章 01
入门
★ Benjamin Graham
安全边际
定义
安全边际 (Margin of Safety) — Benjamin Graham 在 1949《聪明的投资者》提出的核心概念: 用远低于内在价值的价格买入资产, 让自己即使判断错也不会亏。
简单公式: 安全边际 = (内在价值 − 当前价格) / 内在价值。一支股票内在价值估算 $100, 当前价 $60 → 安全边际 40%。
Graham 的经验法则: 安全边际 ≥ 33% 才考虑买入(给估值留 1/3 容错空间)。
机制
安全边际的本质是对认知不确定性的对冲:
- 你对内在价值的估算一定有误差 — DCF 模型 / EPS 预测 / 行业判断 都不可能 100% 准
- 误差范围 ± 30% 是常见的(取决于公司和行业)
- 如果你 in price 接近内在价值, 一旦预测错 30% 就立刻亏
- 留 33% 安全边际 = 即使估算高估 33%, 你也不亏
数学上: 假设内在价值估算误差服从正态分布, 标准差 σ = 内在价值的 20%。安全边际 ≥ 33% ≈ 1.65σ → 95% 置信不亏。
这就是 Graham 的"不要亏钱"在实操上的具体含义 — 不是"永远盈利", 是构造系统性保护避免单次大亏。
实例
Buffett 1973-74 危机买入华盛顿邮报: 当时 PE 5 倍, 估算内在价值是市值的 4-5 倍, 安全边际 75-80%。Buffett 全仓买入。后来该股 15 年涨 30 倍。
Buffett 拒绝高估值股的逻辑 (2000 互联网泡沫): "我们看不懂这些公司的价值, 所以无法计算安全边际。看不懂的我们不投。"结果 2000 泡沫破裂, Berkshire 几乎毫发无伤, 跑赢标普 500 累计 70+ 个百分点。
1929 大萧条对 Graham 本人的教训: Graham 1929 前用杠杆全仓, 1929-1932 净资产从百万跌到几万。这次几乎破产的经历, 直接催生他 1934《证券分析》和 1949《聪明的投资者》中的安全边际思想 — 用血换来的教训。
原典
Benjamin Graham (1894-1976), "价值投资之父", Buffett 的导师。
"Margin of safety is always dependent on the price paid. It will be large at one price, small at some higher price, nonexistent at some still higher price." — Graham,《聪明的投资者》, 1949
中文译: "安全边际永远取决于你付的价。同样资产, 低价时安全边际大, 高价时小, 再高就根本没有。"
"Investing is most intelligent when it is most businesslike." — Graham
中文译: "投资最聪明的时候, 是最像在做生意的时候。"
第二句话点破核心 — 投资不是赌博, 不是预测股价, 是买入企业部分所有权。买企业的逻辑天然包含: 看价值 / 看回报率 / 看现金流 / 看竞争壁垒 / 留容错空间。
空方 · 反方观点
主流学术界 (Eugene Fama 有效市场假说 EMH) 反对安全边际的可操作性。反方一: 如果市场有效, "低估"的资产不应该长期存在 — 一旦被发现立刻被买高。Graham/Buffett 的成功是 幸存者偏差, 不是策略普遍有效。反方二: "内在价值"无法客观计算 — 不同分析师估出相差 50% 的结果, 怎么知道哪个是真的? 安全边际只是事后合理化。反方三: 在高估值市场长期(2010-2024 美股), 等"33% 安全边际"等于错过 10 年牛市 — 机会成本巨大。
Graham/Buffett 派回应: EMH 是近似真, 不是 100% 真 — 市场短期非有效, 长期收敛。耐心 + 严格纪律的人能持续找到机会。但他们也承认: 在极度高估期(2021), 持现金是合理的安全边际选择, 不是错过 — 是不犯错。
复盘
安全边际不是"低价买入"的口号, 是显式的容错框架。
3 步操作: 1. 估算内在价值: DCF / 同业对比 / 资产清算价 — 用 2-3 种方法, 取最保守 2. 给误差打折: 估算值 × (1 − σ), σ 通常 20-30% 3. 看价格: 当前价 ≤ 打折后估值 才考虑
判断你是不是真懂这个概念: 你能否说出具体某只股票的安全边际%? 如果答不出, 你只是知道这个词, 不是在用它。
不要把安全边际套用到所有资产: 它最适合稳定现金流的成熟企业。对早期成长股 / 概念股 / 加密货币 — 内在价值难估, 安全边际不适用, 需要换框架(凯利公式 / 仓位上限)。
自查
你最近一次买入(股票 / 房产 / 资产), 当时估算的内在价值是多少? 安全边际%? 如果答不出, 你是在买入, 还是在赌博?
章 02
入门
★ Charlie Munger & Warren Buffett
复利
定义
复利 (Compounding) — 投资收益再投资, 让收益本身产生收益。终值公式:
FV = PV × (1 + r)^n
其中 r = 年化收益率, n = 年数。
关键: n 是指数, 不是乘数。 10% 年化 1 年 = 1.1 倍, 30 年 = 17.4 倍, 60 年 = 304 倍。 n 翻倍, 终值翻 17 倍。
机制
复利的力量来自三个变量, 但每个对终值的影响极不对称:
- 初始资金 PV — 线性影响。100 万 vs 1000 万, 终值差 10 倍
- 年化收益率 r — 极强非线性。8% 30 年 = 10 倍; 12% 30 年 = 30 倍。 r 多 4 个百分点, 终值多 3 倍
- 时间 n — 最强非线性。10 年 vs 30 年, 终值差指数级
Buffett 90% 财富来自 60 岁后 — 不是因为 60 岁后赚得快, 是因为复利曲线后段陡升。他 11 岁开始投资, 给了自己 80+ 年的 n。
复利失效的两个杀手: - 中断: 一次 50% 大亏, 需要 100% 回本才回到原点 — 后面所有复利曲线都右移 - 取出: 频繁取出本金 + 收益 = 把指数曲线砍成线性曲线
实例
Buffett 财富累积曲线: 30 岁时 100 万美元, 50 岁 1 亿, 60 岁 10 亿, 90 岁 1000+ 亿。曲线明显: 0-50 岁慢, 50+ 岁陡升。年化 ~20%。
Munger 计算: "如果 20 岁起每年存 1 万美元, 投入 S&P 500 (年化 ~10%), 60 岁退休时 = 442 万美元。" 总投入 40 万, 收益 402 万 — 90% 的钱来自复利, 不是本金。
反例 — 频繁交易: 散户平均年化跑输市场 4-5 个百分点。看似差距不大, 但 30 年累积: 10% 复利 → 17 倍; 6% 复利 → 5.7 倍。30 年差 3 倍 — 频繁交易摧毁复利。
原典
Charlie Munger (1924-2023), Buffett 的合伙人。
"The first rule of compounding: never interrupt it unnecessarily." — Munger
中文译: "复利第一规则: 不要无谓地中断它。"
