木头姐 / ARK · 课程

00 · 免费试看

ch0 先换地图：从行业分类到创新平台

导语

学习 Cathie Wood / ARK，第一步不是看她买了哪只股票，而是换掉传统投资地图。传统地图把世界分成汽车、传媒、医疗、金融、软件、工业；ARK 的地图把世界分成人工智能、机器人/自动化、储能、区块链/公链、多组学测序。前者问“这家公司属于哪个行业”，后者问“哪项指数级技术正在改写价值链”。这就是为什么特斯拉在 ARK 眼里不只是车企，Coinbase 不只是交易所，CRISPR 不只是药企，Roku 不只是流媒体广告公司。它们都是某个技术平台扩散过程中的节点。

讲解

颠覆式创新的第一问题

ARKK 官方页把颠覆式创新定义为技术驱动的新产品或服务，可能改变世界运转方式。这个定义很宽，但不是空泛口号。它要求你判断一项技术是否会让旧成本结构、旧商业模式、旧分销链条和旧监管边界发生重排。比如电动车不仅替代发动机，还改变电池供应链、软件更新、自动驾驶数据和能源补给；稳定币不仅是加密资产价格波动的一部分，也可能改变跨境支付和链上结算；基因测序不仅是实验室设备降价，也可能让医疗从经验治疗走向数据驱动。

为什么不能只按行业看

按行业看，特斯拉会被拿来和传统车企比产量、毛利、销量；按平台看，它被放在储能、自动驾驶、机器人和 AI 数据闭环里研究。按行业看，Coinbase 是交易佣金周期股；按平台看，它是数字资产、托管、合规入口和链上应用分发节点。按行业看，Roku 是电视广告周期股；按平台看，它是联网电视操作系统和消费者注意力入口。平台视角不保证结论正确，但能逼你提出更深问题：这家公司是平台领导者、赋能者、受益者，还是只是在蹭概念？

平台不是主题热词

平台研究必须落到证据：成本曲线是否下降，产品体验是否跨过临界点，监管是否允许扩散，用户是否愿意迁移，单位经济是否改善，竞争是否会把利润打掉。很多公司会讲 AI、区块链、机器人、基因，但只有少数公司能把技术扩散变成可持续收入。ARK 的方法论价值，在于它要求投资者先看世界怎么变，再看公司如何卡位；它的风险，也在于当世界变化速度低于模型，公司估值会先承压。

案例

TSLA 是平台融合案例：电动车销量扩大推动电池和制造学习曲线，车队数据支持自动驾驶，储能业务连接电网和低成本电力，未来机器人又可能复用 AI 和制造能力。COIN 是链上金融入口案例：如果公链、稳定币和代币化资产扩张，合规交易、托管、钱包和开发者生态可能变得重要。CRSP 是多组学案例：基因编辑的价值不在单个药物故事，而在基因测序、编辑工具、临床路径和数据驱动医疗逐步成熟。ROKU 是消费者入口案例：电视广告预算从线性电视迁移到联网电视时，操作系统入口可能获得价值。

误区

误区一：看到技术名词就以为是 ARK 式投资。真正的框架要求成本、需求、渗透率、竞争和单位经济都能被研究。

误区二：平台变大等于公司变好。平台价值可能被消费者、供应链、开源生态或监管拿走。

误区三：用行业估值否定一切平台逻辑，或用平台逻辑否定一切估值纪律。两者都不完整。

小结

ARK 体系的起点是重新分类世界：不要先问行业标签，而要先问技术平台是否正在改变价值链。只有能说明平台扩散路径、公司位置和证伪条件，才进入下一步研究。

作业

选一家你熟悉的公司，分别用“行业地图”和“创新平台地图”写两份 300 字描述。比较两份描述提出的问题有何不同。最后列出三个证据，证明它是平台领导者、赋能者、受益者或伪创新。

选股原则：先判断平台，再判断公司卡位；只研究能被成本曲线、渗透率和单位经济验证的创新。
本章对应标的：TSLA、COIN、CRSP、ROKU。

01 · 课程

ch1 Wright's Law：把未来叙事变成成本曲线

导语

很多成长投资失败，是因为把“未来很大”停留在叙事层。ARK 的重要工具 Wright’s Law，试图把叙事推进一步：如果一项技术的累计产量每翻倍，单位成本都会按固定比例下降，那么成本下降会带来价格下降，价格下降会打开需求，需求扩大又会推动累计产量继续翻倍。这个循环一旦成立，需求曲线可能不是线性增长，而是 S 曲线爆发。

