1st Quarter 2025 Commentary

主题与背景

本章节探讨了Horizon Kinetics投资组合如何为长期通胀环境以及当前由人工智能驱动的数据中心建设热潮进行布局。市场背景是，尽管其投资组合与市场指数及高权重的信息技术板块截然不同，但作者认为其已天然受益于AI数据中心投资周期，而无需大幅调整持仓。

核心观点

作者的核心投资论点是：其投资组合通过长期持有具备优秀财务复利特性的公司，已为通胀和AI数据中心投资浪潮做好了充分准备，体现了“明智的不作为”这一战略。一个反直觉的判断是：尽管其投资组合与市场主流（如高权重的信息技术股）差异巨大，但它已“自然而然地”获得了对AI数据中心建设周期的显著且有益的风险敞口，无需主动追逐热点。

关键论据与数据

作者通过历史对比和具体数据论证了数据中心投资的巨大规模及其对资源的消耗：

1. 投资规模：

• Meta计划2025年在数据中心建设上投入600亿至650亿美元，较2024年增长超过50%。
• 波士顿咨询集团估计，2024年至2030年间，美国主要数据中心公司将投资1.8万亿美元。

2. 历史对比：为理解1.8万亿美元的规模，作者将其与二战开支对比：

• 1941-1945年，美国战争开支为296亿美元（当时币值），占1940年GDP的31%。
• 经通胀调整后，相当于今天的5.1万亿美元。
• 相比之下，2024年美国全年国防预算为8420亿美元。
• 结论：数据中心建设投资规模与二战开支属同一量级，可能成为史上最大的私人资本部署。

3. 电力需求：

• 案例：Meta宣布到2025年底将拥有130万个NVIDIA芯片处理单元，每个功耗700瓦。若100%利用率运行，年耗电量约7,972,000兆瓦时，相当于美国罗德岛州的用电量。
• 宏观预测：劳伦斯伯克利国家实验室2024年12月报告预测了2023年至2028年美国数据中心用电量增长。
• 用电量占全美总消费的比例（低端预测）将从4.4% 增至6.7%（增长50%）。
• （高端预测）将从4.4% 增至12.0%（增长近两倍）。

4. 数据量背景：2025年全球创建、使用或复制的数据量预计将超过180泽字节（1泽字节=10^21字节），是2020年的近三倍。

涉及的公司/资产

• Meta：作为数据中心建设的核心参与者被提及，其巨额资本开支（600-650亿美元）和庞大的芯片持有量（130万个NVIDIA芯片）是论证投资规模和电力需求的关键案例。作者未明确看多或看空，但将其作为行业趋势的代表。
• NVIDIA：其芯片（功耗700瓦）被用作衡量数据中心电力需求的基本单位，是AI算力的核心硬件代表。

投资启示

对投资者的启示在于：应对AI投资浪潮，未必需要直接押注高估值的科技巨头或芯片公司。通过投资于那些为数据中心建设提供必需基础资源（如电力、原材料）或拥有能在此环境下持续复利的商业模式的公司，同样能捕捉到这一长期结构性趋势的红利。关键在于识别并持有那些在“河流改道”时能自然受益的资产。

数据存储与能源消耗的激增

尽管全球数据生成量巨大，但实际存储的比例很小。根据IDC和Statista的数据，2020年全球存储容量基数为6.7 ZB，预计到2025年前将以近20%的年增长率增长。然而，另一家机构Cybersecurity Ventures的估计更为激进，认为今年存储量将达到100 ZB。这一差异源于对新数据永久存储比例的估计不同：后者将这一比例从2015年的25%提升至当前的50%。尽管数字差异显著，但对于本文讨论的能源影响而言，这种差异相对次要。

存储数据本身也消耗大量能源，因为服务器需要持续运行。IDC/Statista预测，2025年至2028年间，年度数据创建和使用量将翻一番以上。数据存储正日益从个人设备迁移到云端，这意味着数据中心的能源需求将持续攀升。

AI 驱动的能源消耗爆炸

能源消耗的激增与AI密切相关。不同估计显示，ChatGPT类搜索的能耗可能是Google搜索的10倍；AI图像生成的耗电量约为其5倍；而OpenAI于去年12月发布的SORA文本转视频模型的能耗，更是ChatGPT搜索的1000倍。这些数据突显了AI应用，尤其是生成式AI，对能源基础设施带来的巨大压力。

