拆解模型定价、用量迁移与美股 AI 软硬件走势的先行关系

背景介绍

上个月写了一篇关于 TTSI 的复现与归因分析，结论是 5-6 月的指数回落主要由中国厂商降价和用量迁移驱动，整体支付意愿并未下降。文章发出之后，收到了不少反馈。公众号读者的反应还不错，“非常不错的分析"“点赞"这类留言不少。TrakToken 网站的数据也迎来快速增长，很快用户数便破万。8 月 6 日，日活用户数创下新高，突破 800。

另有一位做私募的朋友反馈他接收到的信息和看法：Anthropic 和 OpenAI 的前沿模型，在 OpenRouter 上的收入和份额趋势到底怎么样？中国模型的冲击，是打了定价权、还是抢了份额、还是两个都有？Token 降价这么猛，量增长没问题，但价格降得太狠的话，市场规模可能没有大家想的那么大，最后资本开支就会出问题。

他的原话是"资本开支其实现在完全依赖债务融资，所以还是要边走边看”。这引出一个问题：TTSI 和美股 AI 行情之间，到底有没有可量化的关系？如果指数能够"预测"行情走势，哪怕是部分的、有条件的，对于关注 AI 赛道的投资者来说都有价值。

如果前沿模型的定价权在流失，是不是意味着硬件端的资本开支（capex）逻辑正在松动？这是一个值得认真做的分析。

先看一眼近期的 AI 行情

分析之前，先回顾下标的本身的走势。这里选了三个 ETF 做参照：

  • SMH（VanEck 半导体 ETF）：代表 AI 硬件端，重仓英伟达、台积电、博通
  • IGV（iShares 软件 ETF）：代表 AI 软件端，覆盖 Salesforce、Adobe、ServiceNow 等
  • QQQ（纳斯达克 100 ETF）：大盘基准

从 4 月 1 日到 8 月初，SMH 走得最强，IGV 相对温和，QQQ 居中。TTSI 的波动幅度远大于三个 ETF，这点从标准化走势图上很明显。特别是 5 月底到 7 月，TTSI 经历了大幅波动（和上篇文章分析的中国厂商降价、用量迁移的时间窗口重合），而同期 SMH 持续走高。

TTSI、SMH、IGV 与 QQQ 从 4 月 1 日起的标准化走势对比：SMH 走势最强，TTSI 波动幅度远大于三个 ETF
TTSI、SMH、IGV 与 QQQ 从 4 月 1 日起的标准化走势对比：SMH 走势最强，TTSI 波动幅度远大于三个 ETF

直觉上，“AI token 越来越贵 → 算力需求大 → 利好硬件"这条逻辑链看起来说得通。但直觉需要验证。

分析目标

核心问题就一个：TTSI 的变化，能不能预测未来 1-4 周美股 AI 硬件相对于软件的超额收益？

更具体地说，如果过去一周 TTSI 上涨（Token 支出增加），未来几周硬件股是不是倾向于跑赢软件股？反过来，TTSI 走弱是不是意味着硬件的相对优势在消退？

之所以看"硬件减软件"的相对收益而不是绝对收益，是因为大盘涨跌的干扰太大。TTSI 如果有信息量，更可能体现在 AI 产业链上下游的相对强弱上，而不是预测整个市场的方向。

分析结论

先说结论：目前的证据不足以形成稳定交易信号，但前沿模型溢价值得关注

在 2026 年 4 月 1 日之后的可信数据窗口内（69 个日度滚动观测），测试了两个 TTSI 信号维度：

第一个是 TTSI 整体价格指数（ttsi_price）。 结果不显著。1 周 beta 为 -0.02，2 周 beta 为 0，4 周 beta 为 -1.78。方向甚至和直觉相反：整体指数走高，硬件相对软件的未来收益反而略微走弱。但系数太小、不显著，本质上是没信号。

第二个是前沿模型溢价（frontier_premium）。 这个有意思。frontier_premium 衡量的是闭源前沿模型相对开源模型的价格溢价，抓的是"用户愿意为顶级模型额外支付多少"这个信息。1 周 beta 为 0.81，2 周为 2.62，4 周为 6.79。方向一致，且随着前瞻周期拉长，系数递增。