讲解

成本下降不是背景，而是发动机

ARK 官方 Wright’s Law 页面说明，该法则来自 Theodore Wright 对飞机制造的研究，核心是累计产量与单位成本之间的经验关系。ARK 偏爱 Wright’s Law，是因为它比按时间外推更适合制造和技术扩散：成本下降不是因为日历翻页，而是因为生产、学习、良率、供应链和设计改进不断积累。投资上，这意味着你不能只看今天利润表，而要问规模扩大后单位成本会怎样变化。

需求弹性决定爆发点

成本下降必须穿过用户愿意采用的价格点，才会触发需求加速。锂电池就是典型：当电池成本高时，电动车是小众；成本下降到足以支撑长续航和更低总拥有成本时，汽车市场的需求远大于消费电子电池需求，累计产量会被重新加速。基因测序也类似：成本下降越多，科研、临床、筛查、药物发现的数据量越大，应用场景越多。AI 训练和推理成本下降，则可能让软件、客服、代码、广告、医疗、机器人都重新定价。

从行业曲线到公司曲线

Wright’s Law 不能直接给出买入结论。你还要问：公司是否真的拥有成本曲线优势？它是规模最大、数据最多、良率最高、供应链最强，还是只是行业受益者之一？成本下降后，利润留在公司，还是被竞争打成降价？这就是为什么 TSLA 案例同时吸引和争议巨大。看多者认为其制造、电池、数据和软件形成复合学习曲线；质疑者则认为车价竞争、自动驾驶延迟和资本开支会稀释股东回报。

案例

TSLA：用 Wright’s Law 看，关键变量不是“明年卖多少车”一个数字，而是电池包成本、工厂产出效率、自动驾驶软件采用率、车辆利用率和服务收入是否共同改善。若 robotaxi 模型成立，单位车辆收入结构可能改变；若不成立，估值就要回到更普通的车企和能源企业框架。

CRSP / 多组学：基因编辑和测序的成本下降会扩大临床和科研需求，但临床成功率、支付体系和监管时间会决定商业化速度。成本曲线好，不代表每家公司都能走到现金流阶段。

ROKU：联网电视广告的成本和投放效率若优于线性电视，预算会迁移；但广告周期、平台竞争和内容方议价能力会影响 Roku 的价值留存。

误区

误区一：把 Wright’s Law 当成必然上涨公式。它只是经验模型，变量可以失效。

误区二：只画成本下降，不检查需求是否真的打开。没有需求弹性，成本下降可能只是产能过剩。

误区三：把行业曲线等同于个股曲线。行业越大，竞争者越多，利润归属越不确定。

小结

Wright’s Law 的价值，是把“未来会变大”拆成累计产量、成本下降、价格下降、需求扩散和利润归属。它让成长投资更可检验，也暴露了模型风险。

作业

选择一项技术，画出“累计产量翻倍 -> 成本下降 -> 价格下降 -> 新需求 -> 再次产量翻倍”的链条。再写出三件会打断链条的事：供应、监管、竞争、用户习惯或融资成本。

选股原则：只在成本曲线、需求弹性和利润归属三者同时能讲清时，才把技术叙事转成公司研究。
本章对应标的：TSLA、CRSP、ROKU。

02 · 课程

ch2 五大创新平台：寻找技术融合的交汇点

导语

ARK 最有代表性的研究结构，是五大创新平台：人工智能、机器人/自动化、储能、区块链/公链、多组学测序。真正的机会不只在单个平台，而在平台之间互相增强。AI 降低软件和决策成本，机器人把 AI 带到物理世界，储能和低成本电力支撑电动车、机器人和数据中心，公链重构金融结算，多组学把生物世界数据化。投资研究的任务，是找到交汇点上的公司。

讲解

AI 是通用加速器

AI 在 ARK 框架中不是一个行业，而是几乎所有平台的加速器。它改写软件开发、广告投放、医疗诊断、机器人控制、自动驾驶和金融风控。PLTR 的例子在于把企业和政府数据转化为可操作决策系统；TSLA 的例子在于用车队数据训练自动驾驶；Tempus AI 一类医疗 AI 公司则把临床数据和模型结合，尝试改善诊疗和药物发现。

