#第四阶段：产业趋势研究（6-8 周）

2026年升级说明：原 3-4 个月压缩至 6-8 周。产业趋势的跨领域检索、人口/技术/消费变量整合可由 LLM 完成，人类精力聚焦于"判断持续性+天花板+估值分位"。

本阶段目标：建立长期产业趋势判断能力、主题投资框架、估值百分位跟踪体系。

建议周投入：4-5 小时（原 8-10 小时压缩 50%） 时间窗口：6-8 周

#学习目标

完成本阶段后，你应该能够：

1. 识别技术进步曲线、判断商业化时点
2. 理解人口结构变化对产业的影响
3. 研究消费升级的规律与方向
4. 跟踪国际产业转移与国内替代趋势
5. 建立政策驱动型主题的识别逻辑
6. 给出 3 个未来 3 年的产业趋势判断并说明依据
7. 建成至少半自动化的估值跟踪体系

#模块一：长期趋势研究（AI 协作版）

#1.1 技术进步曲线的识别与分析

LLM 汇总技术路线 + 人类判断商业化时点

技术进步的典型曲线（S 型）：

早期探索期 → 技术突破期 → 快速渗透期 → 成熟期
   10年+      3-5年         5-10年       10年+

判断维度：

1. 技术成熟度：参考 Gartner 技术成熟度曲线（炒作周期）
2. 商业化进度：实验室阶段 / 小批量试产 / 量产 / 规模化
3. 成本曲线：单位成本下降速率（如光伏的"学习曲线"）
4. 政策支持力度：是否纳入五年规划重点

LLM 可完成的工作：

• 汇总技术路线争议（不同流派的方案对比）
• 整理海外技术进展（如 X/Twitter 上的海外专家讨论）
• 跨语言检索最新学术论文

人类必须做的判断：

• 商业化时点：技术从实验室到量产需要多久？
• 商业化成本：量产后单位成本能否降到可接受水平？
• 商业化壁垒：技术领先方能否持续保持优势？

#1.2 人口结构变化对产业的影响

LLM 整理人口数据 + 人类判断受益行业

中国人口结构三大趋势：

1. 老龄化：60 岁以上人口占比从 2020 年的 18.7% 升至 2035 年的 30%+
2. 少子化：出生人口从 2016 年的 1785 万降至 2024 年的 954 万（预估）
3. 家庭小型化：户均人口从 2010 年的 3.1 人降至 2024 年的 2.6 人

直接受益行业：

LLM 工作内容：

• 整理国家统计局人口数据（2010-2024 年历史）
• 汇总联合国、世界银行对中国人口的预测
• 对比日本、韩国的人口结构与产业变化

人类判断：

• 哪些人口趋势是确定的（老龄化不可逆）
• 哪些受益行业在国内已有可投标的（医药、宠物经济）
• 哪些行业受人口趋势负面影响（教培、母婴）

#1.3 消费升级的规律与方向

LLM 跨行业对比 + 人类判断本地适用性

消费升级的四个层次：

日本消费升级参考（参考三浦展《第四消费时代》）：

• 第一消费时代：少数人消费（1920-1940）
• 第二消费时代：大众消费（1955-1980，家电普及）
• 第三消费时代：个性化消费（1980-2005，品牌崛起）
• 第四消费时代：共享、朴素、本土（2005-至今）

中国当前判断：

• 一二线城市：第三消费时代（个性化、品牌化）
• 三四线城市：第二到第三消费时代过渡（大众消费到品牌消费）
• 农村市场：第二消费时代（家电、汽车普及）

LLM 工作：跨行业对比消费升级路径（家电→汽车→服务→体验） 人类判断：本地适用性，如中国消费者与日本消费者的差异

#1.4 国际产业转移与国内替代趋势

LLM 追踪海外动态 + 人类判断国产化率

国际产业转移的三个方向：

1. 从中国转移出去：低端制造（纺织、玩具）向东南亚转移
2. 转移回本国：美日韩的"制造业回流"政策（半导体、新能源）
3. 区域化重组：从"全球生产"到"区域生产"（北美、欧洲、亚洲三足鼎立）