4 周的 frontier_premium 信号是最强的：每 1 个标准差的周变化，对应 6.79% 的硬件减软件相对收益。经过修正自相关和多重比较之后，95% 置信区间为 [4.40%, 9.18%]，统计上显著。

但应用仍需谨慎。

谨慎的理由

第一，样本太短。 69 个日度滚动观测，去掉重叠之后真正独立的周度样本只有约 15 个。4 周前瞻意味着不到 4 轮完全独立的观测周期。在这个样本量下，任何统计推断都要打折扣。

第二，只有一个信号-周期组合通过了完整的稳健性检验。 两个信号维度、三个前瞻周期，一共 6 组检验。只有 frontier_premium 的 4 周同时通过了回归显著性、多重比较修正和重采样三重验证。6 选 1 的结果，离"稳定规律"还有距离。

第三，4 月前的数据被标记为不够准确。 TrakToken 的价格采集从 3 月上线，早期数据存在覆盖不全和幸存者偏差的问题（上篇文章也提过）。所以所有主要判断只看 4 月 1 日后的可信窗口，更早的历史仅用于检查方向是否一致。

第四，也是最关键的：相关不等于因果。 TTSI 的变化不是独立驱动股票涨跌的力量。更合理的解释是，模型发布、官方调价和开源/闭源用量分层这些事件，同时改变了前沿模型溢价，也同时改变了市场对算力需求和软件单位经济性的预期。TTSI 更像是这些共同原因的一个侧面反映，而不是原因本身。

举个例子：Anthropic 发新模型，闭源前沿价格往上走，frontier_premium 上升；与此同时，市场预期算力需求增加，硬件股走强。两者是同源事件的两个结果，不是一个导致了另一个。

分析方法与数据

简单交代下方法。

数据来源： TTSI 历史数据来自 TrakToken API，美股 ETF（SMH、IGV、QQQ）的日线数据来自本地量化数据库。

怎么算的： 取过去 5 个交易日的 TTSI 变化作为信号（做了标准化处理），看这个信号能不能预测未来 1、2、4 周"硬件减软件"的收益差。表中的 beta 可以理解为：指数一周的波动每扩大一个正常幅度，未来的相对收益平均变化多少个百分点。

为什么不直接看两条线的相关性： TTSI 和股价都有趋势，直接比会产生"伪相关”。所以回归里用的是变化量，而非价格水平。走势图只用来直观感受方向，不用于统计推断。

信号 前瞻周期 样本量 beta（百分点） 95% 置信区间
前沿模型溢价 4周 69 6.79 [4.40, 9.18]
前沿模型溢价 2周 69 2.62 -
前沿模型溢价 1周 69 0.81 -
整体价格指数 4周 69 -1.78 -
整体价格指数 2周 69 0 -
整体价格指数 1周 69 -0.02 -

延伸思考

这次分析留下了几个值得继续追踪的问题：

  1. 降价和用量迁移各占一半的结论，放长来看还成立吗？ 上篇文章分析的 5-6 月数据里，结构效应和价格效应大约各占一半。但样本拉长之后，这个比例可能会变。

  2. 前沿模型溢价的信号，到底是独立信号还是"搭便车”？ 如果把新模型发布、官方调价这些事件单独拎出来控制住，4 周的正 beta 还在不在？如果消失了，说明 TTSI 只是在反映这些事件，本身没有额外的预测力。

  3. 软件端的标的够不够纯？ IGV 是广义企业软件 ETF，里面有不少和 AI 关系不大的公司。如果换成 AI 纯度更高的软件股组合，结果可能更清晰。

  4. 宏观环境的干扰怎么排除？ 模型发布往往和利率决议、芯片财报季、市场情绪切换撞在一起。把 TTSI 的效应从这些噪音里拆出来，是后续最难的部分。

下一步

当前的计划是继续积累数据，建立回测与模拟盘。

具体来说：每月追加数据原样重跑，不改信号和周期的设置。等数据积累到大约一年（52 个独立周），再重新评估结论的稳定性。

在完成价格效应、用量效应和模型事件的拆解之前，4 周的正 beta 只保留为探索性观察。

参考资料

本系列前文

数据来源

行情参照

方法论

关于作者