储能和机器人把软件带入物理世界

没有低成本电池和电力，电动车、无人机、机器人和分布式能源都很难扩散。储能平台让自动化进入移动场景，机器人平台则让 AI 从屏幕走向工厂、物流、家庭和交通。TSLA、Teradyne、Archer Aviation 等标的常被放在这个交叉区域研究。问题不是“机器人听起来很酷”，而是硬件成本、控制能力、可靠性和单位经济是否跨过临界点。

公链和多组学重构金融与医疗

公链方向包括比特币、智能合约、稳定币、数字钱包、代币化资产和 DeFi 应用。COIN、HOOD、CRCL 等体现 ARK 对金融基础设施变化的兴趣。多组学方向包括测序、基因编辑、合成生物学、精准诊断、AI 药物发现，CRSP、BEAM、TWST、TXG、ILMN、EXAS 都是案例。它们的共同点是把过去难以量化、难以自动化的领域变成数据、软件和网络。

案例

TSLA 横跨 AI、储能、机器人和自动驾驶，是 ARK 平台融合叙事最完整的样本。PLTR 横跨 AI、国防、企业软件和数据操作系统。COIN 横跨公链、数字资产、交易、托管和合规。CRSP 横跨基因编辑、多组学数据和精准医疗。ROKU 横跨 AI 广告、消费者入口和云分发。这些公司是否值得投资，要回到估值和证伪；但它们为什么进入 ARK 研究地图，来自平台融合。

误区

误区一：把五个平台当作平均配置。真正重要的是交汇点，不是每个平台凑数量。

误区二：只看技术，不看商业化。平台融合必须变成收入、成本优势或网络效应。

误区三：忽略监管。金融、医疗、自动驾驶和能源都受监管影响，技术可行不等于商业可行。

小结

五大平台是 ARK 的研究坐标系。越多平台在一家公司或价值链节点上汇合，越值得深入研究；但平台越复杂，模型错误的可能也越大。

作业

画一张五平台矩阵，把 TSLA、COIN、ROKU、CRSP、PLTR 放进去。每家公司至少写出两个平台连接点，以及一个最可能证伪连接点的风险。

选股原则：优先研究平台交汇处的领导者、赋能者和数据入口；避开只有概念标签、没有商业化路径的公司。
本章对应标的：TSLA、COIN、ROKU、CRSP、PLTR。

03 · 课程

ch3 五年模型：不要预测明天，要拆五年变量

导语

ARK 不是不做估值，而是做五年估值。它的投资流程页明确说，会为组合公司建立五年收入和估值模型，纳入单位销量增长、成本下降、市场采用率、渗透率、股本扩张和未来倍数。这个框架和传统一年目标价不同：短期利润可能低，估值可能高，波动可能大，但只要五年变量兑现，今天的价格就可能被重新解释。

讲解

五年不是口号，是变量表

真正的五年视野不是“长期看好”四个字，而是一张变量表。对 TSLA，变量包括交付量、平均售价、电池成本、自动驾驶采用、robotaxi 时间、储能规模、毛利和资本开支。对 COIN，变量包括加密资产周期、交易费率、托管资产、Base 或链上应用生态、监管清晰度和稳定币收入。对 ROKU，变量包括活跃账户、观看时长、广告单价、平台抽成、电视操作系统份额。对 CRSP，变量包括临床进展、获批概率、适应症规模、商业化合作和现金消耗。

估值的关键是分布，不是单点

颠覆式创新公司往往结果分布很宽。优秀模型应该有熊、基准、牛情景，而不是一个确定数字。ARK 对特斯拉等案例常发布开放模型或情景分析，争议也集中在假设：自动驾驶何时实现、robotaxi 采用率多高、毛利如何、监管是否允许、竞争是否压价。你可以不同意 ARK 的假设，但要学习它把分歧放进变量，而不是只说“贵”或“便宜”。

五年模型要持续复核

五年视野不是锁仓借口。ARK 投资流程页也说明，如果 thesis 改变、指标不支持仓位、公司不再处于创新前沿，ARK 可能卖出。个人研究也应这样：每次财报、产品发布、监管变化、竞争变化，都只问一个问题：它改变五年变量吗？如果只是市场情绪，可能是噪音；如果改变渗透率、成本曲线或利润归属，就是核心事实。