AI 的必要性与市场应用

在探讨AI为何如此耗能之前，或许应先问：世界为何需要AI？其需求是否足以证明数千亿美元的巨额投资是合理的？公众目前主要接触的是大型语言模型，其应用市场广阔，包括：

从本质上讲，任何可算法化、可数据库化的经济领域和工作流程，都是AI的潜在应用场景，旨在节省时间、提高成功率或创造经济价值。然而，其巨大的市场价值难以精确量化，且并非所有劳动者都对AI替代人力感到欣喜。

另一类AI：大型数学模型

除了LLMs，还有一类公众不甚熟悉的AI：大型数学模型。LMMs使用与LLMs相同的GPU芯片，但方式截然不同。LLMs依赖于外部数据进行训练和重组，无法创造独立的新数据。而LMMs则能处理LLMs不擅长的任务，例如新药研发。

AI 在新药研发中的巨大机遇

新药研发市场庞大且不断增长，正是LMMs AI投资的沃土。从商业角度看，卖方（制药公司）和买方（患者）都迫切需求更快上市、成本更低的疗法，尤其是针对数千种难治或未治疾病。政府从社会政策和财政角度也对此有强烈需求。

当前新药研发面临严峻挑战：

• 成本飙升：研发费用年增长率约13%，远超一般物价指数。
• 周期漫长：从进入监管评估到获批，耗时可达14年。
• 失败率高：进入I期临床试验后，总体FDA批准失败率超过90%（某些领域如肿瘤学、神经学高达95%）。
• 损失巨大：每次失败的研发成本平均超过20亿美元，最高达45亿美元。

这些失败成本最终会转嫁到成功药物的价格中。2024年全球药品销售额达1.5万亿美元，其中研发支出为3060亿美元，占销售额比例持续上升，而研发投资回报率却在下降。具体到药物发现领域，今年支出预计为710亿美元。自2022年底NVIDIA H100芯片和ChatGPT发布后，该领域AI投资的年增长率预测已跃升至27%。

LMMs 如何革新药物研发

AI能在药物发现中节省大量时间和金钱。核心挑战在于识别和开发能与特定靶点蛋白或基因的精确位置结合、从而激活或抑制其功能的分子或蛋白质。这需要理解蛋白质如何从初始状态折叠成最终复杂的三维结构——几乎所有身体功能都基于或受蛋白质调节。

蛋白质折叠问题极其复杂。例如，一个中等大小蛋白质可能采取的构象数量，甚至超过了之前讨论的互联网数据量级（10²¹）。AI，特别是LMMs，能够通过模拟和计算，以前所未有的速度和精度预测蛋白质结构和药物-靶点相互作用，从而大幅降低早期研发的试错成本和失败率。

人类智能与AI的能耗对比

生成式AI为何如此耗能？根源在于它并非真正的“智能”。它不“知道”事物，而是必须通过数万亿次计算，从外部的人类文本和视觉数据库中拼凑答案。尽管有些已学内容可较低能耗重新访问，但全球累积数据不断增长，仍需持续访问。

相比之下，人类大脑虽然只占体重的约2%，却消耗了静息状态下约20%的能量，相对需求是体重的10倍。然而，这20%的能量（基于日均1300卡路里的静息代谢率）仅相当于约12瓦的功率——比冰箱灯泡的能耗还低。

这意味着，美国1.7亿劳动力的大脑总能耗约为2040兆瓦，仅占美国总发电能力的0.3%，规模低于美国第50大发电厂。有趣的是，高强度思考（如考试或投资评审）似乎并不会增加大脑的能耗。这一对比 starkly 凸显了当前AI计算模式的能源效率极低。

续篇分析：高性能计算与数据中心投资策略

#### 1. Large Math Models (LMMs) 在药物研发中的突破性作用

• 数据生成能力：与依赖现有数据的 Large Language Models (LLMs) 不同，LMMs 通过迭代模拟生成全新数据，解决了“无数据可用”的瓶颈问题。例如，在模拟新分子与特定病原体或胰腺癌细胞蛋白的相互作用时，LMMs 能够基于量子力学原理（如原子外层电子壳层或波函数）动态生成交互数据，而非依赖历史数据集。
• 应用流程：

