬科技路径：日本经验与宏观传导

黄金ETF，2026年7月复盘与8月展望

AI研究系列之三：Agent时代，Skill为核 —— 投研成果的可调用化实践

AIDC发电专题报告：缺电逻辑下燃机已开始释放利润，重视0-1的SOFC

纳斯达克100ETF，7月复盘与8月展望

半导体设备行业深度： AI发展带动HBM需求爆发，看好半导体设备商充分受益

公司深度

中国宏桥（01378.HK）：全产业链铸就成本护城河，高股息引领价值重估

国投中鲁（600962）：浓缩苹果汁龙头，战略转型半导体“卖铲人”

行业深度

朱国广

医药首席分析师

S0600520070004

创新药估值方法论——从分子到公司

报告发布日期：2026-08-08

创新药估值的核心是折现未来现金流，而非当期盈利。 前期投入大、兑现周期长、临床不确定性高，使当期利润无法反映未来价值——一家 Biotech 可能在亏损年度恰好坐拥最具潜力的管线。PE/PB 在创新药估值中系统性失效，DCF/rNPV 才是主流工具；估值重点不在当下是否盈利，而在管线未来能创造多少现金流、当下应当折算为多少价值。

峰值销售可自下而上逐层拆解，每一项参数都有客观依据。 峰值销售＝患者人数×渗透率×市占率×用药时长×治疗费用，再乘临床成功率系数。患者人数按流行病学文献逐层收窄（新发→分型→分期→突变率），渗透率参照同类药品销售曲线，定价对标医保谈判结果，用药时长取临床试验 mPFS 或疾病特征——每一环节都可追溯数据来源、交叉验证，确保模型可靠性。

临床成功率是估值的关键变量，数据读出与 BD 进展会触发价值重估。全球 I 期到获批综合概率仅约 10.4%，肿瘤更低；中国 Biotech 经 I 期筛选后可给 II 期 40–50%、III 期 70%、阳性数据读出后 90%成功率。临床优效数据或 MNC 的 License-out 背书等事件会同步上修分子成功率与峰值销售预期，引发估值跳升——这是创新药催化剂驱动的本质，也是 Biotech 股价事件性波动的根源。

出海可将分子价值放大数倍，BD 条款可独立折算为管线 NPV。 海外单价为国内的 5–10 倍、无医保降价压力；License-out 的首付+里程碑+销售分成可独立折现计入管线价值，MNC 背书本身即代表对概率与价值的独立验证。无论自主出海、Co-Co 还是 License-out，海外 NPV 最终锚定于潜在销量×合理分成，模式选择影响现金流归属与节奏，而非分子本身的海外潜力。

仿创转型企业适合分部估值，避免低估值主业淹没高弹性管线。 仿制药受集采压制、按 PE 给低倍数，创新管线按 rNPV/PS 给高弹性，两类资产风险收益特征截然不同。分部估值把主业底仓+各创新分子 rNPV+净现金分别定价后加总得公司市值，与单一 DCF 互为验证；创新管线占比越高，说明转型越深入、未来弹性越大。

估值方法随成长阶段演进，从管线 rNPV 到分部估值再到平台价值。Biotech 期看管线 rNPV 与现金跑道，成长期看分部估值与商业化执行力，成熟期看全球销售放量与平台延展性。每一阶段的估值方法都对应其最关键的现金驱动因素；随着公司从单管线 Biotech 成长为跨国药企，市场将不再单纯按分子 rNPV 定价，而是给予平台溢价。

PS 是即将上市分子的简化估值锚，与 DCF 高度一致。对 1–3 年内上市的分子，PS 倍数（峰值销售的 3–4 倍）与 DCF 高度一致，可直接用作快速估值锚。管线价值≈峰值销售×峰值持续年数×稳态净利率×折现因子÷成功率，最终收敛到峰值销售的倍数关系；第一三共市值与 Enhertu 峰值预期同步涨落，验证了 PS 逻辑在实战中的有效性。

投资建议：重点推荐科伦博泰生物、泽璟制药。建议关注信达生物、众生药业、康诺亚、热景生物、艾迪药业等。

风险提示：研发进展不及预期，商业化推进不及预期，海外审批或收益不达预期，集采风险，药品和耗材降价超预期风险，国际地缘政治风险等风险。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度26期：云端基座模型如何在毫秒级车端跑起来

报告发布日期：2026-08-07

学术缩放定律与车端工程约束对应不同的优化目标。Kaplan、Chinchilla等缩放定律讨论的是给定训练算力下参数量、数据量与损失之间的最优关系，其“最优”指向训练算力前沿，并未把推理成本和毫秒级实时时延纳入目标函数。将推理成本显式纳入后，部署最优点会向更小模型、更多训练数据偏移；智能驾驶则进一步强化了这一部署约束。

车端实时性构成大模型上车的核心约束。自动驾驶模型必须在固定车规算力上满足帧率、端到端时延和功能安全要求，大型视觉 Transformer 叠加大语言模型难以在现有车规算力下持续满足高频推理要求。理想披露VLA 推理帧率约 10Hz，NVIDIA Alpamayo-R1 论文披露端到端推理时延 99ms，小鹏称第二代 VLA 指令输出时延压缩至 80ms 以内。

云端基座模型的效率优化主要可归纳为两类路径：一是通用模型稀疏化和注意力/KV 缓存压缩，如 MoE、MLA、MTP、FP8、线性注意力等；二是面向驾驶的视觉 Token 剪枝、动态/隐式 Token 和思维链压缩，用更少 Token 承载关键场景信息。其目标是在云端继续探索能力上限，同时降低长序列和多模态推理成本。

车端时延压缩更强调可部署性，主流范式是 “云端大模型蒸馏上车+快慢双系统”。Waymo 通过教师—学生蒸馏把大模型能力迁移到实时学生模型，并采用 Think Fast/Think Slow 架构；理想由云端基座蒸馏出车端VLA，并用扩散流匹配减少去噪步数；小鹏则以基座蒸馏和视觉思维链效率提升，降低车端推理时延。

我们归纳，未来云车分工或趋于“云端探上限、车端保实时”。云端模型负责更大规模、更复杂推理和世界模型训练，车端模型则围绕低时延、稳定性和安全冗余做压缩部署。该判断仍受蒸馏能力上限、统一评测缺失、芯片供给、量产时间表和功能安全验证约束，因此，训练侧的规模扩张逻辑不能直接外推至车端部署。

我们认为,数字 AI 底座模型发展路径已逐渐清晰、价值在于确定性，但其难以实现物理世界的建模闭环；我们认为物理 AI 将成为物理世界的AI 解决方案，从而在 AI 的当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，我们认为应重点关注。

风险提示：技术迭代不及预期的风险；大模型厂商 ARR 增速放缓的风险；云服务商资本开支不及预期的风险；智能驾驶及机器人商业化落地不及预期的风险。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度25期：从模仿学习到强化学习的范式跃迁

报告发布日期：2026-08-07

模仿学习的能力上限在数字 AI 与物理 AI 之间存在结构性分野。大语言模型预训练本质上是对互联网级人类知识的规模化模仿，学习对象覆盖公开语料中的多领域知识，广度上限高于单一专家，因此可形成较高能力底座；自动驾驶端到端模型主要学习人类驾驶轨迹，而 L4 安全目标要求显著超越平均人类表现，模仿学习天花板约束更强。

闭环驾驶会放大模仿学习的结构性缺陷。行为克隆在训练分布内表现稳定，但一旦进入示范数据未覆盖状态，模型输出偏差会推动车辆进入新的状态分布，形成协变量漂移；长尾、危险和事故场景也难以依靠真实道路主动采集。强化学习因而不只是后训练补强，而是驾驶模型突破模仿边界的重要环节。

强化学习与世界模型在物理 AI 中形成双向共生。真实道路无法承担反复试错、失败重置和危险事件注入，世界模型因此成为策略训练、奖励设计与安全验证的闭环试错场；同时，真实数据回流与策略训练也会暴露仿真偏差，推动世界模型持续校准。

产业实践正在向“端到端+世界模型仿真+强化学习后训练”收敛，但具体路线仍有分化。特斯拉、小鹏、理想、Momenta、地平线、千里科技、卓驭、元戎启行等均已公开将强化学习纳入训练链路；小鹏、理想、元戎、千里更偏向 VLA 或多模态路线，华为、Momenta、地平线相对弱化语言中介，更强调世界模型构建与强化学习闭环。

L4 Robotaxi 路线更关注大规模闭环仿真、安全冗余和超越人类驾驶水平。小马智行 PonyWorld 等公开表述突出强化学习范式和世界模型仿真，Waymo、文远知行则更多强调基础模型、大规模仿真和端到端能力建设。行业共性是以仿真环境承载闭环训练，差异集中在语言中介、强化学习披露程度和量产辅助驾驶/L4 运营定位。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度24期：世界模型作为“数据工厂”

报告发布日期：2026-08-07

物理 AI 与数字 AI 的根本差异，首先体现在表征获取方式上。文本天然离散且带语义，数字 AI 输入具备较强可 token 化基础；物理世界的输入则由连续光子、点云、运动和空间关系构成，缺乏天然通用的物理世界 token 化方案。因此，物理 AI 需要先构建三维物理空间的可学习表征，再进入规划、控制和行动。

以智能驾驶为例，表征演进可概括为原始像素、BEV/VectorNet、Occupancy、多模态 Token 和潜在状态五个阶段。原始像素端到端简洁但缺少结构约束；BEV+Transformer 与矢量化 VectorNet 是同一层级的两条并行路线，分别以特斯拉和 Waymo 为代表，前者把多摄像头信息统一到鸟瞰三维空间，后者把道路和参与者抽象成数学对象；Occupancy从识别对象类别转向判断空间占据；多模态 Token 连接视觉、语言和动作；潜在状态则把世界压缩到可预测空间。

物理 AI 中的 token 化器本质上是重型编码网络。文本分词通常只是把离散符号映射为 token，而车端 BEV 编码器、占用网络、VAE、3D 编码器等承担了从连续物理输入到可学习表征的核心转换。离散化和嵌入不是预先给定的，而是由网络学习形成；这也是物理 AI 相较数字 AI多出的一道关键工程门槛。

从公司证据看，特斯拉、小鹏、华为、理想、Waymo、Wayve 等路线虽不同，但共同主线是从目标级识别走向空间级理解，再走向潜在状态预测。多种表征长期并存，并非简单替换：BEV 与矢量、占用、3D 高斯、世界模型潜空间，分别服务不同层次的感知、预测、仿真和规划需求。

世界模型可能成为表征训练的关键手段。标签稀缺使物理世界嵌入难以完全依赖人工监督，GAIA、Cosmos、JEPA 系等世界模型通过自监督预测未来状态、生成场景或学习潜在动力学，帮助模型在无标注或弱标注条件下形成更统一的物理表征。竞争壁垒正从单点感知精度，前移到如何将物理世界嵌入可预测潜在空间。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度23期：智能驾驶的表征演进

报告发布日期：2026-08-07

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度22期：智能驾驶VLA模型的架构范式与厂商路线

报告发布日期：2026-08-07

智能驾驶 VLA 的核心，是将视觉感知、语言理解与动作决策整合进同一策略模型，并通过显式动作头弥合 VLM4AD 留下的动作生成缺口。从技术演进看，自动驾驶经历模块化流水线、端到端、VLM4AD 再到VLA4AD：VLM 能解释场景但难以直接生成可靠控制，VLA 则进一步把动作作为模型输出，使语义理解与驾驶策略更紧密耦合。

VLA4AD 的核心架构通常包括视觉编码器、语言处理器和动作解码器三部分。视觉编码器将摄像头、激光雷达等异构传感输入转化为隐层特征，并通过 BEV、点云、体素等方式增强三维空间理解；语言处理器引入预训练大模型、LoRA 或 RAG 等方法注入驾驶知识；动作解码器再将融合后的多模态表征转化为轨迹、控制量或动作 token。

VLA4AD 自身可归纳为被动解释器、规划协作者、统一动作生成器、推理中枢四个阶段；主要挑战包括鲁棒性、实时性能、数据与标注、多模态对齐、多智能体协同和评测标准化。这意味着 VLA 并非单一固定架构，而是自动驾驶端到端路线向大模型、多模态和动作生成继续演进的总称。

厂商路线已出现差异化。Waymo EMMA 以 Gemini 驱动纯端到端，并将导航、状态、轨迹等统一到语言空间；理想从 E2E+VLM 双系统升级至MindVLA 统一架构，以 3D 高斯、MoE 和扩散动作解码组织三维理解、语义推理和轨迹生成；元戎启行以 40B VLA 基座设置 Driver、Analyst、Critic 三角色；千里 CoWorld-VLA 则通过多专家世界模型 Token 构建规划相关隐空间表征。