案例

PLTR 的五年模型不能只看当季收入增速，而要看 AI 平台能否扩大政府和企业客户、部署时间是否缩短、净留存是否改善、利润率是否随规模扩大。COIN 的五年模型不能只看币价，而要看合规地位、链上交易、稳定币收入和机构托管是否形成多元收入。ROKU 的五年模型不能只看广告周期，而要看联网电视广告长期迁移和平台入口价值。

误区

误区一：五年视野等于忽略估值。恰恰相反，五年模型要求更严格的假设。

误区二：把牛市情景当基准。高成长公司最容易在乐观假设里显得便宜。

误区三：只更新价格，不更新变量。价格波动不是复盘，变量变化才是复盘。

小结

五年模型的本质是把长期愿景拆成可跟踪变量。它不保证正确，但能让你知道自己究竟押了什么。

作业

任选 TSLA、COIN、ROKU、CRSP、PLTR 中一家公司，写一张五年变量表：收入驱动、成本驱动、渗透率、竞争、监管、股本变化、估值倍数。每项给出熊、基准、牛三个方向，不需要编具体数字。

选股原则：没有五年变量表，就没有长期投资；没有证伪条件，就不是研究，只是信仰。
本章对应标的：TSLA、COIN、ROKU、CRSP、PLTR。

04 · 课程

ch4 高信念集中：集中来自研究，不来自胆量

导语

Cathie Wood 最受关注也最受争议的地方，是高信念集中。ARK 的组合常把核心仓位压在少数颠覆式创新公司上，而不是靠近指数分散。TIME 访谈中，她解释风险厌恶时期 ARK 往往会把组合集中到最高信念名称，因为传统经理可能在风险厌恶时卖出这些名字。这个动作看起来很逆向，但前提是研究足够深、模型足够清楚、风险承受足够真实。

讲解

集中解决的是“看对后要有意义”

如果一个技术平台真的进入 S 曲线，最重要的公司可能贡献巨大回报。过度分散会把研究优势稀释成主题指数。ARK 的公开市场风险投资式打法，必须让看对的平台和公司在组合里有足够权重，否则即使判断正确，也不足以弥补其他失败。TSLA 的早期重仓就是典型：当市场低估电动车、自动驾驶和制造学习曲线时，高信念仓位让正确判断产生组合级影响。

集中也放大错误

集中不是免费午餐。若五年模型错、估值过高、利率上行、融资环境变差、公司执行失误，集中会让净值回撤非常大。ROKU、Teladoc、Zoom 等高成长标的在高位回撤后的争议提醒我们：平台逻辑可能成立，但价格、竞争和疫情后需求正常化也会让股东回报受损。研究 ARK 必须同时看成功样本和回撤样本。

个人不能机械复制基金集中度

ARK 是 ETF 和基金体系，有每日流动性、披露、团队研究、组合规则和客户适配。个人若照抄集中持仓，往往没有同样的信息处理能力，也没有承受 50% 以上回撤的心理准备。高信念不是“我很相信”，而是你能写出为什么买、为什么加、什么情况卖、错了损失多大、五年不用的钱是否足够。

案例

TSLA 是高信念成功与争议并存的案例。COIN 是周期高波动叠加长期基础设施判断的案例。CRSP 是技术前沿但临床路径不确定的案例。PLTR 是 AI 平台叙事和高估值并存的案例。ROKU 是平台入口逻辑与广告周期、竞争压力并存的案例。它们证明：高信念标的通常不是“稳”，而是赔率分布很宽。

误区

误区一：集中等于厉害。没有研究的集中只是赌博。

误区二：分散等于没观点。对普通人，适度分散可能是承认能力边界。

误区三：只在上涨后说高信念，下跌后才发现自己没有信念，只是跟风。

小结

高信念集中是 ARK 体系的放大器。它能放大研究优势，也会放大模型错误。集中前必须先有深度研究、变量表和承受力。

作业

写一份“高信念证明书”：你最看好的一家公司，为什么它值得比普通关注更高权重？列出五条证据和五条反证。若反证里有任何一条你无法监控，就降低信念等级。

选股原则：集中只给平台交汇、变量清晰、证伪可跟踪、赔率足够的标的。
本章对应标的：TSLA、COIN、PLTR、CRSP、ROKU。

05 · 课程

ch5 回撤中逆向加仓：跌价不是理由，thesis 才是理由

导语

ARK 的逆向风格很鲜明：当市场风险厌恶、创新股被抛售时，它可能继续买入最高信念标的。投资流程页说，ARK 会因为短期负面市场行为或情绪创造机会、为了给更高信念公司提供流动性、或为了投入相对当前价格有更大市场机会的公司而加减仓。关键是：逆向加仓不是“跌了就买”，而是“价格下跌后，五年预期回报是否更好，且 thesis 是否仍成立”。