"Show me where I'm going to die, so I won't go there." — Munger
中文译: "告诉我我会死在哪儿, 我就不去那儿。"
第一句是复利核心 — 你不需要"很聪明", 你需要"不犯大错"。一次 -50% 摧毁 7 年复利, 一次 -80% 摧毁 22 年。所以 Munger 把投资简化为: 列出所有让你大亏的方式, 然后避开它们。
Warren Buffett 补充:
"Our favorite holding period is forever." — Buffett
中文译: "我们最喜欢的持有期是永远。"
这句话表面是个段子, 实际是复利数学的必然推论 — 你越早卖, n 越小, 终值越低。
空方 · 反方观点
主动投资派 / 短线交易派对"永远持有"的反驳。反方一: 没有公司能"永远"伟大 — 通用电气 / 柯达 / 西尔斯都曾是蓝筹股, 现在归零。买入 + 持有需要换股, 这就破坏了"复利"的简单叙事。反方二: 通胀和税收侵蚀复利 — 10% 名义复利, 减 3% 通胀 + 1% 税 = 6% 实际复利, 30 年只有 5.7 倍, 不是 17 倍。反方三: 复利"看着好"但人活不到 60 年(精力 / 健康 / 家庭) — 在 30 岁就消费而非 60 岁多 10 倍财富, 可能效用更高。
Buffett/Munger 回应: 不是"持有一只股 60 年", 是持有一个组合 60 年 — 单股可以换, 但本金不要中断, 风格 (集中 / 长持 / 不杠杆) 不要变。关于"活不到享受"的批评, Buffett 回: "我吃饭穿衣跟 30 岁一样, 增加的财富对我是计分板, 不是消费来源。" 不是所有人共鸣这个动机, 但纯财富量角度, Munger 的复利数学没错。
复盘
复利不是数学公式, 是纪律。
3 条复利保护规则: 1. 避免大亏: 单笔损失 ≤ 总仓 30%。一次 -50% 摧毁 7 年, 不值得 2. 降低费率 + 税收: 长持低换手 = 复利的隐形朋友; 频繁交易 = 复利的隐形敌人 3. 开始得早: 20 岁 1 元 = 60 岁 50 元 (10% 复利); 40 岁 1 元 = 60 岁 7 元。起点比金额重要
判断你是不是在用复利: 你的资金 5 年 / 10 年 / 20 年的不动占比有多少? 如果你每年都在重新配置全仓, 你不是在复利, 你是在交易。
自查
你的资金中, 5 年内没动过的占比多少? 10 年内没动过的占比多少? 这两个数字, 直接告诉你你有没有在用复利。
章 03
进阶
★ Ray Dalio
全天候组合
定义
全天候组合 (All Weather Portfolio) — Ray Dalio (Bridgewater 创始人) 1996 设计的资产配置策略, 目标是在任何宏观环境下都能稳定增长, 不依赖宏观预测。
核心假设: 经济环境由两个轴决定 — 增长(高/低) × 通胀(高/低) — 形成 4 个象限。每个象限有不同资产表现, 全天候组合在 4 象限都分配, 通过风险平价 (risk parity) 调整权重。
机制
Dalio 的四象限框架:
| | 增长上升 | 增长下降 | |---|---|---| | 通胀上升 | 大宗商品 / 通胀挂钩债 | 黄金 / 大宗商品 | | 通胀下降 | 股票 / 公司债 | 长期国债 / 名义债券 |
每个象限分配 25% 风险预算(不是 25% 资金 — 因为各资产波动率不同)。
简化版资产配置(经典 Tony Robbins 版): - 30% 美股 (大盘指数) - 40% 长期美国国债 (20-25 年) - 15% 中期美国国债 (7-10 年) - 7.5% 大宗商品 - 7.5% 黄金
关键点: 债券权重高于股票, 因为债券波动率低, 等风险预算下需要更多名义额。
回测 1984-2022: 年化 ~9.7%, 最大回撤 -12% (vs S&P 500 -55%)。波动率约为 S&P 的 1/3, 夏普比率约 0.8 (S&P 约 0.5)。
实例
2008 金融危机: 全天候组合 -3.9% (因长债大涨抵消股票崩盘), S&P -38%。全天候没赚但没大亏。
2020 疫情: 全天候组合 +18% (黄金 + 长债 + 股票回弹合力), S&P +18%。全天候平稳跟随。
2022 通胀年: 全天候组合 -23%(40 年来最大回撤) — 因为股 + 债 + 大宗同时跌。这暴露了全天候的弱点: 它假设股债负相关, 但 2022 通胀高企时 股债同时跌。Bridgewater 当年也大亏, Dalio 公开承认"框架在新环境下要更新"。
原典
Ray Dalio (1949-), Bridgewater Associates 创始人, 全球最大对冲基金 (1500 亿 AUM 高峰)。
"Diversification is the Holy Grail of investing." — Dalio, 2018《Principles》
中文译: "分散化是投资的圣杯。"
"The future is unknowable. Build a portfolio that doesn't depend on knowing it." — Dalio
中文译: "未来不可知。构造一个不依赖预测的组合。"
第二句话是全天候的核心哲学: 承认自己预测不准, 然后用结构对冲这个不确定性。这跟"主动判断" 反方向 — 不是用更聪明的预测, 是用更聪明的架构。
空方 · 反方观点
主动管理派对全天候的批评。反方一: 全天候过度依赖长债(40% 仓位), 而长债在低利率时代回报有限, 在加息环境直接挨打 (2022 长债 -27%)。反方二: 全天候假设"宏观环境是随机的"— 但实际上央行政策 + 财政赤字主导了 2008 后的环境, 全天候没法捕捉 "QE + 财政赤字货币化" 这个结构变化。反方三: 全天候的风险平价权重是过去数据回归, 一旦 regime 切换(2022 通胀回归), 历史相关性失效, 模型崩溃。
Dalio 后期承认 2022 的教训: 全天候不应该是静态权重, 应该根据宏观环境信号动态调整 (这就是 Dalio "周期机器"的来源, 见 INV-06)。但调整后还能不能叫"全天候"? 学界还在辩。
复盘
全天候不是"复制 Dalio 的组合", 是构造对冲未来不确定性的纪律。
3 步思考: 1. 列出可能的宏观环境: 增长 ↑/↓, 通胀 ↑/↓, 流动性 ↑/↓ (至少 8 象限) 2. 每个象限里, 哪类资产受益? 股 / 债 / 商品 / 黄金 / 现金 / 加密 / 房产 3. 给每个象限分配仓位, 总和 100%, 风险平价或等权重
判断你是不是真懂全天候: 你能否说出当前宏观环境(高增长 + 高通胀 还是 低增长 + 低通胀)? 你的组合在当前象限占比多少? 在相反象限占比多少?
不要把全天候当万灵药: 它在 2022 这种所有资产同跌的环境失效。永远留一部分现金(20-30%) 作为最后的对冲。
自查
你的组合中, 股票 / 债券 / 商品 / 黄金 / 现金 各多少%? 如果出现一种没见过的宏观环境(例如 通胀 8% + 失业 10% 同时存在), 哪些资产会保护你? 写出来。
章 04
深度
★ George Soros
反身性
如果你的判断本身改变市场, 怎么投资?