国内替代的三个层次：

1. 技术替代：从进口到国产（半导体设备、高端机床）
2. 品牌替代：从国际品牌到国货（化妆品、服装、运动品牌）
3. 服务替代：从外资服务到本土服务（SaaS、咨询）

LLM 工作：

• 追踪海外政策（如美国 CHIPS 法案、欧盟绿色协议）
• 整理国产化率数据（行业协会、券商研报）

人类判断：

• 国产化率提升速度是否合理
• 国产替代的关键卡点在哪里
• 哪些国产替代标的估值已过高

#模块二：主题投资框架

#2.1 政策驱动型主题的识别逻辑

主题类型分类：

#2.2 从政策到行业再到标的的传导路径

完整传导路径：

政策出台
    ↓ (3-6个月)
专项规划发布
    ↓ (6-12个月)
实施方案落地
    ↓ (12-24个月)
业绩兑现
    ↓ (同步)
估值修复
    ↓ (12-24个月)
估值泡沫（部分主题）

关键节点判断：

• 政策出台 → 专项规划：方向性判断
• 专项规划 → 实施方案：可操作性判断
• 实施方案 → 业绩兑现：业绩兑现判断
• 业绩兑现 → 估值修复：估值判断
• 估值修复 → 估值泡沫：止盈判断

#2.3 主题持续性与天花板的判断方法

持续性维度：

1. 政策持续性：是否跨多个五年规划
2. 技术持续性：是否处于 S 曲线的快速渗透段
3. 市场持续性：渗透率是否仍有 2 倍以上空间
4. 公司持续性：龙头是否有可持续壁垒

天花板判断：

1. 市场空间天花板：饱和渗透率下的市场规模
2. 盈利天花板：行业稳定后的利润率水平
3. 估值天花板：历史相似行业的估值高点

LLM 工作：整理主题相关研报、跨市场对比 人类判断：主题持续性是否扎实、天花板是否合理

#2.4 主题基金池的维护机制

基金产品类型对比（ETF/LOF/FOF/QDII）详见 /04-终点段/01-基金标的研究/04-基金产品类型对比，基金费率体系（A 类/C 类等）详见 /04-终点段/01-基金标的研究/05-基金费率体系。

池子构建原则：

• 每个主题 3-5 只候选基金（不同基金公司、不同跟踪指数）
• 入池标准：规模 > 2 亿、跟踪误差 < 2%、费率合理
• 出池标准：规模 < 1 亿、跟踪误差 > 3%、费率异常

维护节奏：

• 月度：规模、跟踪误差检查
• 季度：成分股变化、行业权重变化
• 年度：基金公司、基金经理变化

#模块三：估值百分位跟踪（AI 自动化版）

#3.1 行业指数估值日历

参考银行螺丝钉方法（人物方法论档案见 /02-起点段/04-个人投资者参考/02-银行螺丝钉）：

• 每日记录主要指数的 PE、PB（估值指标公式与计算详见 /04-终点段/01-基金标的研究/01-估值指标公式与计算）
• 计算历史分位（10 年分位，计算方法详见 /04-终点段/01-基金标的研究/02-估值分位计算方法）
• 设置异常告警（突破 20%/80% 分位时自动推送）

#3.2 估值分位跟踪规则

#3.3 2026 年自动化建议

用 LLM+脚本自动抓取理杏仁估值数据：

• 工具选择：Python（requests+BeautifulSoup）或 Make/n8n
• 抓取频率：每周一次（如每周日晚上）
• 数据存储：Excel/Google Sheets/Notion 数据库