1. 创建现有分子的数字副本与特定受体/组织的虚拟模型。

2. 运行交互模拟，根据结果进行增量调整。

3. 通过反复模拟生成新数据，直至识别出有潜力的化合物结构。

4. 生物化学家合成并测试候选化合物，结果反馈至模型进行优化。

• 临床实验成功率提升：LMMs 生成的数据集规模庞大，需结合生成式 AI 模型识别模式，从而显著提高 Phase II 和 Phase III 临床试验的成功率。早期证据表明，AI 驱动的药物发现周期可缩短至约 18 个月，远低于传统方法的 5-10 年。

#### 2. 计算需求与数据存储的爆炸性增长

• 四维模拟复杂性：药物相互作用模拟需涵盖四个维度——蛋白质的三维结构及其随时间折叠的动态形状变化。单个蛋白质折叠至稳定状态仅需 4 微秒（每秒可折叠数十万次），酶类折叠速度更快。
• 数据量示例：以 MICrONS 项目为例，其对小鼠视觉皮层 1 立方毫米 组织的重建产生了 2 PB 的原始数据，相当于：

• 存储需求激增：随着 AI 在神经科学等领域的应用拓展，数据中心存储需求将呈指数级增长。例如，单次数小时的人体扫描可能产生“数万亿次模拟”，需处理海量数据。

#### 3. 高性能计算的经济驱动与多领域应用

• 经济性优势：
• 降低研发成本：AI 驱动的高性能计算可在临床试验前大幅“降低风险”，提高 FDA 批准率，同时减少研发成本与上市时间。
• 需求动态：买家（制药公司）对高效研发的需求与卖家（数据中心服务商）的供给形成强劲经济动力。
• 跨领域应用扩展：

#### 4. 数据中心投资策略：两种路径对比

• 直接投资路径（以 GE Vernova 为例）：
• 投资发电用燃气轮机制造商，如 GE Vernova（目前订单积压约 4 年）。
• 2022 年订单包括 30 台 500 MW 级机组（全球最强），产能预计提升至明年 80 台。
• 仅少量订单与数据中心需求相关，增长潜力尚未完全释放。
• 风险：单一公司风险，且面临“指数化悖论”（见下文）。
• 指数化投资路径：
• 行业集中度：IT、金融、医疗保健三大行业占 S&P 500 权重的 66%，均直接受益于 AI 发展。
• 金融行业案例：以摩根大通为例，AI 可优化其 510 亿美元 的人力成本，并通过统计模型管理 4 万亿美元 资产负债表中的复杂风险。
• 潜在问题：指数化投资可能导致技术风险过度集中，削弱投资组合的多样性。

#### 5. 社会接受度与能源消耗的权衡

• 争议性应用：LLMs 的电力消耗若用于监控或替代白领工作，可能引发社会争议。
• 积极应用驱动接受度：但若技术能显著改善药物研发、治疗既往无法治愈的疾病，公众接受度将大幅提高。LMMs 需吉瓦级数据中心支持，但因其社会效益，能源消耗问题可能被优先考虑。

#### 6. 投资启示：技术变革的广泛影响

• 行业转型：高性能计算不仅限于药物研发，其在化学、材料科学等领域的应用同样具有变革性。
• 投资决策关键：投资者需权衡直接投资（如能源基础设施）与指数化投资（分散风险但集中技术暴露）的利弊，同时关注 AI 驱动的跨行业协同效应。

资源供需失衡与投资策略的再思考

#### 1. AI 产业链的资源依赖与投资悖论

• 资源消耗型增长模式：高利润的 IT 公司（如 Amazon、Meta、Google）正从“轻资产”模式转向大规模投资物理资源以建设云服务/数据中心。这些公司及其客户（金融、制药等行业）共同构成了 AI 资源的主要消费者，形成了一条从资源消耗到财务回报的传导链条：

```

资源消耗（电力、水、钢材等） → 数据中心建设 → AI 服务销售 → 企业财务回报 → 股东收益

```

• 投资决策的两难：投资者面临选择——是投资于消耗资源的数据中心公司及AI服务消费者，还是投资于提供关键资源的基础资源供应商？当前市场资金明显向前者倾斜，但后者可能因供需失衡而具备潜在价值。

#### 2. 数据中心扩张对资源需求的冲击

• 电力需求激增：数据中心建设所需的额外电力规模惊人。美国 2023 年发电总量与 2005 年持平，但天然气发电量翻倍，煤炭发电量下降三分之二，凸显天然气作为首选燃料的地位。
• 关键资源依赖：数据中心运营离不开三大基础资源：