定义
反身性 (Reflexivity) — George Soros 1987《金融炼金术》提出的认知 - 市场互动框架。核心: 市场参与者的认知和市场本身, 不是单向因果, 是相互塑造。
传统经济学假设: 市场反映基本面(认知 → 市场, 单向) Soros 反身性: 认知改变行为, 行为改变基本面, 基本面再改变认知 — 循环, 非平衡
这意味着: 市场不会"收敛于真值", 因为没有真值 — 价格本身改变了真值。
机制
反身性循环的 5 步:
- 初始: 某种偏见形成 ("AI 是下一个工业革命")
- 资金流入 → 资产价格上涨
- 价格上涨吸引更多资金 → 价格再涨(正反馈)
- 高估值催生 实际经济活动 (融资 / 投资 / 招聘) → 改变了基本面
- 改变后的基本面"印证"了偏见, 循环继续
- 直到某个临界点, 偏见和基本面差距过大, 反向修正(泡沫破裂)
关键洞察: 泡沫不是"理性的扭曲", 是反身性循环的必然产物。所以 Soros 不问"市场是对是错", 问 "反身性循环现在在哪一阶段?"
Soros 的操作策略: - 识别偏见: 当前市场流行什么叙事? - 判断阶段: 早期 (买入早期, 跟随趋势) / 中期 (重仓, 趋势加速) / 晚期 (减仓, 等反转) - 反向操作晚期: 大空头(1992 英镑 / 1997 亚洲货币)
实例
1992 英镑危机 ("Black Wednesday"): 英国加入欧洲汇率机制 (ERM), 英镑被高估。Soros 看到反身性循环 — 英国央行越坚持高汇率, 国际游资越积累空头, 实际经济越受损, 央行越不能持续。Soros 做空英镑 100 亿美元, 英国央行抵挡几小时后投降, 英镑暴跌 25%。Soros 一夜赚 10 亿美元。
2008 美国次贷: Soros 早在 2006 就识别反身性 — 次贷扩张 → 房价涨 → 更多人借贷 → 房价再涨, 但底层借款人偿付能力反而下降。 2007-2008 反向修正爆发, Soros 基金 +40%。
反身性的失败: Soros 1999 看空美国互联网股, 太早进场, 1999-2000 上半年继续涨, 基金 -20%。证明: 识别泡沫 ≠ 识别破裂时点。 Soros 后来感叹"市场可以保持非理性的时间, 比你保持偿付能力的时间长。"
原典
George Soros (1930-), 匈牙利裔美国对冲基金大佬, Quantum Fund 创始人。
"Markets are constantly in a state of uncertainty and flux, and money is made by discounting the obvious and betting on the unexpected." — Soros
中文译: "市场永远处于不确定和流变中, 钱是靠对显而易见的打折 + 押注意外赚的。"
"I'm only rich because I know when I'm wrong." — Soros
中文译: "我之所以富有, 是因为我知道自己什么时候错了。"
第二句点出反身性投资者的核心素质: 不是预测准, 是迅速止损。反身性意味着你经常错 — 关键是错了能立刻停, 对了能压重。
空方 · 反方观点
学术界对反身性的批评。反方一: 反身性不可证伪 — 任何市场走势都可以"反身性"解释, 这让它看起来深刻但不科学。反方二: Soros 的成功更多是 资讯优势(他有政府关系 + 内幕信息), 不是"反身性框架"。反方三: 反身性假设市场非有效, 但实证研究显示市场短期非有效 + 长期有效, 反身性循环很难持续多年(英镑那种例子是 outlier)。
Soros 回应: 反身性不是预测工具, 是认知框架。它不告诉你买什么 / 何时买, 它告诉你不要假设市场反映真值, 永远问"当前流行的偏见是什么?"。这种思考方式让你免于"基本面分析"的天真 — 因为基本面本身被价格塑造。
复盘
反身性最实用的不是用来交易(那需要 Soros 级的资讯 + 资金 + 风控), 是用来识别叙事。
3 步问: 1. 当前市场流行什么叙事? ("AI 是新工业革命" / "中国房产永远涨" / "美股永远跑赢") 2. 这个叙事在改变实际经济活动吗? 是 → 进入反身性循环 3. 什么会让叙事和现实差距过大? 找出 — 这是反转的触发器
判断你不是在反身性思考: 你在"分析基本面"时, 没问当前价格是不是已经把基本面修改了。
例: 2024 NVIDIA 估值反映"AI 革命 + 万亿美元资本支出"。反身性问: 这个估值会不会反过来催生更多 AI 资本支出(让 NVIDIA 现金流变好), 形成正反馈? 答: 会, 已经在发生。所以现在不是泡沫顶, 但什么会让叙事反转? — 大模型 ROI 不达预期 / 监管 / 中国竞争。盯这三件事。
自查
你目前持有(或想买)的资产, 当前流行什么叙事支撑了它的估值? 这个叙事会不会反向修正? 触发反转的事件是什么? 给 3 条具体的。
章 05
进阶
★ Eugene Fama & Kenneth French
因子投资
定义
因子投资 (Factor Investing) — Fama-French 1992 论文《股票截面回报》提出的资产定价框架。核心: 股票收益不是"随机", 而是由几个系统性因子解释。
经典 Fama-French 三因子模型: > R(i) − Rf = α + β(MKT) + s · SMB + h · HML
- MKT — 市场因子 (整体股市超额收益)
- SMB — Small Minus Big (小市值减大市值, 小盘股长期跑赢)
- HML — High Minus Low (高账面市值比减低账面市值比, 价值股长期跑赢)
后来扩展到五因子 / 七因子 — 加入 动量 (Momentum) / 质量 (Quality) / 低波 (Low Vol) / 盈利 (Profitability) 等。
机制
因子有风险解释和行为解释两套:
风险解释 (Fama 学派): - 小盘股风险高 → 必须给更高预期回报才有人买 → 长期跑赢 - 价值股代表"经营困难"企业, 投资者讨厌 → 必须给折扣 → 长期跑赢
行为解释 (Shiller / Thaler 学派): - 投资者系统性过度乐观对高估值股票, 过度悲观对低估值股票 - 价值因子捕捉的是定价错误, 不是风险溢价 - 行为偏见持续 → 因子持续
实际操作: 不用纠结哪个解释对, 关键是因子能否复制 + 能否持续: - 可复制: 任何人按规则筛选都能拿到 - 持续: 即使大家都知道也没消失(因为风险/行为偏见根本上不变)
ETF 实现因子投资: iShares 的 VLUE (价值), MTUM (动量), QUAL (质量), USMV (低波) 等, 让普通人能低成本接入因子策略。
实例
Fama-French 历史回测 1926-2022: - 小盘 + 价值 年化 ~14% - 大盘 + 成长 年化 ~10% - 差 4 个百分点, 90 年累积 = 30 倍 vs 5 倍
2010-2020 反例: 价值因子失效十年 — 大盘成长 (FAANG) 年化 17%, 小盘价值年化 7%。Fama 本人也回顾承认: "如果价值因子能 10 年不工作, 它是否真的存在?"
