第179章 木头体系雏形

第179章 木头体系雏形 (第1/2页)

公开深度研究过程的决定，在唐磊看来，是又一次惊世骇俗的“自我解剖”，是“木不识丁”这个IP在专业性和透明度上走向极致的标志。但对贝西克而言，这更像是一次对自身投资体系的系统性梳理和再确认。当“五年交易记录”证明了“结果”，“直播复盘”和“大学笔记”揭示了“过程”与“源头”，那么，支撑这一切的底层“基础设施”——深度研究的过程与方法——是时候清晰地呈现出来了。这不仅是为了应对外界可能残余的、或未来新形式的质疑，更是对自己投资哲学的一次严肃审视和升华。
　　
　　整理XXX科技的深度研究资料，是一项庞大而细致的工作。唐磊从书房角落搬出几个大号收纳箱，里面分门别类地放着过去几年积攒下来的纸质资料：打印出来的券商研报、行业白皮书、公司年报季报、新闻剪报、手写的分析笔记、涂画得密密麻麻的图表草稿，甚至还有一些参加行业会议的手册和名片。
　　
　　“我的天，老贝，你这几年光在XXX科技这一家公司上，就攒了这么多东西？”唐磊看着几乎塞满半个书房地面的资料箱，有点咋舌，“电子版的还好说，这些纸质的……得扫描到什么时候？”
　　
　　“电子版是主体，但纸质笔记和草稿里有当时最即时的思考和灵感，也很重要。”贝西克蹲下身，打开一个箱子，抽出一本厚重的硬壳笔记本，封面上用马克笔写着“XXX科技-初探（201X年）”。他翻开，里面是密密麻麻的字迹、粘贴的财报片段、手绘的产业链示意图，以及各种颜色的批注和问号。“就从这本开始吧。按时间顺序，从最初关注开始，把整个研究链条还原出来。”
　　
　　两人开始了繁琐的资料整理工作。唐磊负责电子文档的归集、分类和初步筛选，贝西克则专注于梳理纸质笔记和手稿，将散乱的思绪和线索串联成清晰的研究脉络。
　　
　　“这是最早的一份券商深度报告，大概是三年前的。”唐磊在电脑上打开一个PDF文件，“你当时在旁边批注了不少。”
　　
　　贝西克接过平板电脑，看着那份报告的电子版，旁边是自己当年的批注：“行业渗透率估算过于乐观，未考虑技术路径风险”、“毛利率假设未考虑未来价格战”、“管理层技术背景强，但商业化能力待验证”、“核心芯片自研率是关键，需跟踪”……
　　
　　“看，很早就在用批判性思维读报告了，不盲从。”唐磊笑道。
　　
　　“券商报告是信息的起点，但不是投资的终点。”贝西克说，指尖划过那些批注，“当时对AI算力芯片这个赛道有兴趣，但不确定哪家公司能跑出来。看这份报告，主要是为了了解行业框架和主要玩家。我的批注，其实是在建立自己的研究问题清单：这个行业的天花板有多高？增长驱动力是什么？技术路径有哪些？竞争格局如何？潜在风险在哪里？哪些公司可能胜出？”
　　
　　他放下平板，拿起那本“初探”笔记，翻到中间一页，上面画着一个简陋的SWOT分析（优势、劣势、机会、威胁）矩阵，针对当时几家主要的AI芯片公司。“你看，这就是早期的粗糙对比。优势、劣势更多是基于公开信息和有限的感知，机会和威胁更多是逻辑推演。很初级，但框架有了。”
　　
　　唐磊凑过来看：“你当时就圈定了XXX科技？”
　　
　　“没有。”贝西克摇头，翻到后面几页，是几家公司财务数据的简单对比表格，以及一些关于技术路线（如GPU、ASIC、FPGA）的优劣分析笔记。“最初是几家都在看。但持续跟踪了大概半年多，通过财报、招股书（如果已上市）、技术发布会、专利情况、客户进展等，逐步排除了其他几家。有的是技术路线我觉得前景不明，有的是管理层不稳定，有的是财务结构有问题，或者估值太贵。XXX科技是其中，在技术自研、团队背景、财务稳健性和当时估值（相对其成长性）几个维度综合下来，赔率看起来最合适的一家。”
　　
　　“赔率？”唐磊抓住关键词。
　　
　　“对，赔率。”贝西克点头，从另一个文件夹里抽出一张A4纸，上面是一个简单的手写估值模型草稿。“这是我第一次尝试给XXX科技做粗略估值。不是那种复杂的DCF（现金流折现），而是基于几个关键假设：未来几年的营收增速、毛利率变化、市场份额、以及可能的估值倍数区间。算出来一个很宽泛的内在价值范围，然后对比当时的市值，看潜在上涨空间（赔率）有多大。同时，也评估了最坏情况：如果技术失败、竞争恶化、行业需求不及预期，股价可能跌到哪里。这个‘下行风险’的估算，和‘上行空间’的估算，结合起来，构成了最初的赔率判断。”