• 资源需求的连锁反应：数据中心扩张将直接推高大宗商品需求与价格，例如钢铁生产本身需消耗大量电力（包括冶金煤），形成“资源消耗循环”。

#### 3. 市场权重失衡：资源消费者 vs. 资源提供者

• S&P 500 中的权重对比：

• 细分资源权重极低：
• 金属采矿：0.25%
• 能源：3.3%（以石油为主；天然气权重仅约1%）
• 土地：0%（若计入 Texas Pacific Land Corp. 的土地价值，权重不足0.05%）
• 水：0%（若计入TPL的水资源收入，权重约0.02%）
• 冶金煤：0%
• 数据中心 REITs：0.27%（但受制于高杠杆和盈利分配限制，增长潜力有限）

#### 4. ETF 投资的局限性：以“资源供应商”主题基金为例

• 整体规模微小：在 2,859 只股票 ETF（总规模 7.8 万亿美元）中，仅有 82 只基金看似受益于 AI/数据中心需求增长，总资产管理规模（AUM）为 980 亿美元，仅占 ETF 总规模的 1.3%。
• 主题纯度不足：
• 油气勘探与生产 ETF：约 40% 的 AUM，但仅约三分之一产量为天然气，石油极少用于发电。
• 材料板块 ETF（如 XLB）：仅 10% 的持仓为金属生产商，其余多为化工、包装等制造商。
• 水资源 ETF（如 PHO）：仅 11% 投资于水务公司，且多为受监管的公用事业，无法自由定价；其余持仓为机械、建材等间接关联行业。

#### 5. 供需失衡的启示：从“鸡蛋通胀”到资源投资

• 局部通胀案例：禽流感导致鸡蛋价格在短期内翻倍，但由于其在 CPI 中权重仅 0.17%，对整体通胀数据影响微弱。然而，对于鸡蛋消费者而言，这是真实的“局部通胀”。
• 投资启示：当某种商品需求缺乏弹性且无即时替代品时，即使小幅供应收缩也可能引发价格飙升。投资者应关注那些在需求增长期无可替代的资源资产，以对冲或从通胀中获利。

#### 6. 历史视角：S&P 500 行业权重的非永久性

• 当前 S&P 500 中大宗商品和通胀受益公司的低权重并非历史常态，而是近期现象。随着资源供需格局变化，指数构成可能再次调整，为前瞻性投资提供机会。

#### 7. 总结：重新审视资产配置逻辑

• 传统指数化投资遵循“经济占比大则权重高”的逻辑，但关键资源可能因权重极低而被市场低估。当这些资源成为高增长部门（如 AI）的瓶颈时，其投资价值可能显著提升。投资者需超越指数权重，关注实质性的供需动态与局部通胀潜力。

市场结构的历史成因与当前特征

当前市场结构的形成源于数十年金融化进程与特定历史条件的共同作用：

金融化进程的关键驱动因素：

这种结构并非市场固有常态，而是特定历史力量支撑下的产物。投资者从传统的硬资产导向转向金融资产，但未来环境变化可能促使他们重新关注实物资产。

硬商品在指数中的代表性不足问题

能源和水资源等关键硬商品在主流指数中的权重严重偏低，与其经济重要性形成鲜明对比：

关键商品的经济权重与指数权重对比：

这种错配创造了投资机会：当指数基金开始关注数据中心增长现象时，即使只有1%的资产配置转向相关商品公司，也会产生1400-2600亿美元的购买需求，远超这些公司的总市值。

小范围投资的"市场角力"效应

大规模指数投资无意中创造了合法的"市场角力"条件：

传统角力 vs 指数引发的角力：

当$14-26万亿美元的指数化资产（不含机构内部指数化）开始关注特定主题时，有限的标的公司市值无法满足配置需求，导致价格被"淹没式"推高。

预测性属性与时间套利

传统指数构建基于描述性属性，而投资成功需要预测性属性：

描述性属性 vs 预测性属性：

休眠资产的预测价值案例：

• 公司拥有长期持有的低成本土地
• 资产负债表未体现其价值
• 所在区域开始重新开发
• 潜在价值可能等于甚至超过公司运营价值
• 这种价值在采取行动前不可见

股权收益率曲线与时间套利

股权收益率曲线展示了投资者对回报时间的要求关系，比债券收益率曲线陡峭得多：

太平洋燃气电力公司案例（2002年）：

• 背景：公司2001年4月破产，优先股跌至面值三分之二
• 关键时点：2002年5月购买，预计2004年5月完成重组
• 确定性因素：重组计划确保优先股股东不受损害
• 计算基础：面值+累计股息拖欠
• 预期回报：两年期年化回报约35%