2022 复活: 2022 加息 + 高估值股回调, 价值股反弹, 价值因子重新跑赢。但 2010-2024 累积仍是成长 >> 价值。
原典
Eugene Fama (1939-), 芝加哥大学经济学家, 2013 诺奖, "有效市场假说"(EMH) 创立者。
"The market gets the price right." — Fama, 1970 EMH 论文
中文译: "市场会给出正确价格。"
但他的因子模型又承认 — 存在系统性偏离的因子, 因子收益 = 风险补偿。所以 Fama 的立场是: 市场总体有效, 但存在风险溢价的截面差异。
"There is no such thing as alpha. What looks like alpha is loading on factors." — Fama
中文译: "不存在 alpha 这种东西。看起来像 alpha 的, 其实是因子暴露。"
这句话直接否定了主动管理 — 你跑赢市场不是因为你聪明, 是因为你正好暴露在某些因子上(可能你自己都没意识到)。
空方 · 反方观点
主动管理派 / 价值投资派对因子投资的批评。反方一: 因子是历史规律, 不保证未来 — 2010-2020 价值因子失效证明因子可以长期"不工作"。反方二: 因子被普及后会消失 — Smart Beta ETF 万亿美元规模后, 因子溢价被套利掉(确实 2010s 价值溢价大幅压缩)。反方三: Buffett 等价值投资者认为因子模型把投资过度量化, 忽略了"了解企业 / 管理层 / 行业"等定性因素。
Fama 回应: 因子在 100 年长尺度会回归, 短期 10 年失效正常。但他也承认 — 主动投资者中确实有少数 (Buffett, Soros) 持续跑赢, 这些"谜团" (anomalies) 因子模型无法完美解释, 仍是开放问题。
复盘
因子投资最实用不是"必须用 Smart Beta ETF", 是诊断你自己组合的因子暴露。
3 步操作: 1. 看你持仓的特征: 大盘 vs 小盘? 价值 vs 成长? 高动量 vs 低动量? 高波 vs 低波? 2. 跟历史回报对照: 你持仓的因子组合, 1990-2022 年化多少? 3. 是否符合你的预期: 如果你想要"低风险稳定回报", 你不该重仓"小盘成长 + 高动量"
判断你是不是真懂: 你能否说出你组合在 SMB / HML / Momentum / Quality 4 因子上的暴露强度(高/中/低)? 如果答不出, 你不知道自己的风险来自哪。
不要盲目追求"多因子组合"。简单 60/40(60% 股 + 40% 债) 或 100% 大盘指数 (S&P 500) 对大多数人来说就够了 — 因子策略只在你知道自己在做什么时才加分。
自查
你目前持仓中, 价值股占比? 成长股占比? 小盘占比? 高动量占比? 这些百分比是你主动决定的, 还是因为某些股恰好买了所以变成这样?
章 06
深度
★ Ray Dalio
周期机器
定义
周期机器 (How the Economic Machine Works) — Ray Dalio 2008 后整合 30 年宏观经验, 在 2013 公开发表的经济模型。把宏观经济描述为三层周期叠加的机器:
- 短期债务周期 (5-10 年, "经济周期"): 信贷扩张 → 衰退 → 央行降息复苏
- 长期债务周期 (50-75 年, "去杠杆周期"): 债务累积超过 GDP 极限 → 大去杠杆 → 重置
- 生产力增长趋势 (持续上升, "长期增长线"): 技术 / 教育 / 制度持续抬升
任何时刻的经济状态 = 短债务周期 + 长债务周期 + 生产力趋势 的叠加。
机制
Dalio 的核心机制: 信贷不是货币, 但信贷可以像货币一样花 — 这造成了周期。
短期周期 (5-10 年): 1. 央行降息 → 信贷便宜 → 企业 / 家庭借钱消费 + 投资 2. 经济过热 → 通胀 → 央行加息 3. 加息让信贷变贵 → 还款压力 → 消费 + 投资下降 4. 衰退 → 央行再降息 → 新循环
长期周期 (50-75 年): 1. 每一轮短周期的最低点利率比上一轮低一点(政府要救衰退) 2. 累积下来, 利率最终触零 → 央行无法再降 → 短期周期失灵 3. 同时债务 / GDP 触顶 (250-300%) → 经济无法再借更多 4. 此时进入大去杠杆: 债务减记 / 财富转移 / 货币贬值 (通胀消债) / 政治动荡
历史例子: 1929-1945 大萧条 + 二战 + Bretton Woods = 上一轮长期周期的去杠杆终结。2008-2024 是新一轮长期周期的末段, 利率已触零 + 债务 / GDP > 100%(美国 > 120%)。
实例
Dalio 视频 30 分钟讲完整个机器: "How the Economic Machine Works" YouTube 1.5 亿播放, 经济学普及神作。建议看一遍 — 它把通常 4 学期宏观课程浓缩成可视化模型。
2020 疫情应对验证 Dalio 模型: 2020 利率已经接近 0(短周期失效) + 政府债务高 (长周期末段) → Dalio 预测: 央行只能 QE + 财政赤字货币化 (印钱直接给民众) → 通胀 + 货币贬值。结果: 2020-2022 美国 M2 +41%, 财政发钱, 2022 CPI 9.1% — Dalio 模型预测准确。
2024 现状对照 Dalio 框架: - 短期周期: 美联储加息 5.25%, 处于"扩张顶峰 → 衰退前" - 长期周期: 政府债务 / GDP 122%, 利率回不到 0 (因为通胀已起来), 典型大周期末段 - 生产力: AI 革命可能推升生产力, 是变数
原典
Ray Dalio, 见 INV-03。
"Cause-effect relationships are the building blocks of reality." — Dalio,《Principles》
中文译: "因果关系是现实的基本积木。"
"The biggest mistake investors make is to believe that what happened in the recent past is likely to persist." — Dalio
中文译: "投资者最大的错误是相信最近发生的事会持续。"
第二句直接戳穿"近因偏误" — 大部分人看 2010-2020 的低通胀 / 低利率 / 长牛市, 假设这是常态。Dalio 的周期机器告诉你: 这是长期债务周期的中段, 不是常态。
空方 · 反方观点
学术界对 Dalio 模型的批评。反方一: Dalio 是讲故事大师, 但他的"长期债务周期 75 年"在数据上很难证伪 — 样本量太小 (200 年只有 2-3 个长周期), 不能称为"周期"。反方二: 现代经济跟 1929 不同 — 央行工具 / 财政能力 / 全球化 / 数字化, 让历史周期不再适用。反方三: Dalio 自己 2022 大亏 (Bridgewater 主基金 -10%) 说明周期机器在实战中也不灵 — 知道周期 ≠ 能赚钱。
Dalio 回应: 周期机器是框架, 不是预测公式。它告诉你"当前阶段需要关注什么", 不是"明年 GDP 会增长 X%"。即使 Bridgewater 短期亏损, 长期 1991-2022 年化 12% 跑赢市场, 框架本身没崩。
复盘
周期机器最实用的不是预测时点, 是识别当前阶段需要什么资产。
| 阶段 | 主要资产 | 避免资产 | |---|---|---| | 短期扩张早期 | 股票 + 周期股 | 现金 (机会成本高) | | 短期扩张顶峰 | 现金 + 部分黄金 | 长债 (加息中) | | 短期衰退 | 长债 + 黄金 + 防御股 | 周期股 | | 长期去杠杆早期 | 黄金 + 实物资产 + 海外硬通货 | 长债 (违约风险) + 法币现金 | | 长期去杠杆后期 | 重建资产 + 股票 + 不动产 | 黄金 (重置后失去避险溢价) |
判断你是不是真懂: 你能否说出当前世界处于 Dalio 模型的哪个阶段? (短期扩张顶峰 + 长期去杠杆早期)。 如果答不出, 你的投资组合可能对错了周期阶段。
自查
Dalio 的 30 分钟视频 "How the Economic Machine Works" 看一遍, 写出 3 个让你重审现有持仓的点。
章 07
深度
★ Jeff Bezos
Bezos 飞轮 (Amazon Flywheel + Day 1)
怎样让规模不是负担而是加速器?
