全球大类资产配置策略：看好黄金和AI应用-中信建投

看好黄金和AI应用——全球大类资产配置策略证券研究报告策略动态报告分析师：王程畅wangchengchang@csc.com.cnSAC 编号：S1440520010001发布日期：2025年03月06日本报告由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供。在遵守适用的法律法规情况下，本报告亦可能由中信建投（国际）证券有限公司在香港提供。同时请务必阅读正文之后的免责条款和声明。分析师：陈果chenguodcq@csc.com.cnSAC 编号：S1440521120006SFC 编号:BUE195摘要摘要•核心观点：2月A股和港股表现较好，美股表现不佳，债券平平，黄金、有色和豆粕表现较好，石油表现不佳。预测2024Q4万得全A和万得全A非金融的ROE为7.16%和6.23%（预测2025Q1分别为7.06%和6.18%），分析师预期相比上月下调；2024Q3的ROETTM为7.77%和6.94%。基于三周期（库存周期+产能周期+人口周期）对万得全A指数2025Q1的内在价值估计为5,289点区间(2025Q2为5,343点)；预测美国GDP同比高点在2025Q1，预测日本GDP同比的高点在2025Q2，预测欧元区GDP同比高点在2025Q2，预测日元相对美元的弱势将好转，预测欧元未来或相对美元强势；预测美元计价的黄金将继续走强。Deep seek开源周启示人工智能由堆算力向优化算法演进，看好AI应用。•全球大类资产表现与康波视角下的周期定位：2月A股和港股表现较好，美股表现不佳，债券平平，黄金、有色和豆粕表现较好，石油表现不佳。当前处于康波萧条期，下一轮康波周期的复苏大概率由人工智能引领；人口因素对股市的负面影响从2015年开始变得比较显著，且作用逐渐增强；中国产能利用率从2021年下降；库存周期从2023Q2见底回升，但受制于康波、人口和产能周期的下行压制，PPI回升较弱，当前已经接近上行周期的尾声。•基本面和资产价格展望：按照自下而上的分析师预期加总，预测2024Q4万得全A和万得全A非金融的ROE为7.16%和6.23%（预测2025Q1分别为7.06%和6.18%），分析师预期相比上月下调；2024Q3的ROETTM为7.77%和6.94%。基于三周期（库存周期+产能周期+人口周期）对万得全A指数2025Q1的内在价值估计为5,289点区间(2025Q2为5,343点)；预测A股价值于2025Q3进入下行阶段。中国十年期国债利率偏离了历史周期规律。预测美国GDP同比高点在2025Q1，预测日本GDP同比的高点在2025Q2，预测欧元区GDP同比高点在2025Q2，预测日元相对美元的弱势将好转，预测欧元未来或相对美元强势；预测美元计价的黄金将继续走强。•全球多资产配置策略组合跟踪：全球多资产配置绝对收益@低风险组合，本周回报0.16%，本月回报0.16%，今年以来相对中债（总财富）指数超额收益0.39%；全球多资产配置绝对收益@中高风险组合，本周回报0.29%，本月回报0.29%，今年以来相对万得FOF指数超额收益0.87%。•A股行业和风格轮动@相对收益：基于财务报表、分析师预期和行业中观数据构建行业景气度指标，农林牧渔、有色金属、通信和银行的景气度比较高。消费者服务和综合的关注度从高位下降；最近一周“有色金属”、“建材”、“商贸零售”、“房地产”和“通信”行业的机构关注度在提升。通信、传媒、计算机、家电、汽车、商贸零售、机械行业处于触发拥挤指标阈值的状态（流动性、成分股一致性），并处于持续拥挤状态；近期整体拥挤信号和拥挤行业数量低位抬升。2提纲提纲全球大类资产表现与周期定位• 全球大类资产配置策略组合表现• A股行业和风格轮动组合表现• 风险提示3全球大类资产表现与周期定位全球大类资产表现与周期定位• 全球大类资产表现与周期定位全球大类资产表现• 康波视角下的周期定位• 基本面和资产价格展望4全球大类全球大类资产表资产表现图表：全球大类资产近期表现52月A股和港股表现较好，美股表现不佳，债券平平，黄金、有色和豆粕表现较好，石油表现不佳。资料来源：Wind，中信建投全球大类资产表现与周期定位全球大类资产表现与周期定位• 全球大类资产表现与周期定位• 全球大类资产表现康波视角下的周期定位• 基本面和资产价格展望6康波视角康波视角下的周下的周期定位期定位图表：历史上的五轮康波周期7生产力决定生产关系。过去两百年历史进步的主要动力靠科技-生产力突破，周期繁荣阶段一般经历13至20年，衰退阶段经历8至11年，萧条阶段经历7至10年，回升阶段经历10至20年，一个完整的康波周期在40年至60年之间。人工智能或引领下一轮智能化的康波周期。资料来源：荷兰经济学家雅各布·范·杜因，中信建投衰退期1815-1825（10年）萧条期1825-1836（11年）回升期1836-1845（9年）繁荣期1845-1866（21年）衰退期1866-1873（7年）萧条期1873-1883（10年）回升期1883-1892（9年）繁荣期1892-1913（21年）萧条期1929-1937（8年）回升期1937-1948（11年）繁荣期1948-1966（18年）萧条期1973-1982（9年）回升期1982-1991（9年）繁荣期1991-2008（17年）萧条期2020-？回升期？衰退期1966-1973（7年）衰退期1920-1929（9年）衰退期2008-2020（12年）纺织和蒸汽机技术（63年）钢铁和铁路（47年）电气和重化工业（56年）信息技术？汽车和电子计算机（43年）注：1802-1815为拿破仑战争注：1913-1920为一战1931-1945为二战ChatGPTAGI繁荣期1782-1802（20年）康波视角下的周期定位康波视角下的周期定位8•Deep seek开源周的启示：人工智能由堆算力向优化算法演进•2025年2月24日，Deepseek以一场别开生面的活动拉开了其开源周的序幕，每天都为开发者和研究者带来新的惊喜。从第一天优化 GPU 内核以处理可变长度序列的FlashMLA，到第二天解决混合专家（MoE）模型通信问题的 DeepEP；从第三天引入 FP8 矩阵乘法的 DeepGEMM，到第四天探索的并行策略，再到第五天简化数据访问的 3FS Thruster，这些工具和技术的发布为 AI 领域注入了新的活力。•FlashMLA：FlashMLA的独特之处在于其对BF16（Brain Float 16）格式的支持以及采用64块大小的分页KV缓存。这些特性极大地降低了延迟，提高了吞吐量，使其非常适用于实时AI应用。对于开发者而言，这意味着在处理复杂、动态数据集时，可以获得更快的训练和推理速度。•DeepEP：MoE 模型是 AI 架构中的佼佼者，它通过将任务分配给专门的 “专家” 模型，有效提升了效率和性能。但在训练和运行过程中，该模型需要节点之间进行无缝通信，这既包括单台机器内部（节点内）的通信，也涵盖多台机器之间（节点间）的通信。DeepEP 采用优化的全对全通信方式，成功解决了这一难题，确保数据能够流畅、快速地传输。Deep