时间套利的实践特征：

1. 罕见性：只有特定证券提供未来价值的合理置信度

2. 客观锚点：需要合同、卖出期权、法律索赔等可执行机制

3. 一致性：不同经济环境和资产类型的收益率曲线惊人相似

4. 回报特征：三年期年化回报可达35%

这种分析框架为识别数据中心扩张受益者提供了方法论基础，将传统描述性分析与前瞻性预测相结合，在高度金融化的市场结构中寻找被低估的硬资产机会。

续篇分析：时间偏好、案例研究与行业洞察

#### 1. 机构投资者的时间偏好与市场机会

续篇进一步阐述了机构投资者的行为模式如何创造独特的投资机会。核心观点在于，机构投资者因受限于相对回报评估和短期（通常为12个月）业绩考核周期，对时间不确定但潜在回报丰厚的投资机会兴趣索然。这种“时间厌恶”导致此类资产被低估，从而为具有长期视野的投资者提供了高折价率（高收益率） 的入场机会。

• 关键洞察：市场并非总是有效定价长期价值。当一项投资的回报实现时间超出标准机构考核周期（尤其是时间不确定时），其市场价格往往会低于其内在价值。这本质上是一种由制度性约束造成的市场无效性，为逆向投资者提供了“时间套利”的空间。
• 数据佐证：文中以案例说明，某些机会的回报实现期可能在8个月到2.5年之间波动。这种不确定性足以吓退大多数机构资金，从而压低了价格，抬高了潜在收益率。

#### 2. 案例研究的共同模式与筛选逻辑

作者通过三个具体案例（San Juan Basin Royalty Trust, Hawaiian Electric Industries, Aris Water Solutions）阐释其投资哲学。这些案例并非随机选择，而是体现了清晰的筛选模式：

#### 3. 深度行业分析：Aris Water Solutions 与二叠纪盆地水处理行业

对Aris的分析超越了财务数据，深入解构了一个被市场误解的细分行业，展示了“从普遍不利条件中寻找价值”的逆向投资方法。

• 行业本质与规模：水处理并非简单的辅助服务，而是二叠纪盆地（特别是Delaware次盆地）油气生产的核心限制性因素和成本中心。关键数据揭示了其巨大规模：
• 水油比：约 4:1（每产出一桶油当量，伴随产生约4桶废水）。
• 影响：这意味着盆地对水处理基础设施的需求量至少是油气管道设施的4倍，且随着开采深入和油井老化，比例还在上升。
• 商业模式的双重性：

1. 废水处理：作为一项必须完成的合规性业务，Aris向生产商收取费用运走废水，现金流稳定。

2. 水循环利用：将处理后的水净化至可回用于压裂的标准，对同一桶水创造第二笔收入。这从成本中心演变为利润中心，提升了资产回报率。

• 结构性竞争优势：
• 地理与监管壁垒：业务横跨德州和新墨西哥州，两州法规不同，土地所有权（私有/州有/联邦）复杂。Aris在新墨西哥州建立的管网体系，以及将过剩废水跨州输送至德州处理的能力，构成了高准入壁垒。
• 资产绑定：通过与TPL、LandBridge等大地主签订长期土地租赁和特许权协议，锁定了关键基础设施的布局，难以被替代。
• 财务与运营杠杆：
• 高利润率：调整后边际利润稳定在约0.44美元/桶，利润率超过60%。
• 产能利用率提升空间：截至2024年第四季度，废水系统和回收水系统的产能利用率分别仅约60%和30。这意味着无需大量新增资本开支，仅靠提升现有资产利用率就能带来显著的利润增长，存在巨大的运营杠杆。