定义
飞轮 (Flywheel) 模型 — Bezos 2001 在餐巾纸上画给团队的 Amazon 增长循环:
``` 低价 → 客户体验提升 → 流量增 → 卖家入驻 → SKU 增 → 客户选择多 → 体验更好 → 流量更多 ↘ ↗ 规模化降本 → 更低价 → 回到起点 (但更大) ```
核心: 每一次循环把规模转成价格优势 / 选择优势, 而不是成本负担。 跟传统大公司"大 = 慢 + 贵"反方向。
Day 1 文化 — Bezos 1997 第一封致股东信定义。 Day 1 = 一直保持初创公司心态: 客户痴迷 / 决策快 / 反对官僚 / 接受失败。 Day 2 = 停滞 / 衰退 / 死亡。 "Day 2 is stasis. Followed by irrelevance. Followed by excruciating, painful decline. Followed by death. And that is why it is always Day 1."
机制
飞轮跟单纯规模经济不同 — 是多回路自加强:
- 客户回路: 体验好 → 复购 → 留存 → LTV 升 → 可以亏更多钱在更低价 / 物流 / 推荐算法
- 卖家回路: 客户多 → 卖家来 → SKU 多 → 客户选择多 → 客户更多
- 基础设施回路: 自己用的 → 卖给别人 (AWS, Logistics) → 第二营收引擎 → 反哺主业
每一个回路都放大下一个。 单一回路失败 (例如 Fire Phone) 不影响整体, 因为其他回路在跑。
OP1 / OP2 + 6-pager + 14 leadership principles — Bezos 公司管理三大件:
- OP1/OP2: 年度 / 季度财务运营计划, 反复迭代
- 6-pager: 会议前发 6 页 narrative, 全员沉默读 20 分钟再开始讨论 — 禁 PPT (PPT 隐藏 cracks)
- 14 leadership principles: Customer Obsession / Ownership / Invent and Simplify / 等
实例
AWS 怎么诞生 (2003-2006):
- Amazon 内部基础设施越来越大 + 复杂
- 工程师每次新项目重复造轮子
- Bezos 决定 — 把基础设施变成API 服务, 自己先用
- 用得好 → 想 "外面也有人需要" → 2006 公开
- 2024 AWS 营收 $108B, 利润是 Amazon 整体的 60-70%
- Day 1 文化让基础设施自动变成新业务
Kindle 怎么决策 (2007):
- 当时 Amazon 卖书是 80% 营收
- 实体书利润高 + 物流成本高
- Bezos 决定 — 主动颠覆自己, 推数字阅读
- 内部反对 "会杀死实体书业务"
- Bezos 回应 — "我们要么自己颠覆自己, 要么被别人颠覆"
- 2024 Kindle 占图书业务 ~50%, 数字 + 实体均增长
One-click 专利 + 推荐算法:
- 1999 申请 1-click 专利, Apple 2000 付费授权
- 推荐算法 (Customers who bought X also bought Y) 1998 推出, 比 Netflix Cinematch (2000) 还早
- 都是飞轮回路的具体实现 — 每个回路加 1% 摩擦减少 → 复利后 10 年提升 100%+
原典
Jeff Bezos (1964-): 1994 创立 Amazon (车库, 卖书), 2021-07 卸任 CEO 转任董事长。 2025 净资产 $230B+ (Forbes), 全球第二富。 同时拥有 Blue Origin (商业航天) / Washington Post / 多个早期 AI 投资 (Anthropic 大股东之一)。
原文金句 (1997 第一封股东信, 每年附在新股东信里 reprint):
"It's all about the long term. We will make bold rather than timid investment decisions where we see a sufficient probability of gaining market leadership advantages. Some of these investments will pay off, others will not, and we will have learned another valuable lesson in either case."
Day 1 名言 (2016 股东信):
"Q: What does Day 2 look like? A: Day 2 is stasis. Followed by irrelevance. Followed by excruciating, painful decline. Followed by death. And that is why it is always Day 1."
决策原则 (2015 股东信):
"Most decisions should probably be made with somewhere around 70% of the information you wish you had. If you wait for 90%, in most cases, you're probably being slow. Plus, either way, you need to be good at quickly recognizing and correcting bad decisions."
空方 · 反方观点
3 大反方:
- 劳工权益派 — Amazon 仓库工人 + 配送员 工作条件被广泛批评。 飞轮的"低价"是从员工待遇 + 卖家压力中挤出来的, 不是单纯效率。 2024 多个国家工会化运动加速。
- 反垄断派 (Lina Khan, FTC 主席) — Amazon 利用自有平台挤压第三方卖家。 反垄断诉讼 2023 启动, 2025-2027 关键判决。 飞轮在垄断地位之后失去公平性。
- AI 时代质疑 — 飞轮本质是规模 + 数据飞轮。 在 AI 时代, OpenAI / Google / Microsoft 的训练数据 + 模型飞轮可能更强。 Amazon 的"分销 / 物流"飞轮可能被原子化(每个消费者用 AI agent 直接到工厂)。
Bezos 回应 — 飞轮不是固定模式, 是方法论。 公司每代都要重画自己的飞轮。 AWS 是第一代之上的第二代, AI / 卫星互联网 (Kuiper) 是第三代。 持续Day 1的公司才能不断重画飞轮。
复盘
3 大可迁移原则:
- 客户痴迷 ≠ 客户聆听 — Bezos: "客户不知道他们想要什么, 你必须为他们发明"。 Steve Jobs 一致。 客户痴迷是对客户深度的理解, 不是问卷调查。
- 逆向工作 (Working Backwards) — Amazon 内部任何新产品先写新闻稿 + FAQ, 假设产品已发布, 客户拿到时的反应。 再倒推研发。 跟传统研发完再写营销反向。
- 2 类决策 — Type 1 (不可逆 + 高影响): 慢慢做, 多评估。 Type 2 (可逆 + 低影响): 快做, 80% 信息就动。 多数人把所有决策当 Type 1, 是真正的慢公司原因。
自查
- 你的飞轮回路是什么? 写一个 3-5 步循环, 每一步把规模 / 时间转成下一步的优势。 不能写 → 你没飞轮, 在直线推进, 容易撞墙。
- 上周你做的最重要的3 个决策, 各属于 Type 1 还是 Type 2? 如果 Type 1 < 30% → 你可能在过度评估低影响决策。
- 你现在是 Day 1 还是 Day 2 状态? 1 周内有没有主动颠覆自己的实验? 没有 → 你已在 Day 2 边缘。
章 08
深度
★ Naval Ravikant
Naval 财富杠杆 (Specific Knowledge × Leverage)
怎么用睡觉时间也能赚钱, 而不是出售时间?