小鹏第二代 VLA 进一步弱化显式语言中间层，以原生多模态 Tokenizer和视觉思维链直达动作，本质上趋近视觉—动作路线。由此可见，头部厂商在是否保留显式语言推理层上已经分化：一类强调语言作为慢思考和可解释中枢，另一类强调隐式视觉表征和动作直出。后续竞争将集中在实时性、数据闭环、评测口径和量产可靠性。

风险提示：技术迭代不及预期的风险，大模型厂商 ARR 增速放缓的风险，云服务商资本开支不及预期的风险，智能驾驶及机器人商业化落地不及预期的风险。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度21期：物理AI如何从架构借鉴走向模型迁移？

报告发布日期：2026-08-07

物理 AI 正建立在数字 AI 能力外溢的基础之上，且借鉴层级正在上移。早期迁移主要发生在架构理念层面，Transformer 注意力机制、BEV、端到端等方法被引入驾驶感知、轨迹预测和一体化规划；近年则开始向模型层面迁移，Waymo EMMA 构建于 Gemini 之上，理想 MindVLA、小鹏世界基座模型等车端 VLA 实践，均体现数字 AI 基础模型能力向物理AI 扩展。

可迁移红利并非线性外推，而会随任务靠近真实物理世界而收窄。越偏向语义理解、规划和多模态表征，数字 AI 既有模型与训练范式的可复用性越强；越接近实时三维感知、接触控制、安全攸关决策和高物理闭环，直接迁移比例越低。总体看，数字 AI 提供能力底座，物理 AI 仍必须补足物理世界表征、真实数据和安全闭环。

物理 AI 相较数字 AI 的第一项系统差异在表征。文本天然离散且带语义，数字 AI 输入具备较强结构化基础；物理世界则由连续光子、点云、运动和接触构成，必须先被编码为可学习的三维空间表征。VectorNet、BEV+Transformer、Occupancy、三维高斯等技术，本质上都是对物理世界进行模型可读表征的不同路径。

第二项差异在数据。数字 AI 训练语料大量沉淀在互联网中，Scaling 核心是抓取、清洗和压缩已有数据；物理 AI 最有价值的长尾、事故和极端场景天然稀疏、昂贵且危险，单靠真实路测难以覆盖。世界模型因此被推向“数据工厂”位置，用于重建、生成和放大稀缺场景，为策略训练与安全验证提供可控环境。

第三项差异在学习范式。数字 AI 模仿的是互联网级人类知识，模仿上限对应超人类广度，强化学习更多承担对齐和推理增强功能；物理 AI模仿对象常是平均人类司机，而安全目标要求显著超越人类，单纯模仿的上限更低。强化学习在高物理闭环任务中更像突破能力边界的关键环节，而非后置修补。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度20期：如何看物理场景中数字AI 的能力边界？

报告发布日期：2026-08-07

我们认为，现阶段数字 AI 与物理 AI 的发展关系可概括为"承接—分化—融合"，是长期协同演进而非先后替代。伴随 AI 应用场景由信息空间走向物理世界，数字 AI 的理解与规划能力或将同物理 AI 的感知、动作与安全闭环在同一系统中协同放大，实现长期协同演进。

从应用场景看，数字 AI 与物理 AI 沿物理闭环程度形成连续谱。判断场景位置的关键，在于任务是否需要在真实物理世界完成"感知—决策—动作—反馈"闭环，以及闭环对实时性与安全性的要求。越靠近信息空间，数字 AI 通常能够独立完成更多任务环节；越靠近真实物理世界，实时感知、动作控制与安全闭环的重要性越高。随物理闭环加深而下降的，是数字 AI 单独完成闭环的充分性，而非其作为语义理解、高层规划和人机交互组件的价值；由低物理闭环场景向高物理闭环场景延伸，是大模型能力外溢的重要方向之一。

从技术路径看，两者底层同源、闭环分化。Transformer 等神经网络架构是两类系统共同的底座，分化发生在作用对象、训练目标与闭环要求上：数字 AI 围绕"数字数据—Token 化—基础模型—指令对齐—工具调用"展开，预测对象是 token、内容结果与软件状态；物理 AI 围绕"传感器输入—状态表示—动作生成—运动控制—反馈闭环"展开，预测对象是动作、轨迹与动作后果。能力边界的约束因素也随之不同：数字 AI 主要受事实可靠性、上下文管理、持续记忆和工具调用稳定性约束，物理AI 主要受动作数据稀缺、物理长尾场景、实时控制、安全验证和Sim2Real 迁移约束；两类约束均难以依靠单纯扩大模型规模自动解决。

从能力迁移看，物理闭环越深，数字 AI 能力直接复用的难度越高。迁移呈现三层结构：纯信息空间场景中，理解、生成、推理与软件操作能力可直接完成主要任务；近似物理世界场景中，视觉内容生成与多模态预训练高度同源，工程仿真则依赖物理引擎与场景建模；真实物理世界场景只能分模块复用——语义理解与高层规划可迁移，状态维护、动作生成、实时控制和安全验证必须由专用技术补足。"看起来像世界"与"能被物理系统安全依赖"对应不同的能力门槛：视觉生成能力可以构成物理 AI 的数据与模型基础，但不能直接等同于可部署的物理闭环能力。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度18期：生成智能如何引入Transformer？

报告发布日期：2026-08-07

生成式视觉的本质，是学习图像数据背后的分布规律，并在文本条件下生成新内容。本轮生成式视觉的核心范式迁移发生在 GAN 与 Diffusion之间；扩散以更稳定的加噪—去噪学习确立生成主干，其潜空间建模与交叉注意力机制，也为 Transformer 的介入预留了接口。不同于语言领域中Transformer对RNN的快速替代，其在视觉生成任务中沿序列生成、条件编码、骨干替换与多模态扩展四个环节渐进渗透，

以代表论文为锚，我们将 2013 年以来生成式视觉的发展划分为五个阶段：VAE 与 GAN 奠基（2013—2015 年）、GAN 主导高真实感生成（2016—2019 年）、扩散复兴与理论统一（2020—2021 年）、文生图爆发（2022年）、DiT 与视频/多模态扩展（2023 年至今）。

Transformer 进入生成式视觉领域，经历了由局部模块引入到核心架构替换的渐进式演进。早期阶段，Transformer 主要作为自回归生成器，将文本与图像表示统一为离散 token 序列，实现视觉内容的序列化建模：2021 年 DALL·E 将文本 token 与图像 token 联合建模，证明图像可被token 化、并以类似语言模型的方式生成。随后，随着 CLIP 等视觉语言模型的发展，Transformer 进一步承担文本语义编码与条件信息注入功能，通过跨模态对齐提升对文本指令的理解能力；Imagen 与 StableDiffusion 则推动大语言模型编码器与扩散模型相结合。

随着视觉数据 token 化与大规模训练范式的发展，Transformer 开始进入生成模型的核心模块。2023 年 DiT 以 Transformer 替代传统扩散模型中的 U-Net 骨干网络，在潜空间图像 patch 上建模，验证了视觉生成同样具备规模化扩展潜力；不过其改变的是网络骨干，而非扩散去噪范式本身。进一步来看，Transformer 正逐步成为视频与多模态生成系统的统一建模框架，推动生成模型由单图创作向连续时空与多模态交互演进。整体而言，相比语言领域对 RNN 架构的全面替代，Transformer 在视觉生成领域更多体现为渐进式渗透：从生成器、条件编码器到核心骨干网络逐步深化。

风险提示：技术迭代与产品化落地不及预期的风险；视频与多模态生成的时间一致性与可控性不及预期的风险；大模型厂商 ARR 增速放缓、云服务商资本开支不及预期的风险；智能驾驶及机器人商业化落地不及预期的风险。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度19期：多模态如何从模型拼接走向统一？

报告发布日期：2026-08-07

多模态智能的本质，是把文本、图像、音频、视频等映射进统一表示，并在此基础上完成理解、推理、生成与交互。我们认为，多模态是 AI2.0“架构、任务、模态三重收敛”在模态维度的集中兑现。

我们依据“模态对齐发生在流程的哪个阶段”，将多模态的发展过程划分三阶段：2021—2023 年为外挂式/组合式阶段，CLIP、Flamingo、BLIP-2、LLaVA 等通过视觉编码器、投影层、Q-Former 或指令微调把图像接入语言模型；2023—2024 年进入原生多模态阶段，Gemini 代表多模态能力从接口层前移到预训练阶段；2024 年至今进入全模态 Omni阶段，GPT-4o 将文本、视觉和音频输入输出纳入同一实时交互闭环。

沿三阶段看，主线是对齐位置不断前移、转换损耗逐级下降。外挂式阶段工程效率高，但图像先被视觉编码器压缩再送入语言模型，细节、空间关系和时序信息存在损耗；原生阶段让文本、图像、音频、视频从训练早期共同参与表示学习，提升复杂真实任务中的泛化能力，同时显著抬高数据、训练系统和跨模态对齐门槛；Omni 阶段进一步将多模态从“统一预训练”推进到“实时统一交互”，补齐听、看、说的互动性。

我们认为，Omni 并非多模态发展的终点，理解与生成统一、多模态深度推理有望成为下一阶段两条核心主线。其一，理解偏重高层语义，生成需保留空间结构与纹理细节，二者存在表征冲突，业界正沿纯自回归、扩散及二者融合等范式，探索共享编码或“编码解耦、主干统一”。其二，以 o1 为代表的深度推理已由语言扩展至图像、视频和具身场景，但当前仍以语言思维链为主；视觉工具增强、视觉—语言交错推理、多模态潜空间推理等方向正在加速发展，以视觉表示或多模态潜变量为原生载体的推理仍处于早期阶段。

刘奕町

煤炭有色钢铁首席分析师

S0600526060002

科创新材料ETF南方（588160.SH）投资价值分析：布局科技基石，共享国产替代

报告发布日期：2026-08-07

投资要点

新材料投资逻辑：从算力到材料，科技需求的终极落脚点。从产业价值链分配观察，关键材料因其极高的技术壁垒与供给稀缺性，占据着产业链中不可替代的“卡脖子”环节，价值中枢正由下游品牌与组装环节向上游高壁垒材料环节回摆。以半导体材料为例，EUV 光刻胶、超高纯特种气体、先进制程靶材等高端材料，国产化率不足 10%。自科创板开板至 2025 年底，新材料产业累计募集资金 699 亿元，支持了 90 家新材料企业上市。2025 年我国新材料产业总产值突破 8.2 万亿元，较 2020 年增长 150%。半导体与新能源等核心下游产业正陆续走出库存周期的底部区域，为上游材料需求的实质性回暖提供支撑，据 SIA 统计，2025 年全年全球半导体销售额同比增长 26%，重回历史高位。

细分板块：半导体、新能源、军工三线并进。1）半导体材料短期受益 AI 算力与存储涨价红利，长期依托国产替代打开数十年成长空间。全球半导体材料市场 2025 年创纪录达 732 亿美元（+6.8%）；WSTS 预计 2026 年全球半导体市场达 1.5 万亿美元（+90%），材料需求水涨船高。需求端由产能扩张×单耗提升双驱动：2028 年前全球新建 108 座晶圆厂（中国 47 座），AI服务器硅片用量达通用 3.8 倍。涨价由硅片与六氟化钨引领。国产替代分层突破，2025 年我国半导体材料综合自给率约 20%—30%，高端品类不足 5%；细分来看，硅片稳增、胶气攻坚、树脂弹性最强。2）新能源材料是科创新材料指数的重要组成部分，主要包括锂电池上游的正极、负极、电解质、电解液添加剂等关键环节。更值得关注的是固态电池的产业化加速，固态电池将电解液和隔膜替换为固态电解质，核心变革带来正极（高镍三元/富锂锰基）、负极（硅碳→金属锂）、电解质（氧化物/硫化物）等全新材料需求。3）军工新材料是"十五五"确定性方向之一，受军贸、新质战斗力、订单逐季复苏、C919 加速交付四大逻辑支撑。从军工材料细分方向看：（1）钛合金：钛合金凭借其高比强度、耐高温、耐腐蚀等优异性能，已成为航空航天领域的关键结构材料，其应用比例伴随装备代际更迭呈现持续上升趋势;（2）碳纤维：风电、体育休闲市场高景气需求回暖，军品客户转换成本高、盈利稳定；（3）超导材料：根据赛迪数据，2024 年全球第二代高温超导带材市场规模为 7.9 亿元，同比增长 77.3%，预计 2030 年市场将超百亿规模，达到 105.0 亿元，2024 至 2030 年间的复合增长率为 53.9%；（4）高温合金："两机专项"攻坚及国产航发列装加速。

科创材料指数（000689）：半导体材料占比最高、弹性最优。指数选取 50 只科创板新材料公司，自由流通市值加权、单只权重不超 10%。截至 2026 年 8 月 2 日，前十大权重股合计占比49.54%。对比其他 3 大材料指数，科创材料指数呈现显著的"小市值、更分散、高成长"特征：50 只成分股中 32%自由流通市值低于 100 亿元，成分股市值中位数 144 亿元；按申万二级行业划分，科创材料指数权重最高的三个行业分别为半导体（25%）、电子化学品（20%）和电池（15%），半导体制造材料与电子化学品合计超过 40%，是全市场半导体材料占比最高的指数。科创材料指数的弹性优势在 2024 年“9.24”行情启动以来表现尤为突出，至 2026.08.02 涨幅约 103%，显著跑赢其他材料指数，区间回报率 140%，位居四大新材料指数首位。