设定异常告警：

• 突破 20% 分位时自动推送（Telegram/飞书机器人/邮件）
• 突破 80% 分位时自动推送
• 单日跌幅 > 3% 时自动推送

每周 LLM 自动生成"估值异常解读"初稿：

• LLM 汇总本周估值变化
• LLM 给出可能原因（政策、财报、宏观）
• 人类只做最终审阅，决定是否调整定投

关键：自动化的是数据汇总，不是决策。

#3.4 估值跟踪表模板

#模块四：AI 产业定投专项（2026 年新增）

AI 既是 2026 年最重要的产业变革变量，也是定投组合的核心配置方向之一。详见配套文档《AI 与产业变革对定投的启示.md》。资产配置比例与核心卫星方法详见 /04-终点段/03-定投策略研究/11-资产配置具体比例方法。

#4.1 AI 产业链拆解

#4.2 AI 对其他行业的重塑

#4.3 AI 主题定投风险控制

估值已高：2026 年 AI 主题指数 PE 普遍处于历史 80% 以上分位，需严格按估值定投规则操作。

不追高：

• PE 分位 > 80%：暂停定投
• PE 分位 > 90%：考虑分批止盈

不 All in AI：AI 主题仓位上限不超过 30%（与"主题不贪心"原则一致）。

识别真假 AI 概念：

• LLM 可辅助识别"蹭概念"公司
• 重点看：研发投入占比、AI 业务收入占比、专利数量
• 警惕：仅在年报提"AI 战略"但无具体投入的公司

跟踪指标：

• 算力侧：GPU 出货量、IDC 机柜数
• 模型侧：API 调用量、模型评测分数
• 应用侧：付费用户数、留存率

#4.4 AI 产业定投的"人机协作"训练

用 LLM 定期整理海外 AI 产业链动态：

• X/Twitter 上的海外专家讨论
• 海外财报（如英伟达、AMD、台积电）
• 海外券商研报（如摩根士丹利、高盛）

用 LLM 对照国内 AI 政策做政策传导分析：

• 算力券政策
• AI 立法
• 数据要素政策

用 LLM 生成 AI 主题估值跟踪表初稿：

• LLM 汇总各 AI 主题指数的 PE 分位
• LLM 对比海外可比指数的估值
• 人类审阅定稿

关键：LLM 对 AI 主题的判断容易偏乐观（训练数据偏多看好），需人类强制写出 3 条看空理由。

#模块五：时间预算与周度计划

#5.1 周度推进计划

第 1-3 周：未来 3 年产业趋势判断

• 选择 3 个产业趋势（如 AI、老龄化、新能源）
• 每个趋势完成：驱动因素、持续性、天花板、可投标的
• 附 AI 协作记录

第 4-5 周：主题基金池

• 建立主题基金池（5-10 只基金）
• 每只基金含：跟踪指数、规模、跟踪误差、费率、当前估值分位、加仓建议
• 设定入场/出场规则

第 6-8 周：估值跟踪表与自动化方案

• 建立估值跟踪表（至少覆盖 5 个核心行业）
• 配置自动化方案（Python 脚本或 Make/n8n 流程）
• 试运行 2-3 周，调优

#5.2 周产出物

#5.3 阶段交付物

• 能给出 3 个未来 3 年的产业趋势判断并说明依据
• 建成至少半自动化的估值跟踪体系

#5.4 阶段自检

• 判断的依据是否扎实
• 能否经受"如果错了，是哪个假设错了"的反问
• 同时能识别 LLM 在产业趋势判断中的至少 1 处幻觉

#模块六：心态与纪律专项训练

本阶段对应心态训练表中的"主题不贪心"：

#6.1 单一主题仓位上限 30% 的理由

1. 分散风险：单一主题判断错误时，避免拖累整体收益
2. 避免信息污染：仓位过大易产生"重仓焦虑"，影响判断
3. 保留加仓空间：低估时仍可加仓，不被高仓位套牢

#6.2 LLM 推荐的"必涨"主题也受此限

规则：即使 LLM 给出 10 条看多理由，单一主题仓位仍不超过 30%。

理由：

• LLM 对热门主题容易偏乐观（训练数据偏多看好）
• "必涨"判断往往是幻觉
• 历史上"必涨"主题（如元宇宙、NFT）的兑现度普遍低于预期

#6.3 产业趋势判断的"反问机制"