#### 4. 核心投资哲学总结

续篇内容强化了全文的核心论点：真正的超额收益来源于对市场普遍忽视、误解或厌恶的领域进行深度、逆向的研究。这要求投资者：

1. 利用制度性短视：将其他市场参与者（尤其是受考核周期约束的机构）的时间偏好劣势，转化为自己的优势。

2. 专注于“为什么便宜”：不仅要识别好公司，更要深刻理解其当前低估值背后的原因，并判断这些原因是暂时性的还是永久性的。

3. 重视结构性优势：在资本密集型或周期性行业中，寻找那些拥有独特资产、合同或地理位置，从而能实现高利润率并构建护城河的企业。

4. 拥抱复杂性：愿意深入研究像水处理这样看似枯燥、专业且被归入“不受欢迎”行业的领域，因为这里往往隐藏着市场尚未充分定价的机遇。

Aris的案例完美诠释了这一点：它身处（油田服务）、出身不佳（小型IPO、私募背景）、行业面临短期不利叙事（ESG、能源需求担忧），但其业务本质（关键限制性资源的基础设施）、财务特征（高利润率、潜在运营杠杆）和竞争地位（结构性壁垒）共同构成了一个强大的价值主张，而这一主张正被市场的表层分类所掩盖。

新增分析：Permian Basin 水资源约束与市场动态

1. 废水注入的空间与地质限制

Permian Basin 的废水注入能力并非无限，其核心限制因素包括：

• 压力与孔隙度：主要产油区附近的低成本注入区域已接近饱和，导致注入压力升高，孔隙空间减少。
• 地震活动：废水注入已被证实与诱发地震活动相关，例如在 Texas 西部和 New Mexico 东南部，监管机构因此加强了对注入活动的监控。
• 钻井干扰：高密度注入作业可能影响周边油气井的生产稳定性，增加运营风险。

2. 监管与基础设施的演变

为应对上述限制，市场出现了结构性变化：

• 监管收紧：Texas Railroad Commission 和 New Mexico OCD 已开始限制新注入井的许可发放，导致处理成本上升。
• 长距离管道建设：水处理公司（如 Solaris Water、Select Energy）正在投资建设长输管道，将废水从拥堵区域转移至边缘地带。这赋予了土地所有者和现有基础设施运营商（如 Aris Water Solutions）更强的定价权。

3. 长期结构性趋势

尽管短期面临挑战，但三大长期趋势正在形成：

4. 新兴需求：电力与数据中心

Permian Basin 正在成为能源密集型产业的新兴枢纽：

• 燃气发电：LandBridge 等公司推动的燃气联合循环发电项目需大量冷却水。
• 数据中心液冷：Microsoft、Google 在 Texas 西部布局的数据中心采用液冷技术，耗水量显著。
• 水资源矛盾：Permian 大部分地区属沙漠气候，新增需求将加剧水资源短缺，进一步提升水资源的商品价值。

5. 市场估值与“期权”价值

当前市场尚未充分定价水资源业务的长期价值：

• Aris Water Solutions 等公司交易于约 8.5 倍预估税前现金流，低于历史平均水平。
• 电力与数据中心带来的“水需求期权”未被计入股价，这为投资者提供了不对称回报的机会。

新增分析：San Juan Basin Royalty Trust (SJT) 的困境与转机

1. 资产结构与运营背景

San Juan Basin Royalty Trust 并非传统公司，其特点包括：

• 信托结构：仅作为净收益权益（NPI）的传递工具，无雇员、无债务。
• 受托人费用：2024 年受托人费用为 $120,108，但总行政费用达 $210 万，显示运营效率有待提升。
• 区域特征：San Juan Basin 是以煤层气为主的成熟气田，管道接入 Southern California 市场，具备区位溢价潜力。

2. 天然气市场的结构性转变

美国天然气市场正经历从过剩到短缺的拐点：

3. 股息暂停的真相与未来测算

2024 年 4 月起股息暂停的直接原因是运营商 Hilcorp 大幅增加资本支出：

• 资本支出跳跃：从 2023 年的 $440 万增至 2024 年的 $3,600 万，用于增产钻井。
• NPI 条款限制：在 Hilcorp 收回投资前，信托持有人无法获得分配。
• 产量增长预期：基于信托披露，预计 2024 年底起产量将增长近 70%，2025 年约 $900 万的资本支出可维持该产量水平。

4. 股息恢复的预测与回报潜力

在保守假设下，股息恢复的时间与规模可被估算：

• 假设基准：天然气均价 $3/mcf，当地气价相对基准折价 10%。
• 恢复时间：按当前产量测算，资本支出赤字预计在 2025 年 5-6 月完全偿还。
• 回报测算：届时信托月 NPI 约 $360 万，年化 $4,300 万，以季度末股价计算股息率近 17%。