定义
Naval Ravikant 2018-06 Twitter 长贴《How to Get Rich》(后扩为 The Almanack of Naval Ravikant) 提出 —
财富方程:
``` Wealth = Specific Knowledge × Accountability × Leverage ```
3 个组件互不替代, 是乘法关系。 缺一项, 财富为 0。
- Specific Knowledge (专项知识) — 不能被培训出来的知识, 来自你独特的兴趣 + 天赋组合。 培训出来的知识 = 别人也能做 = 没溢价
- Accountability (责任承担) — 用真名 + 承担下行风险 + 把决策跟自己绑定。 没人因为"匿名好建议"被支付高价
- Leverage (杠杆) — 同样的 input, 产出 N 倍
Naval 关键洞察 — Leverage 类型:
- 劳动力杠杆 (Labor) — 最古老, 雇人, 但难管 + 烧钱
- 资本杠杆 (Capital) — 货币 + 投资, 但稀缺 + 需信用
- 代码 + 媒体杠杆 (Code + Media) — permissionless + 边际成本零 + 24/7 工作
第 3 种是 Naval 时代的革命 — 不需要老板批准 / 不需要银行贷款, 一个开发者写一行代码 / 一个创作者发一段视频 → 全球可用。
机制
3 组件乘法原因 —
- 有 Specific Knowledge 但没 Leverage → 你是付费专家, 时薪高但仍出售时间
- 有 Leverage 但没 Specific Knowledge → 你做的事别人也能做, 杠杆放大平庸
- 有两者但不承担 Accountability → 没人付溢价给匿名好建议
3 组件齐全 → 非线性扩张: 时间不变, 收入指数增长。
正和博弈 (Positive-sum games):
Naval 推 "play long-term games with long-term people"。 短期博弈 (single-shot) 倾向于骗 + 利益最大化。 长期博弈 (iterated) 自动倾向诚信 + 协作。 选择长期游戏 → 自动选择对的人 → 自动选择正确激励。
判断不是预测, 是清晰 (Clarity):
Naval: "判断的目标是清晰, 不是预测正确"。 多数人在预测(我觉得 X 会发生), 真正的判断在清晰(在 A 和 B 之间, A 显然更好, 原因是 ...)。 清晰判断者会被认出来 → 被信任 → 获 leverage。
实例
Naval 自己 — AngelList:
- 1996 第一家公司失败
- 2003 Epinions (评论网站) 卖给 eBay
- 2010 创立 AngelList (创业 + 投资连接平台)
- 早期投资 — Twitter / Uber / Notion / Stack Overflow / Wish / Postmates / Yammer 等 200+
- 个人净资产 $1B+ (按 2024 估)
- 关键 — 把自己的判断力(specific knowledge) × 资本(投资人付钱跟投) × 代码(平台 24/7 工作) 三个 leverage 全用上
当代创作者经济:
- Joe Rogan ($250M Spotify 合约, 2024 续签) — 麦克风 + 1 名编辑 = $250M
- MrBeast ($700M 2024 收入) — YouTube 算法 leverage + 内容 specific knowledge
- Stratechery (Ben Thompson) — 1 人, $5M+/年 订阅 — 写商业战略分析, 不需要团队
3 个都是 Naval 框架的实现 — Specific Knowledge × Code/Media Leverage × Accountability(真名 + 承担信誉)。
失败案例:
- 有 Specific Knowledge 没 Leverage: 哈佛 PhD 教授, 年薪 $200K, 出售时间。 知识贵但不复利。
- 有 Leverage 没 Specific Knowledge: 中型 SaaS 创业者, 卖 me-too 产品, 拼营销 / 价格战。 leverage 放大平庸 → 跑赢通胀但赚不到大钱。
- 有两者不 Accountable: 匿名 Substack writer, 写得好但匿名 → 不能被信任 → 不能溢价。
原典
Naval Ravikant (1974-, 印度裔美国, 早期在德里贫困区长大, 9 岁移民): AngelList 创始人 + 投资人 + 哲学家。 Twitter 上 100 万+ 粉丝, 但极少营销, 多数靠口碑传播。 同时长期推 Vipassana 冥想 + 长期主义 + 比特币。
原文金句 (How to Get Rich Twitter 长贴, 2018-06-03):
"Seek wealth, not money or status. Wealth is having assets that earn while you sleep. Money is how we transfer time and wealth. Status is your place in the social hierarchy."
Specific Knowledge 定义:
"Specific knowledge is found by pursuing your genuine curiosity and passion rather than whatever is hot right now. Building specific knowledge will feel like play to you but will look like work to others."
Leverage 的本质:
"Code and media are permissionless leverage. They're the leverage behind the newly rich. You can create software and media that works for you while you sleep."
完整 Almanack PDF 网上免费 — navalmanack.com (Eric Jorgenson 编辑, Naval 同意公开)。
空方 · 反方观点
3 大反方:
- 结构主义(Thomas Piketty / Daniel Markovits) — Naval 框架假设每个人都能选择 specific knowledge + leverage。 实际上家庭背景 / 教育资源 / 早期网络 决定大部分。 Naval 框架是幸存者偏差 — 他自己是 9 岁移民贫困背景但极高 IQ 的异常, 多数人没他这种潜在天赋。
- 意义派(Cal Newport / Oliver Burkeman) — Naval 框架是财富导向。 但财富 ≠ 意义 ≠ 幸福。 追求财富自由多数人 10 年后仍焦虑。 Newport 提倡deep work + meaningful career, 不一定是财富最大化。
- AI 时代质疑 — 当 AI 能写代码 + 生成媒体, "code + media leverage" 不再 permissionless 而是 commodity。 Specific knowledge 也会被 AI 部分替代。 Naval 框架 2018 准, 2030 可能需要更新。
Naval 回应 (2024 多个播客) — 不是框架失效, 是 specific knowledge 范围变窄。 AI 时代有效的 specific knowledge 必须 — ① AI 不能模仿 (个人审美 / 关系网) ② 跟具体身份绑定 (品牌 / 信誉) ③ 跟稀缺资本组合 (土地 / BTC / 早期 AI 投资)。
复盘
3 大可迁移原则:
- 找自己的specific knowledge — 你做什么感觉像玩, 别人看像工作? 这是 Naval 的判断标准。 不是 "你最擅长什么", 是 "你最享受什么"。 享受 + 长期 → 自动专精。
- 选 code / media leverage — 即使主业不是软件 / 内容, 也用 code + media 放大主业。 律师写 Substack / 医生录 YouTube / 工程师做开源 — 每个都把时薪变资产。
- 玩长期博弈 — 选合作伙伴 / 客户 / 项目, 一律考虑10 年后还想跟这人合作吗。 答案是否 → 现在就不要开始。
自查
- 你的specific knowledge是什么? 不能 1 句话说清 → 你没有, 在做commodity工作。
- 你的leverage类型是什么? 劳动力 / 资本 / 代码 / 媒体? 多数人只有 1-2 种, Naval 强调可叠加。
- 你的最近 3 个项目中, 有几个是10 年后还想做的? 0 个 → 全在玩短期博弈, 财富不会复利, 信誉会持续清零。
章 09
深度
★ Charlie Munger
Munger 多元思维模型 (Latticework of Mental Models)
为什么跨学科比深度专精更接近真理?