科创新材料 ETF 南方（588160.SH）：跟踪精准、业绩优异。基金由南方基金管理，完全复制法跟踪科创材料指数，力争日均跟踪偏离度≤0.2%、年跟踪误差≤2%。2025 年 6 月 30 日至2026 年 6 月 30 日，科创新材料 ETF 南方产品份额净值增长率为 139.42%，同期业绩基准增长率为 136.69%，差值为 2.73%。产品的年化跟踪误差约 0.38%，远低于基金合同约定的 2%上限；净值增长率标准差为 2.10%，与业绩比较基准标准差完全一致，显示出优秀的跟踪精度。科创新材料 ETF 南方在跟踪收益方面表现突出，对于看好科创新材料板块、希望一键布局全产业链的投资者而言，是优质的配置工具选择。ETF 无需研究复杂细分工艺，一键覆盖半导体材料、新能源材料、军工材料等核心赛道，同时把握周期复苏与国产替代两大核心主线，分享新材料产业长期发展红利。

风险提示：市场风险：科创板个股涨跌幅 20%，科创材料指数估值水平较高。若市场情绪转向或盈利不及预期，高估值品种面临较大的回调压力。行业集中风险：指数集中于新材料细分领域，半导体周期下行或技术路线变革将显著影响表现，中小市值成分股流动性较弱。科创板特有风险：退市更严格、投资者门槛较高导致部分个股流动性不足、行业分布集中可能同涨同跌、传统估值方法适用性有限。投资者应充分评估自身风险承受能力。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度17期：视觉智能为何引入Transformer？

报告发布日期：2026-08-06

视觉 Transformer 化的本质，不是 ViT 对 CNN 的一次性替代，而是图像被 token 化、视觉归纳偏置回归、视觉基础模型形成的渐进过程。CNN之所以在 AI1.0 时代成为视觉核心架构，源于局部连接、权重共享和平移等变三项视觉归纳偏置与图像数据高度契合；但同样的强先验也带来局部感受野、任务专用、封闭标签和全局建模不足等约束，构成Transformer 进入视觉任务的前提。

Transformer 进入视觉的关键，是 ViT 确立“图像 patch 即 token”的表示方式，使二维图像可被改写为一维序列，并接入自注意力和大规模预训练范式。相较 CNN，Transformer 具备全局建模与长距离依赖更优、接口统一利于跨任务与跨模态、可扩展性强等优势，且归纳偏置较弱，在大规模预训练下更能释放数据规模价值；但视觉数据并非天然离散序列，且高分辨率、多尺度和空间先验需求更强，因此视觉演化路径与语言不同，更多表现为融合与再平衡，而非彻底替换。

本报告将视觉 Transformer 演进归纳为三大阶段、九个子阶段。第一阶段是图像被 token 化，Non-local 等注意力模块先补足 CNN 全局建模，ViT 和 DETR 进一步改写图像输入与检测输出范式；第二阶段是可扩展通用骨干，Swin、PVT、CoAtNet 等重新吸收局部性、层级结构和多尺度先验，ConvNeXt 则证明 ViT 训练经验可反哺卷积网络；第三阶段是视觉基础模型，DINOv2/DINOv3、CLIP、SAM/SAM2/SAM3 分别推动自监督通用特征、开放词表图文对齐和可提示分割。

从落地看，视觉智能仍主要是“感知性”中间能力。图像分类、检测、分割、视觉特征等结果通常需要嵌入既有业务流程才能兑现价值，尚未独立形成语言模型式消费级交互入口；视觉的“互动性”更多通过 CLIP、GPT-4V、Florence-2 等视觉语言模型接入语言中枢获得。因此，以语言智能的四次跃迁（架构、规模、对齐、推理）为参照，视觉已完成架构与规模两次跃迁，对齐仅以图文对齐形式部分实现且依附于语言，推理跃迁在视觉侧尚未展现。

风险提示：技术迭代不及预期的风险；大模型厂商 ARR 增速放缓的风险；云服务商资本开支不及预期的风险；智能驾驶及机器人商业化落地不及预期的风险。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度16期：语言智能为何从RNN转向Transformer？

报告发布日期：2026-08-06

语言智能从 RNN 走向 Transformer 的本质，是序列建模从“递归记忆”转向“全局注意力”，并由此打开并行训练、规模扩展和任务统一的空间。RNN 通过隐藏状态沿时间步传递上下文，适合文本、语音等顺序数据，并在 LSTM/GRU、Seq2Seq 和 Attention-RNN 推动下，于 2014—2016 年达到机器翻译等任务的工程高峰；但其串行计算、长距离依赖衰减和固定向量瓶颈，决定了递归范式很难继续承载大模型时代的规模化路线。

Transformer 的关键变化，不在于设计更复杂的记忆单元，而在于以自注意力让序列中任意位置直接交互，使语言建模从受串行结构约束的算法问题，转变为可随算力和数据扩展的工程问题。其优势集中体现在训练可并行、长距离依赖建模更强、结构更易堆叠扩展、归纳偏置更弱并更能释放大规模数据价值；相应代价是长序列计算成本、位置编码和小数据条件下先验不足等问题，这也是循环类结构在部分效率场景仍会延续的原因。

我们以论文与代表成果为锚，将语言 Transformer 演进归纳为七阶段、三大阶段：2017 年自注意力替代递归，完成架构确立；2018—2020 年，BERT、GPT、T5/BART 推动预训练—微调、理解与生成任务统一以及规模律验证，语言模型从特征提取器转向任务执行器；2021 年后，指令微调、RLHF、CoT、RAG、工具调用、o1 和 DeepSeek-R1 等成果继续叠加，使主线从单纯扩大预训练规模，走向后训练优化与测试时计算。

Transformer 出现后，语言领域的研究和产业范式同步改变：研究主线从为每个任务设计专用架构，转向预训练通用底座加下游适配，再转向以对话式通用模型响应多类任务；产业形态则因“互动性”能力发生质变。相较 AI1.0 时代 CNN 输出标签、检测框等感知性中间结果，语言模型可以直接通过自然语言与用户交互，形成反复使用的入口，ChatGPT 由此成为 AI 第二次爆发的产品拐点。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

重卡全球化专题02：基建物流双轮驱动东南亚扩容，中国重卡出海进入收获期

报告发布日期：2026-08-06

东南亚重卡市场进口依赖度高，中国已成为区域进口的核心供给来源。总规模：2024 年东南亚重卡总进口量9.7万辆、进口金额46.7亿美元，疫情后2021年重卡进口量同比大幅增长74.9%，2022-2024 年进口规模基本持平；区域本土产能基本集中于泰国、印尼、马来西亚三国，以日系品牌为主且整体呈萎缩态势，2021-2024年东南亚地区进口占比高达70%-80%，我们估算2024年全年销量约11.8万辆。对标中国发展阶段，马来西亚已接近中国现阶段水平，菲律宾、泰国、印尼、越南可对标 2008-2011 年中国，我们测算2025年东南亚重卡总保有量约183万辆。来源国家：中国与日本是东南亚进口重卡的主要来源国，2024年中国以73.7%的份额稳居首位、出口 7.1 万辆，日本占比 14.6%，2021-2024年出口量维持1.4-1.8 万辆，欧洲、印度、韩国等其余来源合计不足12%。分国别看渗透节奏分化，2024年越南/印尼/菲律宾渗透率93.7%/79.2%/61.7%。关税政策：中国主要依托ACFTA与RCEP获得关税减免，日本除 AJCEP、RCEP 外还与各国签有双边 EPA，在同一税目上往往取得更低税率，欧洲则因欧盟与东盟无整体自贸协定而处于制度性劣势。

东南亚重卡需求由物流、基建、矿业三方面带动，越南、印尼、菲律宾三大主力市场景气节奏明显分化。 越南方面，自2000年起 GDP 增速中枢稳定在5%-7%，深度承接全球产业转移使其货物贸易全球占比跃居东南亚首位，物流需求与进出口总额高度挂钩；国家政策推动基建项目加速落地，水泥产量为跟踪基建类重卡需求的核心指标，同时重卡需求与 CPI 呈显著负相关。印尼方面，2024/2025 年 GDP 增速 5.38%/5.34%，出口以亚洲市场为主，2023年欧美占比仅 17.51%，受欧美需求波动冲击较小，重卡需求同时挂钩进出口总额与煤、铜、锡、铝等关键矿产价格。菲律宾方面，经济以内需驱动，2024 年私人消费占 GDP的72%，同时2021-2024年菲律宾FDI净流入占GDP比重仅占2.37%，基建预算虽持续扩容但受政治周期与腐败问题拖累，2025 年实际拨付大幅低于预算，重卡需求对汇率、油价与货币政策周期高度敏感，短期面临回落压力。展望未来，东南亚重卡销量我们预计由 2024 年的11.8万辆增长至 2030 年的39.3万辆，中国对东南亚重卡销量我们预计由7.1万辆增长至26.3万辆，中国渗透率由61%提升至67%。

竞争格局方面，日系凭先发布局与深度本地化主导存量市场，中国品牌以轻资产模式快速提升渗透率，双方处于增量替代与存量护城河的对峙阶段。 日系自 1960 年代进入，以泰国、印尼为双核心，本地产能较高，渠道普遍与本地财团合资绑定，凭借高残值与低全生命周期成本构筑最深护城河；同时日系正加速整合，采购、开发与生产协同有望进一步强化其成本与产品竞争力。中国品牌2004年后以整车出口起步，沿整车出口、KD 组装、技术授权与合资建厂路径逐级深化，中国重汽以越南、菲律宾为核心市场加速本地化落地，发挥海外渠道布局优势占领市场；福田以泰国为亚太制造中心，与正大集团合资建厂并配套福田康明斯发动机产能。我们认为，本地产能落地、渠道管控力度与售后网络密度是决定中国品牌能否由增量替代转向存量替代的关键变量。

与非洲重卡市场比较：从市场空间角度看，东南亚成长稳定性优于非洲，东南亚发展阶段更靠前，需求由制造业发展与国家政策内生驱动，政策稳定环境下基建、物流需求中短期有望维持快速增长；非洲需求则更多依赖矿业周期传导，叠加汇率波动剧烈、政局扰动因素多，增长弹性大但确定性偏低。从渗透率角度看，非洲竞争格局略优于东南亚，非洲市场二手车与新车并存，欧洲二手车受法规收紧退潮，中国车企新车渗透阻力较小；东南亚日系品牌深度本地化且加速整合，中日正面竞争强度整体偏高，份额提升需以产能与渠道深耕换取。

投资建议：东南亚经济态势向好，受基建投资上行与工业化推进驱动，区域重卡销量中枢有望持续抬升，中国重卡受益于性价比优势与 ACFTA/RCEP 关税下行，叠加当地产能逐步落地，渗透率将持续提升，推荐重卡整车、发动机相关标的，优先中国重汽 H/A，以及福田汽车/一汽解放等。

风险提示：东南亚发展不及预期；政策风险；日系整合推进带来的竞争加剧风险。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度15期：Transformer如何开启AI第二次爆发？

报告发布日期：2026-08-06

投资要点

AI 第二次爆发的本质，是模型能力形成方式从“人工设计”转向“规模化学习”。AI1.0 时代深度学习仍带有“一任务一模型”特征，CNN、RNN等架构分别服务于图像、文本等专用任务，能力主要停留在基础感知层面。本轮 AI2.0 以 Transformer 等通用底座为核心，叠加数据、算力与自监督训练，使模型学习统计结构与通用表征，能力来源由强任务先验和强归纳偏置，转向弱归纳偏置下的规模化学习与涌现。

Transformer 成为 AI2.0 关键基础架构：自注意力机制解决循环网络串行计算和长程依赖瓶颈，更适合 GPU 并行算力与大规模训练；弱归纳偏置为跨模态迁移提供统一接口，使多类输入逐步进入同一底座体系。2017 年以来，主干架构总体稳定，能力提升更多来自 MoE、长上下文、多模态融合、后训练与推理机制，而非底层架构切换。

从技术演进看，大模型可概括为“模型能力奠基—人机对齐与行为优化—推理与外部系统赋能”三阶段，并由能力广度和使用效率两条支线贯穿。第一阶段通过预训练、规模扩张和 Scaling Laws 奠定参数内能力；第二阶段通过 SFT、RLHF、DPO 等对齐技术提升可用性；第三阶段依托思维链、RAG、工具调用、强化学习推理和任务路由，将能力增量迁移到运行时系统。