5. 不对称风险回报与“期权”价值

投资 SJT 的核心逻辑在于市场低估了其恢复分配的能力与速度：

• 市场忽视：市值仅约 $2 亿，缺乏卖方覆盖，多数投资者无耐心等待股息恢复。
• 气价上行期权：若数据中心等需求推高气价，Hilcorp 可能追加钻井，进一步提升信托资产价值。
• 区域溢价潜力：作为少数能向 Southern California 供气的产区，San Juan 在供应中断时可获得溢价。

新增分析：Hawaiian Electric Industries (HE) 的“收益率曲线”案例

1. 公用事业股的典型特征与 HE 的独特性

公用事业股通常被视为类债券资产，但 HE 因特殊事件打破了这一模式：

• 监管框架：基于绩效的监管（PBR）限制了收益波动，收益分享机制将超额利润或亏损在客户与公司间分摊。
• 业务简化：2024 年底出售 American Savings Bank 后，HE 成为纯公用事业公司，但面临岛屿能源供应的特殊挑战。
• 历史股息：1901 年至 2023 年第三季度股息从未间断，凸显其“股息贵族”地位。

2. 危机事件与市场反应

2023 年 8 月的 Maui 火灾彻底改变了 HE 的投资叙事：

• 股价暴跌：2023 年 8 月 8 日至 25 日，股价从 $37.36 跌至 $9.66，跌幅 74%。
• 股息暂停：为应对潜在法律责任，公司暂停股息以储备资本，打破了持续 122 年的股息支付记录。
• 法律进展：Hawaii 最高法院已允许 HE 提出的和解协议推进，责任范围趋于清晰。

3. 当前困境与约束条件

HE 目前呈现出一系列负面特征，使其偏离了典型的公用事业股轨道：

4. “股权收益率曲线”视角下的机会

尽管表面负面，但 HE 的极端估值可能已反映了大部分风险：

• 破产风险降低：和解协议提供了明确的负债路径，避免了最坏情况。
• 运营基础稳固：作为夏威夷主要电力供应商，其垄断地位和监管框架未受根本动摇。
• 潜在复苏路径：一旦和解金支付步入正轨且法律风险消散，公司可能恢复股息并重回增长轨道，当前股价提供了深度价值机会。

对 Hawaiian Electric (HE) 投资案例的进一步分析

作者认为市场对 HE 的定价主要反映了短期风险与不确定性，而忽视了其长期基本面和价值回归的潜力。其核心论点在于，野火相关的巨额负债虽然带来了财务压力，但公司的核心公用事业业务依然稳健，且管理层已通过一系列措施缓解了持续经营风险。

1. 核心业务盈利能力的可见性

• 报告指出，剔除野火相关非经常性成本后，2024年电力公用事业板块的核心收入（Core Income）为 1.807亿美元。这为评估公司的常态化盈利能力提供了基准。
• 尽管控股公司层面产生了 5640万美元 的亏损，但作者认为这部分成本可能因利息/债务减少及业务简化而得到缓解。
• 作者预估，核心业务每年至少能产生 1.5亿美元 的收益，若考虑既往亏损带来的未来税收优惠，实际数字可能更高。这为应对负债提供了现金流基础。

2. 资本需求的量化与融资路径

作者对 HE 解决 14.4亿美元 野火负债所需的资本筹集进行了简化推演，展示了潜在的股权稀释程度和可用的替代融资选项。

• 股权稀释估算：在现行股价下，为筹集约 4.6亿美元，股东权益可能被稀释至当前业务的约 80%。作者指出，这是最昂贵的融资方式，因此该估算属于保守情景。
• 流动性缓冲：公司已备有 5.23亿美元 的额外流动性工具，这意味着实际融资组合可以更加灵活，可能降低对高成本股权融资的依赖。

3. 估值对比与市场情绪

作者提出了一个关键的反问：除了潜在的股权稀释，公司在达成和解后，与野火前相比是否有本质不同？如果答案是否定的，那么为何估值会天差地别？

• 估值差异：股价仅为危机前的 四分之一。
• 市场贴现：作者认为，这种差异相当于市场对一个受监管的公用事业公司应用了长达四年的高贴现率，而这对于此类业务模式稳定、现金流可预测的公司而言并不合理。这凸显了市场因缺乏耐心而给出的过度悲观定价。

结论部分的核心观点

在冗长的分析之后，结论部分回归到投资 AI 与数据中心主题的根本性问题上，并阐述了深度研究的价值。

1. 对AI投资机会的审慎态度

• 作者承认AI和数据中心建设存在诱人的长期机会，但强调新技术总是伴随着喧嚣。
• 关键点在于，没有足够定性和背景理解，就无法建立投资信心。缺乏信心的投资只能是边缘性的、试探性的，对投资组合的整体影响微乎其微。
• 因此，报告前面部分致力于解答“它如何运作？”、“市场究竟为何？”等根本问题，以超越新闻标题，建立实质性的认知。