定义
Munger 1994 USC 商学院讲座《A Lesson on Elementary Worldly Wisdom》提出 —
"You've got to have models in your head. And you've got to array your experience — both vicarious and direct — on this latticework of models. You may have noticed students who try to remember and pump back what they remembered. Well, they fail in school and in life. You've got to hang experience on a latticework of models in your head."
Latticework (栅格) = 多个独立心智模型组成的互相连接结构。 不是一堆无关知识, 是一张互相印证 / 修正的网。
Munger 估计 — 100 个核心模型覆盖 95% 的决策。 这些模型来自:
- 数学: 复利 / 排列组合 / 决策树
- 物理: 临界质量 / 自动催化
- 生物: 进化 / 自然选择
- 心理学: 25 种偏差 (Munger 自己整理的清单)
- 经济学: 规模经济 / 网络效应 / 沉没成本
- 历史: 战争 / 帝国兴衰 / 制度演化
- 工程: 冗余 / breakpoint / 反工程
机制
为什么多元胜过专精?
- 避免 "当你有锤子, 一切看起来都像钉子" — 单一学科训练让人系统性误判。 经济学家看一切是激励, 心理学家看一切是偏差, 物理学家看一切是简化模型。 多元模型 → 看到真实的复杂度。
- Lollapalooza Effect (集成效应) — 多个偏差同方向叠加, 产生非线性放大。 Munger 1995 哈佛演讲举例 — Tupperware Party 把 6 种心理偏差 (互惠 / 承诺 / 社会证明 / 喜好 / 权威 / 稀缺) 同时触发, 销售效率是单一偏差的 10 倍+。 想识别 Lollapalooza → 必须懂多个模型。
- 反向思考 (Invert, always invert) — Jacobi 数学原理. Munger 把它扩到投资 — 不问 "怎么赚钱", 问 "怎么不赔钱"。 反向更容易识别避免清单(don't list), 而避免清单比做清单更有用。
实例
Costco 投资决策 (1997-):
- 用 5+ 模型同时分析: - 规模经济 (经济学) — 大规模采购 + 仓储 = 单位成本降 - 会员制锁定 (心理学 + 经济学) — 沉没成本 + commitment 偏差 - SKU 精选 (心理学) — 反 paradox of choice, 客户感激 - 员工待遇 (心理学) — 高薪低流动 = 服务好 = 客户忠 - 反 Walmart 文化 (历史 + 战略) — 走员工 / 客户 / 股东三赢, 不是股东最大化 - 持有至 2024 — 复合收益 ~17% 年化, 30 年 100x+ - 单一财务模型看 Costco 估值常年偏高, 但多模型看是结构性优势
BYD 早期投资 (2008):
- Munger 推动 Buffett 买 BYD ($230M 投资) - 用模型: - 规模 + 学习曲线 (工程) — 电池产能扩 → 单位成本指数降 - 垂直整合 (经济学) — 电池 + 电机 + 整车一体, 利润不被分割 - 中国基建优势 (历史 + 地理) — 充电桩 / 电网 / 制造业集群 - 王传福本人 (心理学) — 工程师创始人 + 长期主义 + 不消费导向 - 2024 估值 100x+, Munger 在 2023 11 月去世前仍持有
反向 — 不投资什么:
- 1990s.com 泡沫 — Buffett + Munger 拒绝, 被嘲笑"老了"
- 2008 雷曼 / Bear Stearns — 拒接救助, 看清杠杆 + 信任崩塌双重模型
- 加密货币 — Munger 多次公开斥责"rat poison squared", 2024 去世前仍未改变
原典
Charlie Munger (1924-2023, 享年 99): 律师出身 → 投资者 → Berkshire Hathaway 副主席 (1978-2023)。 Buffett 公开称他 "最重要的合作伙伴 + 我能找到的最聪明的人"。 跟 Buffett 56 年合作, 改变了 Buffett 从烟蒂股(便宜)到伟大公司合理价。
原文金句 (1994 USC 演讲):
"The first rule is that you can't really know anything if you just remember isolated facts and try and bang them back. If the facts don't hang together on a latticework of theory, you don't have them in a usable form."
反向思考:
"Invert, always invert. Turn a situation or problem upside down. Look at it backward."
Lollapalooza Effect:
"The most important thing to keep in mind is the idea that especially big forces often come out of these one-hundred psychological tendencies operating jointly." — 跟正常认知不同, 多数大事件是多偏差叠加而非单一原因。
Poor Charlie's Almanack (2005, Peter Kaufman 编辑) — Munger 一生演讲 + 文章合集, 投资圈圣经之一。
空方 · 反方观点
3 大反方:
- 专精派(Cal Newport) — 多元模型在战略层有用, 但执行层需要专精。 你写代码 / 做手术 / 谈判合同, 多元模型不能替代专业深度。 Munger 框架适合资本配置者(他自己), 不适合执行者。
- 数据驱动派(Nate Silver) — 多元模型听起来好但实际不可证伪。 100 个模型选哪个套? 选错就事后归因。 Silver 强调用定量预测 + 校准检验自己的模型, Munger 缺这一步。
- AI 时代质疑 — LLM 同时跨学科。 GPT-4 已经能同时引用经济学 + 心理学 + 历史。 Munger 多元思维是人脑稀缺的优势, 在 AI 时代不再稀缺。
Munger 生前回应 — 模型不是记忆, 是判断。 AI 能列举模型, 但哪个模型适用哪个情境是判断力, 仍然稀缺。 Buffett + Munger 跟有所有数据的分析师比, 优势就在判断这一层。
复盘
3 大可迁移原则:
- 主动构建你的core 100 模型 — 不需要 1 次完成。 每年加 10-20 个核心模型。 5-10 年覆盖 95% 决策。 起点 — Poor Charlie's Almanack + Farnam Street (fs.blog) + 你自己专业之外的 2-3 门底层学科。
- 每个判断用>= 3 个独立模型检验 — 同方向 → 高信心。 反方向 → 警告。 单一模型支持的判断不要重仓。
- 反向先列失败清单 — Munger 的判断常胜法不是选对, 是避错。 看每个机会先列 5 个 "什么会让这个失败", 再看每个的概率。 任何 > 10% → 远离。
自查
- 你能列出多少个不同学科的心智模型? < 20 → 你在单锤子 + 多钉子模式, 系统性误判。
- 上周你做的最重要决策, 你用了几个独立模型检验? < 3 → 信心不应该 > 60%, 不要重仓。
- 你的避免清单 (don't list) 有多长? Munger: "我的成功 80% 来自避免愚蠢, 不是聪明"。 没显式避免清单 → 你在按本能避免, 不可靠。
章 10
深度
★ Warren Buffett
Buffett 投资框架 (Owner Earnings × Moat × Intrinsic Value)
怎么用一个数字判断一家公司值多少钱?