GPT 系列提供了大语言模型落地产业端的典型路径：GPT-1 至 GPT-3验证 decoder-only 架构和规模化泛化能力，InstructGPT 与 ChatGPT 补齐交互入口，GPT-4/GPT-4o 推动模型走向多模态交互，o1/o3/o4-mini/GPT-5 进一步整合推理时计算、工具使用、多模态任务和实时路由。关键技术通常先在研究与工程验证中形成，再通过产品化入口实现规模扩散。

Scaling Law 回答“规模如何转化为能力”，也反映 AI2.0 资源优化边界的外扩。早期 scaling 围绕参数量、数据量与训练算力展开，随后纳入能力涌现、计算最优配比、高质量数据、对齐、部署和推理成本等约束。2024年以来，MoE稀疏激活、测试时计算、RL reasoning、扩散Transformer与视频生成等方向，使 scaling 扩展为训练、推理、数据、架构、对齐与多模态的全链条资源优化框架。

从产业形态看，AI 第二次爆发的外在结果是数字 AI 任务边界初步收敛。Transformer 已参与文本、代码、知识库、工具、多模态输入和数字工作流，推动架构、任务与模态三重收敛。产业价值重心也从“设计何种架构”，转向“谁能把规模、数据、对齐、推理与系统工程能力做到位”。但推理阶段增量目前更多体现在语言、数学、代码等可验证任务中，向视觉生成、复杂多模态交互与真实物理闭环迁移仍需验证。

李勇

固收首席分析师

S0600519040001

评级跟踪季后，评级监管收紧的后续影响怎么看？

报告发布日期：2026-08-06

观点

本轮评级监管政策概况：对债券投资者来说，本轮评级监管收紧存在较大意义：一是可能推动高等级信用债内部进一步分层，降低“AAA”“AA+”级别标签的粗略筛选价值；二是可能引发部分主体信用利差和估值调整，尤其是原本依赖高评级维持低融资成本的主体；三是可能影响机构投资者的投资池、质押资格、内部风控阈值和组合久期管理；四是评级终止、暂停、下调本身可能成为新的信用观察信号，需要与区域财政、平台转型、产业盈利和现金流变化结合判断。

本轮监管影响下，城投主体评级下调和评级终止情况：1）a）监管发文后、截至 2026 年 7 月 31 日，实际下调评级所涉及的城投主体共计 5家，尽管直接下调案例数量不多，但具有较强的信号意义。从等级分布看，其中 AAA 级主体下调 2 家，均由 AAA 下调至 AA+级；AA+级主体下调 1 家，由 AA+下调至 AA 级；AA 级主体下调 2 家，由 AA 下调至 AA-级。从区域分布看，实际主体评级下调主要分布在陕西、山东和云南；从评级机构看，涉及联合资信、东方金诚和中诚信国际。b）从调级原因看，债务逾期、票据逾期、征信不良、失信被执行、短期偿债压力较大、再融资能力弱化、盈利能力下降、资产流动性较弱和或有负债风险，系评级下调案例中反复出现的核心因素，表明已发生的评级下调更多系基于发行人基本面弱化和负面信用事项暴露来判定，而非单纯出于应对监管要求。2）a）监管发文后、截至 2026 年 7 月 31 日，涉及评级终止的城投主体共计 138 家，涉及债券余额合计约 6,743.13 亿元，涉及债券只数 1059 只。从等级分布看，其中 AA 主体终止评级数量最多，共计 76 家，占比 55.1%，涉及债券余额约 1590.0 亿元，占比 23.6%；AA+级次之，共计 45 家，占比 32.6%，涉及债券余额约 3905.2 亿元，占比 57.9%；AAA 级主体共计 10 家，占比 7.2%，涉及债券余额约 1220.3亿元，占比 18.1%。b）从终止评级原因看，评级终止并不完全等同于主体信用恶化，部分案例与债券到期兑付、赎回、摘牌或债券不再存续有关；但也有部分案例涉及发行人不再聘用评级机构、不再提供评级所需资料、商业合作安排变化或评级有效期届满后未续评等情况。对于后一类情形，债券投资者或需结合发行人再融资需求、是否存在潜在评级下调压力、是否更换评级机构以及二级市场收益率变化进一步判断隐含信用风险。

本轮监管影响下，城投主体评级下调和评级终止后债券估值收益率变化情况：1）从评级下调样本看，实际评级下调对存续债券估值的冲击较为明显。监管发文后、截至 2026 年 7 月 31 日期间的城投主体实际评级下调样本中，评级下调后估值收益率全部上行，中位数上行幅度约为79.5BP，25%-75%分位数区间为 69.57-108.21BP，表明对于发生主体评级下调的城投平台，市场通常会较快通过估值收益率上行来反映主体的信用资质重估。2）评级终止对存续债券的估值影响程度明显弱于评级下调，估值收益率变化中位数为-0.58BP，25%-75%分位数区间为-7.06 -9.05BP；若仅观察收益率上行的终止评级主体存续债券，则中位数上行幅度为 11.35BP，25%-75%分位数区间为 3.70 - 22.89BP，表明评级终止本身并不必然为发行主体带来系统性的收益率上行，但不同的评级终止原因之间仍存在显著差异。其中，估值收益率上行幅度较明显的评级终止原因类型主要集中于发行人主动终止、不再续聘或合作安排变化，以及发行人主动终止且不再提供资料/不配合评级两类。

潜在影响规模：1）截至 2026 年 7 月 31 日，核心风险池共含城投主体37 家，对应存续债券余额约 2,968.07 亿元。a）从评级分布看，AA+级主体系核心风险池的主要构成部分，32 家主体对应债券余额约 2,075.41亿元，占核心风险池余额的 69.9%；AAA 级主体虽仅 3 家，但对应债券余额约 837.22 亿元，占比 28.2%，若触发后续评级下调则更易引发机构投资者对相关区域整体的风控约束调整。b）从区域分布看，核心风险池中的城投主体高度集中于山东、云南、贵州和陕西四个区域，合计债券余额占核心风险池余额的比例约 76.7%。2）广义风险池涉及城投主体合计 441 家，对应存续债券余额约 24314.80 亿元。a）从评级分布看，AAA 级主体共计 210 家，对应余额约 18441.96 亿元，占广义风险池余额的 75.9%，系广义风险池的主要构成部分；AA+级主体共计 107 家，对应余额约 4003.53 亿元，占比 16.5%；AA 级主体 115 家，对应余额约1816.35 亿元，占比 7.5%。b）从区域分布看，广义风险池中的城投主体数量较多的地区包括山东、江苏、贵州、浙江、四川、湖南、河南等地，均在 20 家主体以上，其中山东及贵州两地在核心风险池和广义风险池中均居前列，表明区域可能受到的潜在监管影响较其余地区更为突出。3）广义风险池中，尽管受评级监管收紧后续影响较多的城投主体同样为高等级主体，但不同于核心风险池中对评级负向调整更为敏感的系AA+级主体，广义风险池中更为敏感的系 AAA 级主体，即评级监管收紧的影响在未来短期内或更多影响 AA+级城投主体，但在未来中长期内可能更多影响 AAA 级城投主体，伴随化债工作进入后半程，城投主体风险逐步出清，机构投资者在择券过程可适度将风险关注点由 AA+级向 AAA 级迁移。

潜在规模影响可能引发的估值收益率调整幅度：1）若后续高等级城投主体因评级监管收紧而发生实际评级下调，则相关存续债券的估值收益率上行幅度或落于 70-130BP 区间；若主体自身资质较弱、区域关注度较高或再融资压力较大，上行幅度可能更接近区间上限或进一步扩大。2）相比评级下调，评级终止所带来的估值收益率影响明显较弱，对于债项兑付、摘牌、评级合同到期、境外评级撤销等技术性终止，存量债券的估值收益率变化幅度或多在-10BP 至+10BP 区间内波动。但若评级终止伴随发行人不再提供评级资料、不再续聘评级机构、终止后更换评级机构、负面舆情增加或收益率已明显偏高，则市场可能将其视为风险型终止，相关债券的估值收益率上行幅度通常在 0-20BP 附近，具体变化幅度仍取决于市场是否对主体本身的负面舆情敏感。

风险提示：城投政策超预期收紧；数据统计偏差；信用风险发酵超预期。

孙婷

非银首席分析师

S0600524120001

中国人身险银保渠道系列报告二：他山之石，可以攻玉

报告发布日期：2026-08-06

银行保险（Bancassurance）是银行与保险公司通过业务协同与资源整合，依托银行渠道向客户提供保险产品及配套服务的跨界金融经营模式。1）该模式最早诞生于欧洲，其兴起与当时欧洲金融监管放松、税收制度调整及立法体系变革的宏观背景直接相关。2）从全球实践来看，按照资本纽带关系与合作深度划分，银行保险主要分为四类合作模式：协议代理模式、战略联盟模式、资本合作模式与金融集团模式。其中，协议代理与战略联盟模式不涉及股权关联，属于浅层次的业务合作；资本合作与金融集团模式以资本为纽带绑定双方利益，属于深度融合的合作形态。

银保是海外寿险市场的重要销售渠道。1）在全球寿险市场中，银保渠道是主要增长渠道。但各区域在发展节奏与增长贡献度上呈现显著分化。其中，亚洲与欧洲市场是全球银保保费增长的核心驱动力，2012-2019 年二者合计贡献约 79%的增量规模。2）欧洲作为银保业务发源地，主流保险机构长期以来均将银保作为重点战略渠道。欧洲银保多通过“银行控股”或“合资公司”形式深度绑定“银”、“保”两方，获得了全球最高的银保渠道渗透率。在主要市场中，2019 年近半数银保渠道渗透率超过 50%，其中意大利、德国和法国等西、南欧市场主要受益于较为有利的监管环境和递延税收政策等因素，贡献了欧洲整体超 85%的保费规模。3）在亚洲，银保渠道的重要性在逐渐加强。①日本寿险主要销售渠道为营销员渠道，但随着监管逐渐放开金融分业管制，日本寿险银保渠道占比缓慢提升。②中国香港作为国际金融中心，其银保渠道的发展也较为迅速。由于中国香港居民对银行服务的高度依赖，以及银行在资产管理领域的领先地位，银保渠道在保险市场中扮演着越来越重要的角色。香港保监局公布 2025 年临时统计数字披露，银保渠道在人身险市场的新单保费占比为 35.5%，为第一大保险销售渠道。4）在美国，银保渠道的保费占比相对较低。由于其已经拥有成熟的独立经纪人和专属代理人营销体系，银保渠道保费占比始终维持低位。但其重要性正在逐步上升。

海外成熟市场银保渠道发展分化。1）欧洲是国际上银行保险的发源地，也是世界上银保发展最快的地区，主要受益于较为有利的监管环境和递延税收政策等因素。从 2004-2019 年法国、西班牙、意大利、葡萄牙四国的寿险银保渠道占比数据来看，欧洲成熟市场的银保渠道在寿险销售中占据绝对主导地位，四国银保渠道保费占寿险总保费的比重长期维持在 60%以上。2）日本银保渠道发展相对缓慢。日本银保渠道起步相对较晚，经历了审慎监管和逐步放开的过程。日本解禁银保渠道后，在1988-2024 年的三十余年间，渠道整体保持了稳步扩容的态势，占比从1988 年的 1.3%缓慢增长到 2024 年的 4.7%。3）美国人身险销售市场长期由代理人渠道占据绝对主导地位，历经多年市场积淀已构筑起难以撼动的竞争壁垒，叠加银保跨业态扩张的合规成本高企、保险产品与银行渠道属性适配性偏弱等结构性约束，银保渠道始终无法突破规模天花板，市场份额多年来稳定维持在 5%左右的低位水平。

风险提示：长端利率趋势性下行，权益市场波动，新单保费承压。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI 系列深度 14 期：深度学习如何开启 AI 第一次爆发？

报告发布日期：2026-08-05

AI 第一次爆发的本质，是连接主义路线在数据、算力与可训练深层网络算法共同成熟后的复兴。本篇所称“AI 第一次爆发”，主要指 2012 年前后深度学习由学术突破走向规模化应用的技术周期。不同于传统机器学习依赖人工设计特征，深度学习通过多层向量表示自动学习世界结构；AlexNet 在 ImageNet 上将 top-5 错误率由约 26%降至约 15%，成为AI1.0 时代由学术验证进入产业扩散的标志性拐点。

我们以“七阶段—三大阶段”复盘深度学习架构演进，并据此建立“学术瓶颈—产品落地”的判断框架：架构通常先经历思想提出与基础架构搭建，再进入训练优化、结构改进、任务扩展，最后转向轻量化部署与复兴性迭代；对应可归并为范式确立、成长扩展、成熟高峰三大阶段。当高引用成果开始向轻量化、部署和复兴性改进集中，同时新增基础架构型突破减少，往往意味着既有架构进入短期学术瓶颈，产业应用窗口反而可能打开。