　　
　　唐磊看着那张充满假设和箭头的草稿纸，虽然粗糙，但核心思路清晰：寻找上行空间远大于下行风险的机会。“所以，你并不是一开始就认定它一定会成为大牛股，而是觉得，在这个位置买入，如果对了，赚得多；如果错了，亏得相对有限？而且这个‘有限’在你承受范围内？”
　　
　　“没错。”贝西克肯定道，“这就是‘赔率思维’。我不追求100%确定的机会，那种机会要么不存在，要么早已pricein（价格已充分反映）。我追求的是‘不对称性’：向上的空间远大于向下的风险。这就需要深度研究来降低‘不确定性’，提高判断正确的概率，但更重要的是，识别出这种‘不对称’的结构本身。XXX科技在当时，就初步具备了这种结构：行业在爆发前夜，公司有核心技术，财务还算健康，市值不大。如果看对了，空间很大；如果看错了，由于市值小、有技术底子，也不至于归零，下行风险相对可控。”
　　
　　随着资料整理的深入，XXX科技的研究脉络越来越清晰。贝西克的研究不是一蹴而就的，而是持续数年的、迭代演进的过程。
　　
　　他们找到了贝西克跟踪公司每个季度财报后写的分析摘要，记录着他对营收、毛利率、研发费用、存货、现金流等关键指标变化的观察和解读，以及由此引发的对公司经营状况的推断和新的疑问。
　　
　　“看这里，”贝西克指着一份大约两年前的笔记，“这个季度毛利率环比下滑，我当时的分析是产品结构调整和初期规模效应不足，但需要观察是否可持续。我在旁边打了个问号，标注‘下个季度重点观察’。后来下个季度的财报显示毛利率企稳回升，我的判断是短期波动，不是趋势性问题，于是在旁边打了个勾。”
　　
　　还有对行业动态的紧密追踪：竞争对手的新品发布、技术路线的演进、下游大客户的订单情况、政策环境的变化……每一件可能影响公司竞争格局和行业前景的事件，贝西克都有记录和简评。
　　
　　“这是当时某国际巨头发布新一代GPU的新闻剪报，”唐磊翻出一张打印的新闻网页，上面有贝西克的批注：“性能提升显著，但功耗和成本仍是问题。对XXX科技在特定细分市场的差异化路线构成压力，但也可能加速行业洗牌，利好头部自有技术公司。需关注XXX科技下一代产品性能对比。”
　　
　　甚至还有一些看似零碎的信息：公司在招聘网站发布的职位信息（反映业务扩张方向）、核心技术人员发表的学术论文或会议演讲、供应链相关的小道消息（需交叉验证）……都被贝西克以各种形式记录、归档，试图拼凑出公司发展的完整图景。
　　
　　“老贝，你这研究的细致程度，快赶上卖方研究员了！”唐磊感叹，“不，比很多卖方研究员还细！他们很多时候是追热点、写报告，你是真的在‘理解’这家生意。”
　　
　　“研究员覆盖很多公司，我们只聚焦少数几家。”贝西克说，“我们的优势就是可以更深入、更持续。投资的本质是认知的变现。你对一家公司的理解，必须比市场上大多数人更深，才能发现他们没发现的价值，或者规避他们没察觉的风险。这就是‘认知差’的来源。”
　　
　　“认知差决定赔率空间。”唐磊想起大学笔记上那句话。
　　
　　“对。”贝西克点头，“深度研究的目的，就是创造这种认知差。当你看懂了行业的大趋势，看懂了公司的核心竞争力、管理层的执行力和未来的成长路径，而市场因为短期的噪音、偏见或无知，没有充分认识到这一点时，赔率就出现了。你的研究越深，认知差可能越大，潜在赔率就越高。当然，你也可能看错，所以需要风险控制。”
　　
　　他们接着整理出了贝西克在不同时间点，对XXX科技估值模型的迭代版本。从最初简单的市盈率（P/E）对比，到更精细的市销率（P/S）结合盈利预测，再到尝试搭建更复杂的、考虑研发资本化、潜在市场规模（TAM）和长期利润率的模型。每一个模型都伴随着大量的假设和敏感性分析，旁边标注着各种“如果……那么……”的情景推演。
　　
　　

（本章未完，请点击下一页继续阅读）