定义
Buffett 投资框架 = 3 个核心概念组成:
- Owner Earnings (所有者盈余) — Buffett 1986 年报定义。 跟 GAAP 净利润 / EBITDA 都不同:
``` Owner Earnings = 净利润 + 折旧 / 摊销 (非现金支出) - 维持现有业务的真实资本支出 (maintenance CapEx) - 必要的营运资金增加 ```
跟现金流不同 — 不算扩张性 CapEx(那是给未来的, 不是现在的所有者能拿的)。 跟净利润不同 — 净利润有会计噪音。
- Moat (护城河) — 让公司持续赚高于行业平均回报的结构性优势。 4 种 (Pat Dorsey 后续系统化):
- 无形资产: 品牌 (Coca-Cola), 专利 (Pharma), 监管许可 (Banks)
- 转换成本: 银行账户切换难, ERP 系统迁移痛
- 网络效应: 平台 (Facebook), 支付 (Visa), 评论 (Yelp)
- 成本优势: 规模 (Costco), 地理 (建材), 流程 (Geico)
无护城河 → 高回报引来竞争 → 利润被压缩到行业平均 → 公司平庸。
- Intrinsic Value (内在价值) — 一家公司未来全部 Owner Earnings 折现到今天。 公式 (DCF):
``` IV = Σ (Owner Earnings_t / (1+r)^t) ```
其中 r = Buffett 用长期国债收益率或10% 最低收益较高者作为折现率。 不是 CAPM 的 β + ERP — Buffett 认为 β 是无意义(风险 = 永久损失资本, 不是波动性)。
Margin of Safety = 内在价值 - 当前价。 Buffett 要求至少 30%+ 折扣。
机制
为什么 3 个一起用?
- 只看 Owner Earnings → 不知道未来能不能持续 → 需要护城河判断未来
- 只看护城河 → 不知道当前盈利质量 → 需要 Owner Earnings 看现在
- 只看内在价值 → 不知道安全边际 → 可能高估或时机不对
3 个组合 = 定量(OE)+ 定性(Moat)+ 估值(IV)三维。
Compounding 的本质:
Buffett 经典话 — "我不是因为聪明赚钱, 是因为极少卖出赚钱"。
- 卖出 = 实现资本利得 = 缴税 (美国 20%+) = 减少 80% 复利基数
- 持有 = 延迟纳税 = 100% 复利
如果年化 15%, 30 年: - 不卖 (复利): $1 → $66 - 每年卖再买 (扣 20% 税): $1 → $25 - 差 $41 = 60%+ 损失, 仅因多收税
实例
See's Candies (1972):
- Berkshire 买价 $25M, 净有形资产 $8M, 净利润 $4M (P/E ~6) - 看起来贵 (PB 3x) 但 Buffett 看到 4 大护城河: - 品牌: 加州人结婚送礼 = See's - 定价权: 每年涨价 10%+ 无客户流失 - 低 CapEx: 不需要扩工厂就能涨利润 - 简单业务: 巧克力 + 礼盒, 无技术风险 - 1972-2014 累计税前盈利 $1.9B (76x 投资) - Buffett: "买 See's 让我从烟蒂股(Graham 学派) 转向伟大公司合理价(Munger 学派)"
Apple 投资 (2016-):
- 2016 开始建仓, 平均成本 ~$36 - 2024 持仓 ~5%(从 6% 减), 价值 ~$80B (浮盈 $130B+) - 看到的护城河: - 品牌: iPhone 用户切换率极低 - 生态系统: iCloud + iMessage + Apple Pay 锁定 - 规模 + 议价: 对供应链有定价权 - 现金流: 每年 $100B+ 自由现金流 - 2024 减仓 Apple — Buffett 不解释, 但分析师推测是估值过高+仓位过度集中
Dexter Shoe (1993, 失败):
- $433M 收购, 用 Berkshire 股票支付 (~25000 股)
- Buffett 2007 年报承认: 错判护城河 — 觉得品牌 + 工厂效率, 实际无护城河
- 1990s 末 — 中国 / 越南制造 + 低品牌价值 = 利润崩溃
- 25000 股 Berkshire 2024 值 ~$15B (Buffett 自称是$15B 的错误)
- 教训: 护城河误判比价格高估损失更大
原典
Warren Buffett (1930-): Berkshire Hathaway CEO + Chairman (1965-)。 2024 净资产 $135B+。 1956-1969 个人合伙基金年化 29.5% (vs Dow 7.4%)。 1965-2024 Berkshire BVPS 复合增长 19.8% (vs S&P 10%)。 全球公认最伟大投资者。
原文金句 (1989 年报):
"It's far better to buy a wonderful company at a fair price than a fair company at a wonderful price." — 从 Graham 烟蒂转向 Munger 伟大公司的关键论断。
Owner Earnings 定义 (1986 年报):
"If we think through these questions, we can gain some insights about what may be called 'owner earnings.' These represent (a) reported earnings plus (b) depreciation, depletion, amortization, and certain other non-cash charges... less (c) the average annual amount of capitalized expenditures for plant and equipment, etc."
护城河:
"In business, I look for economic castles protected by unbreachable moats."
最重要规则:
"Rule No. 1: Never lose money. Rule No. 2: Never forget rule No. 1." — 配合 Margin of Safety, 不是不亏是避免永久损失资本。
空方 · 反方观点
3 大反方:
- EMH 学派 (Eugene Fama, Nobel) — 市场有效假说认为持续跑赢大盘是幸运不是技巧。 Buffett 的 60 年纪录可以用大数定律解释 — 几万投资者中总有一个能跑赢 60 年。 Buffett 1984 哥伦比亚演讲《Superinvestors of Graham-and-Doddsville》反驳: 那个"幸运者"集中在同一个学派(Graham 学生) 而不是随机分布, 不能用纯运气解释。
- VC / 增长派 — Buffett 框架对稳定盈利公司有效, 对早期增长公司失效。 Owner Earnings 在亏损期是负的 → 估值为零 → 错过 Amazon / Google / Tesla 早期。 Buffett 自己承认错过 Amazon (Bezos 是好友) + Google (Sergey Brin 主动找他) — 因为框架不适合未来才赚钱的公司。
- AI 时代质疑 — 当所有人都能实时跑 DCF, Buffett 的定量分析优势消失。 剩下的定性(护城河判断)需要跟 CEO 喝咖啡 + 行业 30 年经验, 普通投资者复制不来。 Buffett 框架变成不可复制的能力。
Munger 生前回应 — Buffett 框架的价值不在于跑赢市场, 在于避免重大错误 + 持续复利。 普通人用 Buffett 框架买 Index Fund + 不卖 (复利 + 低税), 60 年也能复利 100x。 不需要跑赢。
复盘
3 大可迁移原则:
- 区分 Owner Earnings 和 Net Income — 看任何投资标的, 算真实 Owner Earnings, 不要被 GAAP 净利润骗。 高净利润 + 高资本支出 + 低 Owner Earnings = 烧钱业务, 估值可能为零。
- 没护城河 → 不投资 — Buffett: "我宁愿持有现金, 也不投资看起来便宜但没护城河的公司"。 现金等机会, 投错损失更大。
- 极少卖出 — 找到伟大公司 + 合理价 → 不卖 = 复利 + 不缴税。 多数业余投资者过度交易, 跑输因为税 + 手续费 + 心理压力 + 错过多重消耗。
自查
- 你能正确算出一家公司的 Owner Earnings 吗? 不能 → 你看净利润或EBITDA做决策, 不可靠。
- 你最大仓位的公司护城河是什么? 不能 1 句话说清 → 你没有护城河共识, 在玩故事。
- 上 1 年你卖出多少次? > 5 次 → 你在交易不是投资, 复利严重漏水。