从 CNN 复盘看，AI1.0 的主线是视觉感知能力的规模化成熟。LeNet 奠定卷积、权值共享、池化与反向传播的工程组合，AlexNet 以深层 CNN、GPU、ReLU、Dropout 和数据增强形成技术共振，VGG、Inception、ResNet进一步推动网络深度化和结构优化；2017 年后，MobileNet、EfficientNet、ConvNeXt 等成果更偏向轻量化、部署和现代化回潮，印证 CNN 在2016—2017 年前后进入成熟与高峰阶段。

从 RNN 复盘看，语言序列建模也在同一时间窗口触及递归范式上限。Jordan/Elman 确立隐藏状态记忆思想，BPTT 奠定训练基础，LSTM/GRU缓解长程依赖，Seq2Seq 与 Bahdanau Attention 推动机器翻译工程化；但串行计算、长距离衰减和固定向量瓶颈限制了规模化扩张。2017 年Transformer 以自注意力替代循环，正对应 RNN 成熟后下一代架构切换的历史节点。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度13期：世界模型如何实现？

报告发布日期：2026-08-05

世界模型首先需要进行概念辨析：认知科学、系统动力学与人工智能均使用“世界模型”一词，但其所指对象和技术目标并不完全相同。其思想来源大致可分为三条脉络：一是 Craik 提出的心智内部“小尺度现实模型”，强调通过内部模拟预演行动并预测结果；二是 Forrester 以 World2为代表的系统动力学传统，侧重通过外部计算模型模拟复杂系统及其长期演化；三是模型式强化学习与神经世界模型传统，Schmidhuber 较早探索利用递归神经网络学习环境动态并支持规划，Ha 与 Schmidhuber 进一步将环境压缩表征、动态预测与策略学习相结合。三者并非同一技术谱系，但共同关注对环境状态及其演化规律的建模；在当前人工智能语境下，世界模型通常特指智能体用于预测行动后果，并支持规划与决策的内部环境模型。

我们将世界模型分歧拆解为四个环节。第一，预测空间不同：生成式路线还原未来画面或视频，JEPA 等非生成式路线只在抽象表征中预测。第二，输出要求不同：渲染器强调视觉真实，模拟器强调几何、物理和可计算一致性。第三，与动作结合方式不同：可作为数据工厂、闭环训练环境，也可进一步成为架构级融合组件。第四，落地阶段不同：内容型数字 AI 进展最快，自动驾驶闭环最深，机器人需求强度最高但仍处早期。

生成式与非生成式是当前最核心的路线分歧。LeCun 等反对像素级生成，认为其存在容量浪费、画面模糊和误差累积等问题；生成式阵营则认为扩散和潜空间预测已部分化解上述问题，并能直接产出视频、合成数据和仿真环境。纯 JEPA 路线仍面临训练坍缩、可解释性不足、演示难度高和缺少中间产品等工程问题，因此产业侧目前更偏向生成式或混合式路线。

落地上，自动驾驶是世界模型闭环最完整的场景：车队回传真实数据，云端世界模型重建和生成场景，策略在虚拟环境中训练与评估，再通过OTA 回到车端形成数据飞轮。Waymo World Model、NVIDIA Cosmos、Wayve GAIA、小鹏、理想、华为等均体现世界模型从复现样本走向生成未观测场景、制造长尾数据的趋势。

世界模型能否从视觉真实进一步提升至物理一致，仍是其进入物理闭环的关键约束。三大瓶颈最终收敛到物理一致性不足、长时序不稳和评测无公认标准。场景误差容忍度决定世界模型当前可落地的边界；高风险数字场景和自动驾驶、机器人等物理闭环场景，都需要更严格验证。

芦哲

首席经济学家

S0600524110003

8 月度金股：降波蓄势，结构致胜【勘误版】

报告发布日期：2026-08-05

7 月市场整体先扬后抑，科技板块在经历了二季度的超额行情后出现显著回调。随着海外流动性扰动、韩国去杠杆及长鑫上市比价效应集中发酵，资金与情绪共振下市场波动显著放大。月末，FOMC 与海外科技财报等关键事件陆续落地，最坏预期并未兑现。往后看，市场仍需通过降波与换手消化拥挤筹码。

近期科技行情明显回摆，是否意味着主线终结？

历史经验表明，阶段性风格回摆并不必然意味着产业主线终结，决定中长期方向的核心仍是产业景气能否持续兑现。2014 年创业板与 2021 年“宁组合”的行情演绎，均体现了景气方向在资金扰动后重新获得市场定价的可能。当前全球 AI 资本开支与算力需求仍保持较高景气，科技产业趋势并未发生根本变化。

7 月底，FOMC、海外科技财报及长鑫上市等关键事件陆续落地，最坏预期并未兑现，市场对 AI 投资回报率、外部流动性及国产算力比价的担忧有所缓解。我们认为，本轮科技调整并非产业趋势逆转，而是前期极致分化后资金与情绪共振的行情回摆。当前成长与价值分化已回落至均值，融资余额明显下降，表明调整幅度已较为充分；但科技成交集中度和电子行业融资余额仍处高位，高拥挤度仍需时间消化，后续修复将更多体现为内部结构的再分化。

进入 8 月，预计市场将呈现两方面变化：

一是市场有望转向筑底降波。从市场位置看，成长与价值分化已回落至均值附近，科技板块价格修正已较为充分；但双创成交占比、科技龙头成交集中度及电子行业融资余额仍处高位，筹码消化尚未完成。因此，8 月市场将更多呈现“幅度到位、时间消化”的特征，反弹过程中仍需经历降波、换手与震荡消化。

二是中报验证推动配置从主题扩散转向业绩筛选。8 月进入半年报集中披露期，市场关注点将由估值与预期转向订单、收入和利润的实际兑现。因此，科技方向重点关注需求放量、国产替代和份额提升驱动的“量增”品种，非科技方向则关注稳定盈利、资源景气及经营改善线索。

配置上，把握结构性修复，兼顾景气与确定性

8 月配置思路转向科技修复与多元确定性并重。

科技仍是重要配置线索，全球 AI 资本开支、国产算力自主可控及先进制程扩产等产业逻辑尚未发生根本变化，但板块修复将由普遍扩散转向业绩、订单与“量增”驱动的结构分化，建议 1）聚焦订单上修、业绩可验证的国产算力、半导体设备及先进制程扩产链；2）关注受益于 AI 芯片复杂度提升和算力需求放量的测试设备、模拟芯片及算力基础设施。

非科技方向，建议 1）关注低估值、现金流稳定的保险，以及业绩持续兑现的环保公用；2）关注兼具金铜景气与宏观对冲价值的有色资源品；3）关注消费、商贸零售及医药中经营改善明确、估值与筹码压力相对较低的结构性机会。

风险提示：经济增长不及预期；政策推进不及预期；地缘政治风险；海外政策不确定性等。

芦哲

首席经济学家

S0600524110003

上期有色金属指数，2026年7月复盘与8月展望

报告发布日期：2026-08-05

市场表现回顾：

走势复盘：2026 年 7 月，上期有色金属指数整体呈现“月初磨底、月中脉冲上行、月末高位震荡”的运行特征，月度上涨约 3.21%。月初指数在 5213-5297 点区间窄幅整理，市场等待美国非农数据落地；7 月 3日非农远逊预期推动指数跳涨 1.27%，宣告整理格局被打破；月中受美国 CPI 低于预期、美联储鸽派信号及国内 PPI 高位运行等多重利好共振，指数迎来主升浪，7 月 23 日触及月内最高 5418.39 点；月末受伊朗战事扰动供应链、政策面利空叠加影响，指数高位震荡回落至 5380.68点。

技术分析：截至 2026 年 7 月 31 日，上期有色金属期货指数风险度为44.12，较 6 月有所下降，目前已降至较低区间。趋势维度上，快线上穿慢线，短期趋势走强，局部底右侧信号出现，短期趋势可能进一步强化。

日历效应分析： 根据 2016.1.1 至 2025.12.31 的统计结果，7 月有色金属指数历史平均收益率为+1.19%、胜率为 54.08%，实际收益率为+3.21%显著跑赢历史均值；8 月历史均值为+0.94%、胜率为 52.93%，在全年中属于偏中性的月份。

事件驱动盘点：

金融属性：2026 年 7 月有色金属金融属性围绕美国宏观数据全面走弱与美联储政策预期边际转鸽展开，是本月最核心的利多维度。月内非农仅增 5.7 万人远逊预期启动降息交易、CPI 低于预期确认通胀降温、美联储三把手释放鸽派信号，降息预期持续升温，美元走弱为有色金属提供系统性估值支撑。

全球政策：7 月国内政策面整体偏积极。供给端方面，多部门联合部署安全生产“打非治违”聚焦矿山领域，形成边际供给约束；需求端方面，国务院“十五五”碳达峰方案明确 2030 年新能源车保有量占比力争达30%，从长期维度强化铜铝需求预期。月末财政部取消矿山和有色企业土地使用税优惠，对行业成本端形成边际利空。

供需基本面：7 月铜铝供需整体偏强。供给端，7 月 24 日 LME 铝库存降至本世纪最低，中东供应链扰动凸显供给脆弱性；需求端，2026 年 H1有色行业利润同比增长 99.4%，验证基本面强劲；资金面上，7 月 21 日COMEX 和 7 月 24 日 LME 铜净多头持续增仓。锡镍受新能源和电子需求拉动偏强，铅因锂电替代压力逆势下跌，为唯一收跌品种。

指数后市展望：

关键事件前瞻：2026 年 8 月，有色金属指数将围绕美国 ISM 与非农数据、CPI 与 PCE 通胀数据、中国工业增加值与 PMI 数据以及美联储 7月 FOMC 会议纪要展开。若就业通胀数据延续边际走弱趋势，连续两个月的数据验证可能将使降息交易从“预期阶段”进入“确认阶段”，美元加速下行将为有色金属提供系统性利好。

指数走势展望：展望 8 月，在降息预期强化、供给端硬约束和需求端多线共振的背景下，指数有望延续偏强运行、价格重心进一步上移，突破7 月高点并继续向上运行。核心逻辑包括：美元走弱趋势性利好、7 月24 日 LME 铝库存历史新低赋予价格向上弹性、新能源需求持续上升、资金面尚处加仓通道以及日历效应配合。短期节奏上，8 月 3 日 ISM 制造业 PMI、8 月 7 日非农、8 月 12 日 CPI 和 8 月 19 日 FOMC 纪要是四个关键催化节点。品种层面建议重点关注铜铝。

相关 ETF 产品：大成有色金属期货 ETF（159980.OF）为跟踪上期有色金属指数的唯一场内基金，截至 2026 年 7 月 31 日，流通份额达 26.67亿份，流通规模 56.48 亿元。

风险提示：

1)行业政策或监管环境突变；2)宏观经济不及预期；3)发生重大预期外的宏观或地缘事件。

黄细里

研究所副所长、汽车行业首席分析师

S0600520010001

AI系列深度12期：从模块化到端到端

报告发布日期：2026-08-04

端到端的核心，是以原始传感器输入直接映射规划或控制输出，并通过整体可微、全局优化的方式训练系统。该概念最早来自网络工程语境，进入机器学习后逐步转化为输入端到输出端整体训练的方法论；在自动驾驶中，ALVINN、DARPA DAVE、NVIDIA DAVE-2、UniAD 和特斯拉FSD v12 共同构成其从学术探索到产业落地的演进脉络。我们将端到端理解为训练方法、系统架构和技术思想三重属性的组合。

端到端与模块化流水线的差异，在于是否将感知、预测、规划和控制拆成多个人工定义模块。模块化系统可解释、可调试，但信息容易在模块边界损失，且规则维护成本较高；端到端系统可让模型直接围绕最终任务优化，信息传递更完整，但可解释性、可控性和安全验证难度更高。2024 年以来，一段式与二段式成为中国智驾行业讨论焦点。

端到端并不等于完全取消规则，更准确的表述是替代人工规则在主决策回路中的主导地位。特斯拉 FSD v12 以神经网络替代大量手写 C++规则，是该趋势的重要标志；但规则仍会保留在安全兜底、形式化校验、冗余备份和合规约束中。由此看，端到端普及是主决策范式从人工规则转向数据驱动模型，而非规则系统消失。

从应用进展看，自动驾驶由特斯拉率先量产推动，中国厂商 2024 年集中跟进，并在 2025 年前后进一步向 VLA 和世界模型演进；机器人领域自 RT-2 起即以 VLA 形态采用端到端；数字 AI 中端到端已是默认范式，通常不再作为单独技术标签。例外和分歧仍存在，如 Mobileye 复合 AI系统、Zoox 模块化路线等。

端到端、VLA 与世界模型不是替代关系，而是处于不同能力层级和功能维度。VLA 可视为端到端在多模态理解与动作生成方向上的延伸；世界模型关注环境状态预测和场景生成，可作为云端数据引擎、仿真训练场或车端模型组件。产业实践中，三者更可能形成组合方案，而非线性替代关系。