对每个产业趋势判断，强制反问：

1. 如果错了，是哪个假设错了？（找出关键假设）
2. 这个假设错了，趋势会怎么样？（评估风险）
3. 这个假设错了，我能否承受？（评估仓位）

示例：

• 判断：AI 算力需求未来 3 年保持 30%+ 增速
• 关键假设：大模型训练需求持续增长
• 反问：如果训练需求放缓，算力需求会怎么样？
• 应对：单一 AI 主题仓位不超过 30%

#模块七：常见问题与陷阱

#Q1：产业趋势判断错了怎么办？

A：承认错误，及时调整。判断错误的常见信号：

• 业绩兑现连续 2 个季度低于预期
• 行业增速大幅低于券商预测
• 龙头公司频繁下调指引
• 政策支持力度减弱

应对：

• 业绩证伪时减仓 50%
• 业绩连续 2 季度证伪时清仓
• 不在亏损时"加仓摊薄"

#Q2：LLM 给出的产业趋势判断可信吗？

A：作为参考，不作为决策依据。LLM 在产业趋势判断中的常见幻觉：

• 用过时的产业数据当成最新
• 混淆中国市场与全球市场
• 高估新兴技术的商业化速度
• 低估技术变革的颠覆性

#Q3：估值跟踪表必须自动化吗？

A：建议自动化，但非强制。手工维护也可行，但：

• 跟踪 5+ 行业时，手工维护每周需 1-2 小时
• 自动化方案初期投入 4-8 小时，长期省时
• 自动化还能做异常告警，手工易漏

#Q4：主题基金池应该选主动基金还是被动基金？

A：建议以被动（指数）基金为主。原因：

• 主动基金依赖基金经理，更换经理后风格可能变
• 主动基金费率更高（1.5% vs 0.5%）
• 长期看，主动基金跑赢指数的比例不高（尤其是 A 股）

例外：红利类、QDII 类中部分主动基金有持续性优势。

#Q5：AI 主题估值过高，还能配置吗？

A：严格按估值定投规则操作：

• PE 分位 70%-90%：减半定投
• PE 分位 > 90%：暂停定投
• PE 分位 > 95%：考虑分批止盈

不要"因为看好 AI 长期"就无视估值。长期看好 ≠ 任何估值都可以买。

#本阶段作业

#作业 1：3 个未来 3 年产业趋势判断

选择 3 个产业趋势（如 AI、老龄化、新能源、国产替代等），每个趋势完成：

1. 趋势定义：具体描述这个趋势是什么
2. 驱动因素：政策、技术、人口、消费等
3. 持续性判断：3 年、5 年、10 年的持续性
4. 天花板判断：饱和渗透率下的市场规模
5. 可投标的：相关指数/基金清单
6. 关键假设：如果错了，是哪个假设错了
7. 看空清单：3 条看空理由
8. AI 协作记录：LLM 初稿 + 人类验证 + 识别的幻觉

每个 2000-3000 字。

#作业 2：主题基金池

建立主题基金池（5-10 只基金），每只包含：

• 跟踪指数
• 基金代码、名称
• 规模、跟踪误差、费率
• 当前估值分位
• 加仓建议（加倍/正常/减半/暂停）
• 入场/出场规则

#作业 3：估值跟踪表与自动化方案

1. 建立估值跟踪表，覆盖至少 5 个核心行业
2. 配置自动化方案（Python 脚本或 Make/n8n 流程）
3. 试运行 2-3 周，记录问题与优化点
4. 输出技术文档（含部署步骤、维护指南）

#下一阶段衔接

完成本阶段后，进入第五阶段：基金标的筛选。本阶段建立的主题基金池与估值跟踪体系，将用于基金筛选的深入对比。

详见 05-基金标的筛选.md。

配套文档

• 路线图——本课程的学习路径总览
• AI 与产业变革对定投的启示——AI 产业专项
• 2026 年后社会与财富变化趋势分析——长期趋势
• 国内主要指数概览——可投标的参考