市场轮动与情绪

市场轮动与情绪

• 当天的上涨下跌未必需要逐项找原因，更像一次高位股获利了结、低涨幅且被低估标的获资金回流的轮动；举例看，资金从此前跑得过高的方向撤出，转向 英伟达 和 Meta 这类此前相对没涨、同时被认为低估的股票。引用1
• $QQQ 的日线 RSI 已接近 80，说明市场仍处在极强动量区间；超买不必然等于立刻见顶，趋势市里 RSI 甚至可能继续上冲到 85 或 90。引用7
• 强势牛市往往会长时间停留在历史新高附近，因此“价格太高”的不适感本身不能直接等同于风险上升；更合理的应对是分批加仓优质标的，而不是机械等待深回调。引用10
• 眼下市场的亢奋程度被拿来类比 2020-2021，核心持仓上涨速度也异常快，这类情绪与价格行为已明显偏离常态，过热风险需要被正视。引用13
• 另一个值得注意的信号是：股市逼近历史新高时，市场情绪反而更悲观，价格走强与情绪转弱的背离本身带有反向指标意味。引用16

交易纪律与持仓框架

• 高胜率交易不只来自技术形态，还依赖对主题、叙事、基本面和公司故事的理解；$MRVL、$DELL、$ARM、$GEV、$NBIS 被列为兼具强基本面与强叙事的代表，核心是用主题与基本面确认来增强技术交易的持仓信念。引用6
• $MSFT 相对 $QQQ 创下 8 年新低，说明其阶段性明显跑输大盘科技指数；但这种极端相对弱势也意味着修复价值，更适合长期持有、等待相对表现回归，而不是频繁交易。引用9
• 财报前押注被直接定义为更接近赌博，而不是可重复的交易决策；在这套框架下，回避财报博弈本身就是纪律的一部分。引用14
• 市场周期有时会容忍追涨、FOMO 和盲目交易，有时则会严厉惩罚这些坏习惯；长期能活下来的前提，仍是始终执行可靠、可重复的交易系统。引用15
• $RKLB 在 Q1 财报前的期权隐含波动率对应单日预期波动约 13.88%，市场给出的业绩后定价区间大致为 72 到 96 美元；叠加盘中上涨 6% 至 84 美元附近、13 位分析师买入共识和 86.15 美元平均目标价，说明分歧和波动预期都很高。引用8

AI 基础设施与半导体供需

• AI 数据中心产业链的瓶颈几乎遍布 GPU、HBM、DRAM、SSD、电力、液冷、光模块、交换机、PCB、ABF、封装、机柜、铜缆、变压器、施工、土地和并网，但“存在瓶颈”不等于“能抓住利润”；投资关键不只是识别短缺，还要判断各环节利润捕获能力的差异。引用2
• $NVDA 涨超 5% 被解读为市场开始奖励 Jensen 在 AI 基础设施上的交易布局，因为这些 deal 本身就是一张短缺地图，能反向标出哪些瓶颈在恶化、哪些环节最关键；至少在算力供给上，市场已把 $CRWV、$NBIS、OpenAI、Anthropic 视作核心受益线索。引用3
• Anthropic 与 xAI 的合作，被视为早期算力投资不足后的被动补课：此前投入过于保守，只能向竞争对手采购算力；另一面则是 xAI 自建大规模算力基建利用率不足，闲置容量得以对外出租变现。引用4
• 芯片供给依然明显吃紧，连续 48 小时内三份财报再次确认“产能不够”；同一轮供给挤压也开始传导到消费电子，内存芯片和 CPU 短缺、价格上涨 10-20%，消费 PC/笔记本市场的“崩塌”被形容为比 2008 金融危机或 Covid 初期更糟，Nvidia 消费/游戏 GPU 需求也停滞。引用18 引用19
• TSMC 可能继续扩大美国投资规模；台湾媒体将 Cliff Hou 在 SelectUSA Investment Summit（May 3-6）的表态解读为美国投资或高于已宣布的 US$165 billion，远超最初的 $65 billion 计划。引用17

公司基本面与收入质量

• Palantir 只有 1007 个客户，却已做到接近 $20 亿年化收入，意味着单客户年均贡献接近 $200 万美元；更关键的是扩张并未放缓，客户净留存率 150%，商业板块单客户收入环比 +7%，政府板块单客户收入环比 +17%。引用5
• $ARM 上涨 12% 的直接驱动是基本面超预期：管理层称其首款数据中心芯片需求“exceeded expectations”，FY27 与 FY28 的 AGI CPU 需求已超过 $2B；随着 AI 更加 agentic，Arm 认为自己作为 AI 时代计算平台的地位在继续强化。引用11
• 对 $ARM 的另一种看法是，回落更多来自前期涨幅过大、估值偏高，以及投资者对短期指引和智能手机季节性的聚焦；但更重要的变化在于，Arm 正越来越像 AI 时代的数据中心算力平台，AGI CPU 让其长期叙事发生质变。引用20
• $AMD 判断服务器 CPU 市场到 2030 年可能超过 $120B，且年增速高于 35%，背后驱动是 agentic AI 带来的持续算力需求；如果每个用户都对应多个持续调用工具并生成 token 的 AI agents，CPU 的重要性会重新上升。引用12