李勇

固收首席分析师

S0600519040001

长鑫科技上市之前，地方国资的科技“棋局”形势如何？

报告发布日期：2026-08-04

观点

财政资金基础：1）2025 年地方政府综合可支配财力位列前五的省份包括广东、四川、江苏、山东、河南，合计占比接近全国总量的 28.6%，表明全国地方政府可支配收入向头部省份集中的趋势显著；若仅考察地方政府自身一般公共预算收入，则集中度更高，广东、江苏、浙江、上海、山东五地收入合计占全国地方一般公共预算收入总额超四成，反映出传统经济大省因自身造血能力较强而拥有充分布局科技领域的资源，在当前科技领域的投入上其“主力军”地位无可撼动。2）“自给型”区域不仅转移支付依赖度普遍较低，同时地方政府可支配收入较为充裕，能够在支撑地方基础财政运转之余仍可投入于其他具备中长期经济效益的项目，而“依赖型”区域的综合可支配财力虽尚可维持运转，但资金使用的刚性较强——保障基本民生等福利性支出占据大量支出空间，能够弹性调配用于科技投资的资金比例相对有限。

科技资产基础：1）当前 A 股科技上市公司区域分布呈现“东部高度集中、中部具备一定承接、西部和东北整体偏弱”的特征。2）广东、江苏、浙江、北京、上海不仅在科技上市公司的数量上领先，流通 A 股和总股本规模亦处于全国前列，构成我国科技上市公司资产池的核心区域；山东、四川、湖北、安徽、福建等地区则形成第二梯队，在先进制造、新能源、光电子、医药生物等方向具备一定基础；而科技上市公司数量较少、股本规模较小的地区主要集中在西北、西南及部分东北地区，科技产业资本市场化程度仍有待提升。

地方国资股权沉淀：1）截至 2026 年 7 月中旬、长鑫科技（股票代码：688825）正式完成科创板上市之前的科技上市公司数据和截至 2026 年一季报的股东结构数据显示，A 股科技上市公司地方国资持股呈现出“财力强省形成规模支撑、部分中西部地区体现集中参与、弱财力地区整体沉淀偏薄”的特征。2）就区域而言，上海、广东、北京、江苏等地地方国资持股数量较高，反映其依托较强财政基础、产业资源和科技上市公司资产池，已经形成较为可观的股权沉淀，其中上海因同时具备财力基础和持股深度，故其地方国资在科技领域的部署表现较为突出，广东、江浙、北京等地则因市场化资本的充分参与而致使地方国资的持股深度在一定程度上被稀释；河南、陕西、四川、吉林、福建等地地方国资持股比例较高，表明部分地区通过集中资源支持重点科技企业，也能够在局部建立较深的国资参与；而青海、西藏、黑龙江、内蒙古等财政依赖度较高、科技上市公司数量较少的地区，则在地方国资持股数量、持股比例和覆盖率上均相对偏弱，与其财政自主性不足、科技投资弹性有限的特征相互印证。3）地方国资科技投资结果端的区域差异，既受到地方财力结构制约，也受到科技上市公司基础盘、地方国资平台运作能力和重点产业政策选择的共同影响。尤其地方可支配财力的强弱、财政自主性的高低，与地方国资在科技上市公司中的持股表现具有较强一致性，即地方自身收入占比较高、财政弹性较强的地区，通常具备更稳健的科技领域投资资金基础和更成熟的国资平台运作能力；而地方收入占比较低、转移支付依赖度较高的地区，财政支出更多用于维持基本运转和民生保障，能够弹性投入科技企业和孵化基金的资金空间较小，往往表现为地方国资持股数量较低、国资覆盖率偏弱或科技上市公司基础盘不足。4）对于可支配财力基础强、地方国资在科技领域的股权投入较高的地区，未来或更有可能通过科技企业的持续成长、产业链集聚、税源扩张和股权资产增值等渠道提升地方政府的长期造血能力，并对地方信用资质形成中长期支撑，强化“股权财政”对于地方经济基本面的拉动效果；而对于可支配财力结构依赖性强、地方国资在科技领域股权投入不足的地区，则可能错失短期内的科技赛道增长红利，由“土地财政”向“股权财政”的转变进度和转变效果对区域的信用资质和经济基本面的影响仍有待进一步观察。

行业与主体结构：地方国资所投资的 A 股科技上市公司所属的行业与主体结构呈现三点特征：1）从行业看，电子、机械设备和电力设备是地方国资持股科技上市公司相对较为集中的三大方向，合计持股占比超六成，表明地方国资的科技领域部署更偏向硬科技、高端制造、新能源等相关产业链中的基础环节。2）从公司看，地方国资高比例持股的科技上市公司多集中于电池、汽车零部件、专用设备、通信设备、军工电子、光学光电子、化学制药等细分领域，且部分中西部地区通过重点投资个别公司而形成较高的国资参与度。3）从股东主体看，深圳创投、深圳高新投、上海科创投等平台体现出较鲜明的“广覆盖”特征，而广州数字科技、福建电子信息、湖南兴湘投资等主体则呈现较鲜明的“集中持股”特征，表明不同地方国资平台在科技领域投资中的职能定位和运作方式存在一定的差异。换言之，地方国资在科技领域的股权沉淀并非均匀铺开，而是在区域产业基础、国资平台能力和地方产业政策的共同作用下，向硬科技赛道、重点上市公司和地方头部核心国资投资主体集中。

风险提示：债市超预期波动；数据统计偏差；政策与市场变化的不确定性。

李勇

固收首席分析师

S0600519040001

老龄化约束下的硬科技路径：日本经验与宏观传导

报告发布日期：2026-08-04

事件

日本经济长期受制于人口老龄化、劳动力供给收缩与低增长、低通胀惯性交织的多重约束，传统依靠要素投入扩张的增长模式难以为继。科技进步并不是单纯的产业主题，而是日本经济维持增长能力、对冲人口红利衰减、缓解劳动力短缺、推动企业资本开支和改善通胀预期的重要变量。围绕这一线索，我们从日本长期宏观约束和制度基础出发，复盘其科技发展过程，并进一步分析科技景气能否通过企业盈利、资本开支、工资和通胀向宏观经济与债券市场传导。

观点

日本经济面临多重长期约束：过去三十余年，日本经济长期受到人口老龄化、劳动供给收缩、增长动能偏弱和低利率环境的共同约束。（1）人口结构变化是日本经济最核心的长期约束。日本人口问题的核心并非总量快速萎缩，而是劳动供给基础收缩与抚养负担上升并存，人口结构向高龄化倾斜，传统依靠劳动力数量扩张推动增长的空间持续下降。（2）低增长和低通胀共同压低了日本利率中枢。一方面，增长动能偏弱使企业投资需求和资本回报率下降，实际利率中枢偏低；另一方面，长期低通胀使通胀预期维持低位，名义利率缺乏上行动力。在这些长期约束下，日本科技产业更多向提升生产效率的方向发展。半导体材料、制造设备、精密机械、工业机器人和自动化设备，是观察日本科技产业竞争力的重要领域。

科技发展的制度基础：日本科技产业的演进，与其长期形成的金融体系、企业组织方式、雇佣制度和制造业文化密切相关。（1）主银行制在高增长阶段为制造业企业提供了稳定融资和长期治理关系，支撑了精密制造、设备、材料和零部件等领域的积累，但在金融自由化和产业技术范式变化后，银行主导和关系型治理的优势有所减弱。日本科技产业在金融体系变化后并未明显转向初创企业主导的软件和平台创新，而是更多延续了大型制造企业主导、重资产投入和工艺持续改良的路径。（2）日本制造业长期重视工程师培养、工艺改进和质量控制。精密加工、生产管理、零部件协同和持续改良，构成了日本制造业的重要基础。但工程师文化也带来一定路径依赖。（3）终身雇佣和年功序列曾经是日本企业稳定研发和技术积累的重要制度基础，一方面，它帮助日本在精密制造、设备、材料和机器人等领域形成了稳定的工程师基础；另一方面，也使日本在从硬件制造转向软件和平台经济时面临更高的制度转换成本。（4）日本科技产业还受益于企业集团和供应链协作网络。大型制造企业、零部件企业、材料企业和设备企业之间长期保持稳定合作关系，有助于共同推进工艺改进和产品迭代，但这一模式可能降低对外部新技术、新企业和新商业模式的吸收速度。

日本科技发展的历史阶段：日本科技产业的发展与宏观环境、产业组织和全球技术周期变化密切相关。从阶段测算结果看，日本实际 GDP 增速与 TFP 增速变化方向较为一致，科技进步较快、效率改善较强的时期通常对应更高的经济增长中枢，而 TFP 走弱或转负的阶段往往伴随经济增长放缓。

1954-1973 年是日本战后高速增长阶段。经济高速增长主要来自工业化推进、资本积累、劳动力转移和出口扩张，这一时期日本科技发展的主要方式并不是原创性技术突破，而是对海外技术的引进、吸收和再改良。但 TFP 的较快增长说明，技术引进、设备更新、生产组织改善和管理效率提升也对增长形成了重要支撑。

1973-1989 年，日本实际 GDP 年均复合增速降至 4.0%，TFP 年均复合增速降至 0.8%，较高速增长期均明显下台阶。这一阶段的产业主线是从重化工业扩张转向节能、高附加值和精密制造。汽车、消费电子、半导体、精密机械和电子零部件成为日本制造业竞争力的重要来源。特别是在半导体和消费电子领域，日本企业依托良率控制、质量管理、供应链协作和持续工艺改良，在 DRAM、家电、电子零部件等领域取得较强国际竞争力。但从宏观效率看，TFP 增速并没有伴随半导体和电子产业扩张而明显抬升，反而较高速增长期下降，这一阶段更适合理解为日本硬件制造能力的高点，而不是宏观生产率持续加速的阶段。

1989-2009 年，日本实际 GDP 年均复合增速仅为 1.0%，TFP 年均复合增速为-0.2%。宏观层面，资产价格下跌后，企业和金融机构长期进行资产负债表修复。产业层面，日本原有科技优势与全球科技主线发生错位。然而，这一阶段不能简单理解为日本完全丧失科技能力。日本在材料、设备、精密机械和部分零部件领域仍保留技术积累，但这些优势没有充分转化为全经济层面的效率改善。消费电子和半导体整机制造份额下降，软件和互联网平台又未能形成新的增长引擎，最终表现为实际GDP 低增长和 TFP 负增长并存。

2009-2019 年，日本实际 GDP 年均复合增速为 1.2%，仍处于低位，但TFP 年均复合增速回升至 0.5%。这一时期，日本科技发展的重点逐步从消费端创新转向生产端效率改善。随着劳动年龄人口下降、老龄化加深，企业面临更明显的用工约束。工业机器人、自动化设备、数控机床、传感器和工厂管理系统等技术，成为制造业提高效率、降低人工依赖的重要工具。不过，TFP 回升并未带来实际 GDP 增速的大幅提高。原因在于，自动化更多是对劳动力短缺的应对，主要作用是提高单位劳动产出和缓解企业用工压力，而不是创造大规模新增需求。2009-2019 年可以视为日本科技路径从“产业扩张型”向“效率改善型”转变的重要阶段。

2019 年以来，日本科技产业重新受到关注，但宏观效率改善尚未在 TFP数据中得到充分体现。当前阶段更适合表述为“日本关键硬科技环节重新受到重视”，而不是“科技已经全面拉动日本经济”。

硬科技再定价与宏观传导：进入 2020 年代后，全球半导体供应链重构、AI 算力需求扩张和经济安全政策强化，使日本硬科技环节重新受到资本市场关注。从权益市场表现看，2020 年以来日本半导体相关股票明显跑赢日股整体。资本市场对日本半导体设备、材料、精密制造等硬科技资产给出了更高定价，包含市场对硬科技产业链盈利预期改善的反映。从企业层面看，日本企业投资意愿在疫情后明显修复，半导体相关行业表现也明显强于整体工业生产。春斗工资增速上行说明日本工资谈判中枢较过去明显抬升，但实际工资尚未稳定转正，表明居民购买力修复仍不充分。日本工资—通胀传导已经出现改善迹象，但尚未形成稳定闭环。对债券市场而言，科技周期的影响并不取决于半导体或自动化产业本身是否景气，而取决于其是否改变日本经济的中长期增长和通胀预期。科技周期更像是推动日本利率中枢上移的条件之一，而不是单独决定长端利率趋势的充分因素。

日本经验：日本科技发展的经验表明，科技拉动经济并不是简单的“科技产业景气上升—经济增速提高”。对于人口老龄化、劳动供给收缩、潜在增长偏弱的经济体而言，科技更重要的作用在于缓解供给约束、提高生产效率，并改善企业部门的资本回报。科技优势能否转化为宏观增长，关键取决于扩散能力。单一产业的竞争力并不等同于宏观层面的生产率改善，科技红利只有扩散至更广泛的企业投资、劳动生产率和居民收入，才可能形成持续的经济拉动。因此，日本案例对老龄化经济体的启示在于：科技拉动经济的核心不只是培育领先产业，而是建立从技术优势到宏观增长的传导链条。