讲解

先分清价格变化和事实变化

价格下跌可能来自利率、风险偏好、ETF 赎回、行业轮动，也可能来自公司基本面恶化。逆向加仓前，必须问：成本曲线变了吗？用户采用变了吗？监管变了吗？竞争格局变了吗？公司现金流和融资能力变了吗？如果只是情绪和折现率，赔率可能改善；如果五年变量坏了，越跌越买就是错误升级。

ETF 申赎会放大波动

ARK 的产品多为 ETF。ETF 的每日交易和申赎让普通投资者更容易进入创新主题，也可能在极端行情中放大资金流动。热门时，资金流入推高主题资产；低迷时，赎回和风险厌恶又可能逼迫组合卖出或调仓。研究 ARK 不能只看“木头姐买了什么”，还要看基金结构、流动性和小中市值持仓承压的可能。

利率是远期成长的硬约束

创新公司价值常来自很远的现金流。利率上行时，折现率提高，远期现金流现值下降，估值会明显压缩。即使公司业务在进步，股价也可能长期承压。ARK 体系不是不受宏观影响，而是高度受利率和流动性影响。逆向加仓必须承认这个约束：不是所有回撤都能靠时间修复。

案例

COIN 在加密周期低迷时，若只看交易量和币价会很悲观；若看长期链上金融、合规托管和稳定币收入，可能得出不同判断。CRSP 在风险偏好下降时可能被市场一起卖出，但真正关键是临床路径、现金消耗和技术有效性。TSLA 下跌时，要区分是车价竞争和自动驾驶进度改变了 thesis，还是市场对成长股折现率重估。

误区

误区一：把补仓当纪律。纪律首先是复核，而不是加钱。

误区二：用“长期”逃避承认错误。若 thesis 变了，长期只会放大错误。

误区三：忽略资金期限。不能用短期要用的钱参与高波动创新资产。

小结

逆向加仓是研究能力的压力测试。只有当 thesis 未变、赔率改善、资金期限匹配、证伪条件仍可监控时，下跌才可能是机会。

作业

为一只高波动创新股写“下跌 40% 复核清单”。至少包括：价格下跌原因、五年变量变化、现金流和融资、竞争、监管、估值、是否仍高信念。最后写出三种必须停止加仓的情况。

选股原则：只因预期回报改善和 thesis 未变而加仓，不因亏损、面子或摊低成本加仓。
本章对应标的：TSLA、COIN、CRSP、ROKU。

06 · 课程

ch6 开放研究：让模型接受外部检验

导语

ARK 和很多资产管理公司的不同之处，在于它把研究公开做成品牌：Big Ideas 年报、白皮书、播客、Newsletter、持仓文件、部分开放模型。开放研究有两层价值：一是教育市场，让客户知道为什么组合会高波动；二是吸收外部技术和产业反馈，让模型更快被挑战。它也有一个副作用：观点越公开，跟单、误读和争议越多。

讲解

开放不是表演，而是研究机制

ARK The ARK Difference 页面称其采用透明和开放研究生态，把技术概念和外部输入加入传统金融研究。投资流程页说分析师按创新主题组织，并在主题内和主题间协作。开放研究适合颠覆式创新，因为很多知识不在华尔街行业模型里，而在工程师、创业者、科学家、开发者和早期用户那里。公开模型能吸引这些人指出假设漏洞。

Big Ideas 是年度研究底座

Big Ideas 2026 是 ARK 第十份年度旗舰研究报告，覆盖 AI 基础设施、AI 消费者操作系统、AI 生产力、比特币、代币化资产、多组学、机器人、分布式能源、自动驾驶等主题。对投资者来说，Big Ideas 的价值不是直接给股票代码，而是提供一张“技术变化清单”：哪些成本在下降，哪些需求在扩散，哪些价值链正在重组。