2. 投资路径选择的复杂性

• 如何投资AI领域是一个复杂问题：是投资技术制造商、供应商还是分销商？不同行业、不同商业模式的公司议价能力截然不同。
• 作者指出，这种复杂性使得投资者容易简单地选择投资指数基金。但问题在于：指数里包含的是什么？ 他举例警示，就像“水务ETF”里可能没有真正的水务资产，“房地产ETF”里可能没有数据中心用地一样，指数投资可能无法精准捕捉到目标主题的真实敞口。

3. 深度研究的意义与平衡

• 作者承认报告内容本可被压缩成几页的要点，但指出在“过于简略”和“过于冗长”之间存在一条界限，超越这条界限，断言和数据就不再能构成真正的“知识”。
• 深度研究的价值在于穿越这条界限，将信息转化为理解。最好的平衡点或许在于能够深入回答核心问题，避免流于表面。

4. 风险披露要点

• 过往业绩不预示未来结果：所有图表和数据分析均为说明性质，不保证未来表现。
• 非投资建议：报告中提及的具体投资或策略不应被视为对个人的投资建议，投资决策需基于个人具体情况。
• 指数投资的局限：投资者无法直接投资指数，且指数表现不包含管理费用和交易成本，其构成也可能无法反映特定投资策略的目标。
• 加密货币风险：特别强调了比特币等加密货币投资的高波动性、投机性、交易不可逆性等重大风险，仅适合能够理解并承担相关风险的投资者。
• 利益冲突披露：明确指出 Horizon Kinetics 的关联方是 Texas Pacific Land Corporation (TPL) 的董事并持有大量头寸，公司已通过内部政策和道德准则来管理潜在利益冲突。

总结：报告的结尾强化了其核心方法论——通过深入、甚至略显冗长的基本面分析，穿透市场噪音和短期情绪，识别那些因暂时性困境而被错误定价的长期投资机会（如HE），或真正理解一个复杂主题（如AI）的内在价值驱动因素，从而做出有信心的投资决策。

新增内容分析

1. 免责声明与风险提示

续篇内容主要包含两项重要的法律免责声明，体现了资产管理行业对合规性和透明度的严格要求：

• 业绩差异声明：明确指出"并非所有投资者都会获得与对应组合相同的持仓、回报或权重配置"。这反映了：
• 实际投资结果受多种因素影响，包括但不限于：
• 投资时点的差异
• 资金流入/流出的时机
• 个性化投资限制
• 费用结构差异
• 根据美国SEC规定，此类声明是投资顾问必须提供的标准披露，旨在避免业绩数据的误导性比较

• 分析师薪酬独立性声明：强调分析师薪酬"与报告中表达的具体建议或观点无直接或间接关联"。这一声明：
• 符合全球主要金融监管机构（如SEC、FCA、ESMA）的利益冲突管理要求
• 旨在维护研究分析的客观性，避免因薪酬激励导致的偏见
• 是《多德-弗兰克法案》和《欧盟金融工具市场指令II》等法规的核心合规要求

2. 知识产权保护声明

最后一段是关于版权保护的标准化声明，具有以下法律意义：

关键点：

• "事先书面同意"要求体现了知识产权的严格管理
• 此类声明在专业投资研究报告中普遍存在，保护机构的智力成果
• 违反可能导致民事索赔甚至刑事责任

3. 行业实践对比

不同机构在免责声明的详细程度上存在差异：

4. 投资者教育意义

这些标准化声明实际上具有重要的投资者教育功能：

• 提醒投资者注意"过往业绩不代表未来表现"的基本原则
• 强调投资决策应基于个人财务状况和风险承受能力
• 培养投资者阅读和理解法律披露文件的习惯

5. 合规趋势

近年来，全球监管机构对投资研究报告的免责声明要求日益严格：

• 欧盟《金融工具市场指令II》要求更详细的利益冲突披露
• 英国FCA强调"清晰、公平、不误导"的沟通原则
• 亚太地区监管机构普遍采纳IOSCO的披露标准

这些声明虽然看似标准化，但反映了资产管理行业在透明度、合规性和投资者保护方面的持续进步。