风险提示：科技景气向宏观传导不及预期；全球半导体和 AI 资本开支回落风险；历史经验和测算口径存在局限。

芦哲

首席经济学家

S0600524110003

黄金ETF，2026年7月复盘与8月展望

报告发布日期：2026-08-04

市场表现回顾：

走势复盘：2026 年 7 月沪金整体呈现出“月初跳空反弹、月中持续回落、月末震荡磨底”的运行特征，月度上涨约 2.12%。月初受美国 6 月非农远逊预期的强力催化，金价跳空高开并快速拉升至月内高点；月中在美联储官员密集释放鹰鸽交织信号、美伊冲突持续升级以及美元走强的多重压制下，金价从高位持续回落；月末围绕 FOMC 议息会议展开博弈，金价在低位区间窄幅震荡后小幅收涨。

技术分析：截至 2026 年 7 月 31 日，沪金风险度较 6 月末略微提升，但仍在较低区间。趋势维度上，沪金尚未出现明确的局部底右侧信号，结构性行情仍需等待趋势确认。

日历效应分析：历史上 7 月沪金平均收益率为+0.92%，正收益概率55.50%，属于中性偏正月份。展望 8 月，历史平均收益率为+2.09%，胜率 54.66%，为全年表现最好的月份之一，若宏观环境配合，8 月存在延续偏强运行的历史规律支撑。

黄金 ETF 持仓分析：7 月全球黄金 ETF 持仓呈现“先降后升”走势。整体来看，ETF 持仓在 7 月的波动幅度有限，未出现趋势性流出迹象。

事件驱动盘点：

资产配置价值：2026 年 7 月沪金资产配置价值围绕美国宏观数据意外走弱与美联储政策信号从鹰到鸽再回鹰的反复博弈展开。月初 6 月非农远逊预期启动降息交易，金价跳空反弹；月中 CPI 低于预期和美联储三把手释放鸽派信号一度延续利多，但沃什国会首秀重申驯服通胀的鹰派立场令降息预期反复；月末 FOMC 决议鹰派按兵不动且罕见出现三票反对主张加息，为近半个世纪以来最大内部分歧，实际利率中枢上移对金价形成压制。

货币价值：2026 年 7 月沪金货币价值呈现“正负交织、下有底上承压”的特征。正向方面，全球央行 5 月净购金 41 吨，中国央行连续 20 个月增持黄金，央行购金的持续性为黄金货币信用锚提供结构性支撑；负向方面，美元指数在 7 月整体走强，对黄金的替代货币价值形成压制。整体而言，货币维度呈现央行购金托底与美元走强施压并存的格局。

避险价值：2026 年 7 月地缘事件保持高频率，美伊冲突持续升级贯穿全月，但避险维度对金价的实际影响呈现明显的阶段性差异。整体而言，避险维度在 7 月未能形成独立的定价主线，传统的避险溢价机制在宏观政策主导的定价框架中处于从属地位。

商品价值：2026 年 7 月黄金商品属性平淡。7 月 27 日老铺黄金预计 2026年 H1 收入同比增长超六成，反映高端黄金消费仍具韧性。整体来看，黄金的消费结构已转向“投资主导”，商品维度的事件对金价的边际影响有限。

指数后市展望：

关键事件前瞻：展望 2026 年 8 月，黄金价格将在数据验证、政策定调与地缘博弈的多重逻辑交织中运行。宏观层面，美国 7 月 ISM 制造业PMI 与非制造业 PMI 将为经济韧性提供最新验证，非农就业则直接决定降息交易能否重启，月中 CPI 与 PPI 将检验通胀是否延续边际降温趋势。6 月以来就业和通胀数据的走弱趋势若在 7 月数据中得到延续，美联储鹰派立场将面临数据层面的压力，市场对利率路径的定价存在从“加息预期”向“观望甚至降息预期”回摆的可能，这将为黄金价格走出底部区域提供核心催化。

指数走势展望：展望 8 月，我们持偏积极看多的态度，认为黄金价格有望走出底部震荡格局、价格重心进一步上移。若美国宏观经济数据与政策信号形成共振，黄金存在阶段性加速上行的可能。

相关 ETF 产品：华安黄金 ETF（518880.SH）紧密跟踪国内黄金现货价格收益率，追求跟踪偏离度和跟踪误差最小化，截至 2026 年 7 月 31 日，该基金流通份额为 109.24 亿份，流通规模为 920.25 亿元。

风险提示：1)行业政策或监管环境突变；2)宏观经济不及预期；3)发生重大预期外的宏观事件。

于明明

金工首席分析师

S0600525120002

AI研究系列之三：Agent时代，Skill为核 —— 投研成果的可调用化实践

报告发布日期：2026-08-04

本报告围绕 AI Skill 如何承接专业投研成果，探索从通用模型能力向可复用研究工作流转化的实现路径。大模型在自然语言理解、代码生成和工具调用方面展现出较强能力，但真实投研任务不仅依赖语言表达，还涉及数据获取、口径确认、指标计算、模型运行、证据核查、图表展示和结果留痕等多个环节。仅依靠一次性问答或临时提示词，难以保证不同调用之间的数据、参数和评价标准保持一致。AI Skill 通过组织研究说明、数据接口、确定性脚本、模型资产和输出模板，使已有方法不再仅以报告或孤立代码存在，而是进一步沉淀为边界清楚、口径明确、可以持续调用的专业研究能力。

在量化研究场景中，本报告分别展示了选股因子迭代、K 线历史形态检索和深度学习择时三类已有成果的 Skill 化实践。选股因子迭代 Skill 将数据接入、研究细则确认、候选因子代码生成、IC 评测、历史反馈和断点恢复组织为持续迭代的研究工作区，使每轮产生的代码、指标、图表和工具组件能够进入下一轮研究。当前样例采用低频量价数据，但Coding 方式本身并不限制因子类型，接入分钟行情或财务报表后还可进一步研究高频量价或基本面因子。择时场景中，K 线时空镜像通过多维量价特征和动态时间规整方法返回 Top 3 历史相似片段及其真实后续走势；深度学习择时 Skill 则调用已经训练完成的 GRU 时序模型，将连续量价因子转化为多头、中性和空头观点。

在主动投研场景中，Skill 化进一步由单项计算扩展至研究框架、证据组织和决策协同。固定框架报告 Skill 将周期性跟踪报告、事件点评和产品分析等标准化任务沉淀为可重复执行的流程；深度研究框架 Skill 围绕核心问题组织研究假设、正反证据、投资含义、监控指标和认错条件；投资决策委员会 Skill 通过多角色陈述、交叉质询、风控核查和投资总监总结，形成可审计、可追溯的决策记录；投资专家画像与专家研讨会Skill 则将专家方法论转化为结构化角色档案，并支持围绕行业、个股和市场观点开展多角色讨论。这些实践表明，Skill 不仅可以封装计算模型，也可以沉淀研究框架和协作机制。

FundLab 展示了围绕特定资产类别构建综合研究工作流的另一种 Skill化路径。FundLab 采用“本地数据优先、外部数据按需补充”的数据组织方式，在使用团队既有标签、分类规则和研究资产的基础上，根据任务需要连接 Wind、iFinD 等外部数据能力，并将数据获取、指标计算、特征识别和研究结论输出贯通起来。当前工作流覆盖基金筛选、单基金画像、基金公司画像、相似基金检索、基金组合分析和标签回测等典型场景，重点回答收益来源、风格稳定性、风险暴露、产品比较和组合适配等投资决策问题，推动基金研究由分散的数据整理转向结论先行、有据可查的结构化分析。

综合四类场景可以看到，Skill 化并未消除不同研究方法之间的差异，而是为其提供了相对一致的组织和复用方式。不同 Skill 虽然分别输出因子代码与评测结果、历史情景与模型观点、研究底稿与决策记录、基金画像与验证数据，但均遵循明确输入、稳定执行、可解释输出和过程留痕的共同原则。随着共享数据接口、公共工具、研究资产、版本管理和评测机制逐步完善，单点 Skill 还可以形成上下游协同，使量化证据、深度研究、反方质询、投资决策和持续跟踪在不同流程之间有序传递，推动 AI 由单次任务助手逐步转化为可复用、可追溯、可持续演进的投研工作伙伴。

风险提示：

1) 模型与方法失效风险。本报告展示的因子、历史形态检索、深度时序模型、研究框架与基金分析方法，均建立在历史数据、既有规则或训练样本基础上，历史表现和历史案例不代表未来收益。当市场微观结构、投资者行为、监管制度或产品特征发生变化时，相关信号、评价指标和研究结论可能减弱甚至失效；在流动性危机、政策突发冲击或系统性风险爆发等极端环境下，模型和历史规律的适用性可能进一步下降。

2) 数据质量与接口可用性风险。Skill 运行依赖行情、财务、基金、文本资料、本地标签及外部数据接口。数据缺失、更新延迟、字段口径变化、复权或分类处理差异、权限不足以及 Wind、iFinD 等外部服务不可用，均可能影响计算结果和研究结论。实际使用时需要核对数据来源、覆盖区间与关键字段，不应在未经确认的情况下使用近似数据或替代口径。

3) 生成式模型输出错误风险。大模型可能出现意图理解偏差、约束遗漏、错误引用、代码生成错误或解释过度等问题。即使部分计算由确定性脚本完成，输入映射、参数选择、材料检索和结论组织仍可能受到模型错误影响。涉及关键数据、模型推理、研究结论和对外表述时，应保留必要的执行记录和证据来源，并由研究员进行确认和复核。

4) 回测与实际应用差异风险。报告中的 IC、回测表现、相似度、胜率和赔率等指标均基于特定历史样本和既定假设，实际应用可能受到交易成本、冲击成本、滑点、流动性、容量、可交易时点和数据实时可得性等因素影响。高换手策略、流动性较弱的股票或基金产品对上述约束更为敏感，实际结果可能显著低于历史评测或回测表现。

5) 信息安全与合规风险。Skill 可能连接外部模型、数据服务、研究底稿、内部代码和模型参数。使用过程中应遵守数据授权、访问权限、保密管理和个人信息保护要求，不得因调用方式更加便捷而扩大信息使用范围。对外共享 Skill、截图或研究材料前，应清理敏感配置并确认数据与内容授权；Skill 输出仅供研究参考，不构成收益承诺或确定性投资建议。

周尔双

机械首席分析师

S0600515110002

AIDC发电专题报告：缺电逻辑下燃机已开始释放利润，重视0-1的SOFC

报告发布日期：2026-08-04

“三减一增”重塑北美电力供需格局，全球发电设备供需缺口有望长期存在。增量端，AI机柜出货及单柜功耗快速提升，叠加PUE、冗余配置与有限的并网能力，我们预计2024-2030年北美AIDC新增电力设备需求分别约6.1/20.4/19.7/29.3/37.5/48.1/57.5 GW，“一增”累计达到218GW。存量端，我们预计2026-2030年美国煤电、核电及老旧燃机分别退出86/95/91.5GW，“三减”合计约272.5GW，形成存量替换打底+AIDC增量加持的双轮驱动。同期全球可用于AIDC的发电设备供给虽将由2024年的6.8GW提升至2030年的94.0GW，但仍难覆盖快速增长的新增需求，我们预计2024-2030年累计供需缺口约218.7GW，电力设备紧缺及价格上行有望长期延续。

多维约束驱动AIDC电源选型，重视燃机+SOFC业绩确定性。重燃全生命周期度电成本约0.063美元/kWh，为各类现场发电路径最低，且具备规模化供电能力强、技术成熟及运行寿命长等优势，仍是大型AIDC长期基荷供电的核心方案；SOFC兼具高效率、低污染、模块化部署等优势，在环保许可趋严和AIDC大型化背景下渗透率有望加速提升；轻燃与燃气内燃机则更适合桥接电源、分期投产及中小型项目。

燃机通胀逻辑继续演绎，SOFC商业化提速打开成长空间。（1）燃机：截至2026Q2，GEV燃机正式积压与锁槽订单合计达116GW、同比+115%，西门子能源合计达87GW、同比增长74%，三菱重工FY25期末在手重燃订单达74台，三大主机厂订单均处于历史高位，供应链紧张及交期延长持续强化行业通胀逻辑。（2）SOFC：电解质支撑型凭借结构稳定、长期耐久性强及商业化成熟度相对较高，与当前AIDC长期可靠供电需求匹配度最高；随着行业龙头BE迎来业绩拐点，SOFC国内产业链同样有望迈向规模化应用并受益于行业上行周期。

投资建议：①燃气轮机：重点推荐北美燃机在手订单超26亿美元+2027年交付量有望接近2GW+具备稀缺机头资源和成撬能力的【杰瑞股份】；卡位高壁垒热部件领域的【万泽股份】【应流股份】；燃机整机质量优越的【中国动力】等。②SOFC：建议关注深度绑定BE的【春晖智控】，具备SOFC全产业链能力的【三环集团】，掌握连接体原材料铬环节的【振华股份】。

风险提示：AI数据中心投资不及预期、国际贸易摩擦、产能爬坡不及预期。

芦哲

首席经济学家

S0600524110003

纳斯达克100ETF，7月复盘与8月展望

报告发布日期：2026-08-03

市场表现回顾：

走势复盘：2026 年 7 月纳斯达克 100 指数在美伊冲突、新关税政策和联储鹰派风险共同推升估值压力的背景下累计回调 6.61%，月末受核心PCE 降温及云业务、AI 资本开支兑现带动修复。全月主线是地缘和政策风险溢价压制高久期科技股，而 AI 产业景气与通胀边际改善为指数提供阶段性托底。

估值分析：截至 2026 年 7 月 31 日，纳斯达克 100 指数的市盈率 PETTM 为 29.98 倍，位于 2011 年以来的 63.96%历史分位数，较 2026 年6 月 30 日的 76.97%有所回落，估值压力有所释放，但仍处于历史估值相对高位，指数对利率环境与业绩兑现的依赖度较高。

技术分析：截至 2026 年 7 月 31 日，纳斯达克 100 指数风险度为 56.67，较 2026 年 6 月 30 日的 92.92 大幅回落，表明纳斯达克 100 指数风险有所释放。趋势层面，2026 年 7 月，快线 TMP 和慢线 JAX 未出现交叉情况，慢线 JAX 保持在快线 TMP 上方，但月末快线 TMP 有所反弹。考虑到纳斯达克 100 指数风险度降低，短期趋势有所反弹，后续纳斯达克指数走势或将震荡偏涨。从日历效应上看，自 2000 年以来，纳斯达克100 指数在 8 月的平均涨幅为 1.01%，胜率为 55.11%。

事件驱动盘点：

宏观层面：2026 年 7 月，美国 6 月就业、制造业和服务业数据整体显示增长边际降温，核心 CPI、PPI 和 PCE 也指向通胀改善，理论上有利于缓和利率压力；但霍尔木兹海峡扰动、能源供给风险和运输成本使去通胀路径面临反复。宏观对纳指的含义在于，软着陆式降温可支撑估值，但增长失速或供给冲击重燃均会放大波动。

政策层面：2026 年 7 月，美联储仍维持限制性立场，尽管部分官员承认通胀风险下降，但通胀预期走高、会议纪要偏鹰及多位官员保留加息选项，显示单月通胀改善尚不足以推动政策转向。新关税措施又通过成本和供应链渠道放大通胀不确定性，限制纳指估值的持续修复空间。

行业层面：2026 年 7 月，AI 基础设施需求在定制芯片、云收入、数据中心租赁、存储和长期资本开支中持续兑现，微软、谷歌、Meta、亚马逊、OpenAI 及芯片产业链的事件共同强化了 AI 景气主线。但模型竞争、资本开支回报率、特斯拉盈利质量和苹果业务指引的分化，也表明市场正从单纯交易 AI 投入转向更关注收入、订单和自由现金流兑现。

指数后市展望：

关键事件前瞻：2026 年 8 月，纳指将围绕 ISM、ADP、非农与核心 CPI验证增长和通胀的平衡，同时由 AMD、西部数据、闪迪及 SpaceX 相关事件检验 AI 基础设施投入的盈利成色。若宏观温和降温且产业链业绩延续景气，指数资金面和基本面有望形成共振；若通胀再起或财报不及预期，则地缘、关税与估值压力可能重新主导定价。

指数走势展望：2026 年 8 月，资金面取决于去通胀证据能否压低联储加息尾部风险，基本面则取决于 AI 资本开支能否继续转化为云收入、订单和产业链利润。两者若同步改善，纳指有望延续 7 月底以来的震荡修复；叠加技术面分析，展望后市，8 月份纳斯达克 100 指数或将形成“震荡偏涨”格局。

相关 ETF 产品：广发纳斯达克 100ETF(159941.SZ)紧密跟踪指数，截至2026 年 7 月 31 日，该基金流通规模达 320.84 亿元，当日成交额 18.58亿元。

风险提示：

1)行业政策或监管环境突变；2)宏观经济不及预期；3)发生重大预期外的事件。

周尔双

机械首席分析师

S0600515110002

半导体设备行业深度： AI发展带动HBM需求爆发，看好半导体设备商充分受益

报告发布日期：2026-08-03

AI驱动HBM需求爆发，DRAM供需持续偏紧，全球存储进入新一轮扩产周期。AI训练及推理需求持续增长，推动GPU、ASIC等AI芯片出货量快速提升，同时单芯片HBM容量、堆叠层数及带宽持续升级，HBM需求呈现量价齐升趋势。我们测算，全球HBM wafer需求将由2024年的2.9万片/月增长至2028年的44.2万片/月，年均复合增速超过90%。由于HBM持续挤占传统DRAM晶圆产能，AI对存储的挤出效应未来两年内仍难缓解，全球DRAM供需仍将维持紧平衡，国内外存储厂商扩产需求具备较强持续性。

HBM带动存储制程升级，设备投资额与资本开支同步提升。随着HBM向HBM4、HBM4E持续演进，DRAM制程不断升级，3D NAND同步向更高层数发展，先进存储单位产能对应设备投资额持续提升。与此同时，为满足高带宽、高堆叠、高良率要求，刻蚀、薄膜沉积、量检测等关键工艺的重要性进一步提高，设备数量及工艺复杂度同步增加。我们测算，薄膜、刻蚀及量测设备合计占存储设备资本开支超过50%，将充分受益于本轮存储扩产周期。

国内外存储同步扩产，平台化设备龙头及核心环节有望持续受益。海外三星、SK海力士、美光持续加大HBM及先进DRAM产能投入，国内长鑫存储、长江存储扩产节奏同步加快，国产存储市占率有望持续提升。随着存储景气度回升及新一轮资本开支开启，平台化设备商将凭借产品覆盖度持续提升率先受益，同时薄膜沉积、刻蚀、量检测等高价值量环节也将迎来更大的成长空间，看好具备平台化能力及国产替代优势的设备龙头长期成长。

投资建议：看好前后道半导体设备+零部件厂商，重点推荐前道设备【北方华创】【中微公司】【迈为股份】【芯源微】【屹唐股份】【中科飞测】【精测电子】【天准科技】【拓荆科技】【微导纳米】【先导基电】【华海清科】【盛美上海】【晶盛机电】；后道设备【长川科技】【华峰测控】；材料和零部件环节【富创精密】【新莱应材】【英杰电气】【汉钟精机】【晶盛机电】；建议关注后道设备【联讯仪器】【精智达】【联动科技】。

风险提示：半导体行业投资不及预期，设备国产化进程不及预期，技术迭代及工艺路线变化风险。

公司深度

刘奕町

煤炭有色钢铁首席分析师

S0600526060002

中国宏桥（01378.HK）：全产业链铸就成本护城河，高股息引领价值重估

报告发布日期：2026-08-07

投资要点

公司铝全产业链布局稳步推进，上中下游协同发展驱动公司业绩提升：上游方面，公司具备全球化铝土矿和氧化铝的供应链，25年铝土矿年产量近6500万吨，截至25年9月，氧化铝2100万吨，并依托自备电厂保障电力供应，具备成本优势。中游以山东和云南电解铝厂为核心，具备电解铝年产能646万吨，其中山东428万吨、云南218万吨。下游方面，公司具备规划再生铝年产能70万吨，目前建成40万吨，同时公司积极布局新兴汽车市场，强化终端应用。

公司盈利能力出色，高比例分红回报投资者，资本开支有望大幅下行：公司自2011年上市以来持续保持较高且稳定的分红水平，股息率大幅领先同行，我们测算按照2026年预期归母净利润，以及2026年7月24日收盘价，公司26年全年预期股息率为10.7%；公司2025年ROE为17.07%，销售毛利率销售净利率均属行业前列，盈利能力突出。

海外快速投产节奏下，全球2027-2028年电解铝供需格局或仍维持紧平衡：供给端，考虑到印尼新增产能的快速投放&中东受损产能的修复，我们测算2027-2028海外供给增速约为11.49%/7.91%、全球供给增速约为4.51%/3.31%；同时考虑到全球制造业的进一步复苏，我们测算全球需求增速1.99%/3.03%，整体供需格局从2026年的大幅紧缺转向紧平衡，考虑到欧美自身电解铝企业的完全成本中枢上移，以及海外补库的硬性需求，我们认为铝价具备长期高位的基本面。

布局西芒杜铁矿项目，投资收益有望大幅增厚公司利润：西芒杜铁矿项目是全球储量最大、品质最高的未开发铁矿，其北部区块推断资源总储量超18亿吨，矿石平均含铁量约为65.5%，由WCS（由韦立国际集团、魏桥铝业组成）和几内亚政府联合开发。截至2025年底，中国宏桥集团穿透持有西芒杜北部区块项目（Block 1&2）21.36%股权。西芒杜铁矿项目于2025年11月首次出矿，公开数据测算显示目前项目年化产能已突破4000万吨，随着产能逐步爬坡，有望为公司贡献新的利润增量，并打开中长期第二成长曲线。

盈利预测与投资评级：我们预计公司2026-2028年实现营收分别为1758.04/1760.31/1756.83亿元，同比增速分别为8.28%/0.13%/-0.20%；实现归属母公司股东净利润分别为340.19/341.90/337.29亿元，同比增速分别为50.29%/0.50%/-1.35%。对应2026-2028年的PE分别为6.00/5.97/6.05倍，与可比公司估值均值相比较为合理，考虑公司海内外铝产业链布局较为清晰、分红比例常年位于铝产业链公司前列，因此首次覆盖给予公司“买入”评级。

风险提示：下游需求不及预期导致铝价下跌风险；原材料保供风险；美元持续上升风险。

王紫敬

计算机首席分析师

S0600521080005

国投中鲁（600962）：浓缩苹果汁龙头，战略转型半导体“卖铲人”

报告发布日期：2026-08-07

浓缩苹果汁龙头：国投中鲁果汁股份有限公司是浓缩苹果汁行业第一家在国内主板上市的国有控股企业。公司控股股东是国家开发投资集团有限公司，截至 2026 年 3 月 31 日持股公司约 45%。公司主营业务为浓缩果蔬汁(浆)的生产和销售，以苹果、梨等果蔬农产品为生产原料。公司2025 年收入 19.84 亿元，同比下降 0.15%，收入中 99%来自果汁、香料及果糖主业，以出海为主，2025 年国际收入占比约 73%。

规划收购电子信息工程设计优质资产，探索战略转型：2025 年国投中鲁拟筹划重大资产重组，拟通过发行股份方式购买中国电子工程设计院（简称电子院）100%股份，交易对价为 60.26 亿元，探索战略转型电子信息上游产业。

半导体扩产推动工程设计需求增长。2021 年以来，我国已竣工半导体项目数量与投资规模持续增长，当下仍处在高速增长期。AI 算力革命推动半导体扩产新周期，同时先进制程与封装创新双轮驱动技术迭代，第三代半导体产业化进程加速，半导体产业升级和加速扩产将直接推动工程设计需求增长。

电子院：电子信息工程设计国家队。电子院控股股东同样为国投集团，大基金二期为电子院的重要股东之一。公司前身是 1953 年成立的重工业部电信工业管理局设计处。在集成电路领域，从我国第一个集成电路项目至第一条由国内企业主导的 12 英寸 3D 闪存芯片生产线项目，承担了多条集成电路芯片生产线的咨询、设计和工程总承包工作，电子院助力完成国家基础战略布局。目前电子院服务领域已从电子信息产业逐步延伸到算力基础设施、大科学装置等其他相关领域，主业包括工程总承包与分项承包、设计与全过程咨询、工程技术服务与销售，覆盖中芯国际、长鑫存储、京东方等头部客户。在电子信息产业工程勘察设计行业，公司与太极实业旗下的十一科技占有绝大部分市场份额。

电子院：归母净利润高增，业绩承诺彰显发展信心。2025 年 1-11 月电子院收入 70.6 亿元，相较于 2024 全年增长 3.7%，归母净利润 2.14 亿元，相较于 2024 全年增长 89%。此次重大资产重组，电子院业绩承诺为 2026-2028 年扣非归母净利润 3.12/3.48/3.75 亿元，彰显发展信心。

盈利预测与投资评级：我们预计公司 2026-2028 年营收分别为 20.83、21.87、22.97 亿元，归母净利润分别为 0.42/0.43/0.47 亿元，同比增长2%、2%、9%，对应 EPS 分别为 0.16/0.16/0.18 元。若公司完成电子院100%股权收购，则有望大幅增厚公司营收和归母净利润，我们看好国投中鲁作为国投系上市平台，拟收购电子院战略转型半导体上游“卖铲人”，首次覆盖，给予“买入”评级。

风险提示：重大资产重组失败风险；跨界整合风险；商誉减值风险；电子院业绩不及预期；募集资金不确定性风险；下游需求不及预期；原材料价格波动。

【东吴深度】本周重点报告(8.3-8.9）

评论 (0)

相关文章