透明持仓不是跟单工具

ARKK 官方持仓文件会列出 TSLA、COIN、ROKU、CRSP、PLTR 等持仓；SEC 13F 也披露季度末机构持仓。但这些信息都有日期、基金范围、交易成本、申赎背景和组合约束。普通人看到持仓后直接买，等于只复制结果，不复制研究、模型、风险预算和卖出规则。开放研究应该用来学习问题清单，而不是替代自己的判断。

案例

特斯拉模型公开后，市场能围绕 robotaxi、毛利、产量、资本效率和 Wright’s Law 假设展开争论。比特币和 Coinbase 研究公开后，支持者和反对者可以围绕监管、网络安全、链上活动和收入结构反驳。CRISPR、多组学研究公开后，医学和生物技术专家可以指出临床、支付和数据质量问题。这些争论本身就是开放研究的组成部分。

误区

误区一：公开等于可靠。公开只意味着可检查，不意味着正确。

误区二：把 Big Ideas 当股票清单。它是研究议程，不是交易指令。

误区三：只读结论，不读假设。激进预测的关键都藏在假设里。

小结

开放研究的正确用法，是拿 ARK 的报告当问题生成器：它告诉你该查哪些曲线、哪些证据、哪些反证，而不是告诉你该买什么。

作业

打开一份 ARK Big Ideas，选一个主题，写出三条你同意的假设、三条你怀疑的假设、三份需要外部验证的数据源。最后说明该主题可能对应哪些公司，但不做买卖结论。

选股原则：优先研究愿意公开关键假设、能被外部数据验证的 thesis；拒绝只给结论不给变量的叙事。
本章对应标的：TSLA、COIN、CRSP、PLTR、ROKU。

07 · 课程

ch7 争议与风险：高波动不是意外，是体系价格

导语

理解 ARK，不能只看 2020 年明星表现，也不能只看之后的巨大回撤。它的高波动来自体系本身：远期现金流、高估值、技术不确定、监管不确定、ETF 申赎、主题拥挤、利率敏感。投资者若只学习“看未来”和“敢集中”，却不学习这些风险，就会把方法论变成口号。

讲解

预测激进的双刃剑

ARK 的优势是敢于把非线性未来纳入模型；争议是很多假设非常激进。特斯拉 robotaxi、比特币长期价值、基因治疗商业化、AI 生产力提升、公链金融基础设施，都需要多个变量同时兑现。只要其中一个变量延迟，估值就会大幅变化。激进预测可以帮助你看到传统模型忽略的机会，也可能让你低估时间和执行风险。

利率和流动性的硬冲击

创新资产的现金流常在远期，折现率越高，现值越低。2021 年后成长股回撤，很大程度与利率、通胀、风险偏好和流动性变化有关。即使一家公司的用户、产品和收入仍在增长，市场也可能因为折现率变化给出更低估值。ARK 的策略对这种环境非常敏感。

ETF 结构与持仓流动性

主动 ETF 让投资者能低门槛买入创新组合，也让资金进出更频繁。当资金持续流入时，组合容易受益于主题热度；当资金流出时，基金需要管理流动性。若持仓里有小中市值、高波动、成交不够深的公司，申赎和调仓可能放大价格波动。Morningstar 等机构也曾批评主题基金和高波动策略给投资者带来的持有期回报问题，这类批评必须纳入客观评价。

案例

ROKU 能说明平台逻辑和宏观周期冲突：联网电视广告迁移可能是长期趋势，但广告预算会受经济周期影响，平台竞争会压缩预期。CRSP 能说明技术前沿和商业化路径冲突：基因编辑令人兴奋，但临床、监管和支付都需要时间。COIN 能说明基础设施和资产周期冲突：如果数字资产长期发展，Coinbase 可能受益；但交易量、监管和币价周期会造成剧烈波动。

误区

误区一：把风险披露当形式。对 ARK 这种策略，风险披露就是投资框架的一半。

误区二：只看基金经理观点，不看产品结构。ETF 申赎和流动性会影响结果。

误区三：把回撤简单归因于市场不懂。市场有时短视，有时是在重新定价真实风险。

小结

ARK 的方法论必须和风险一起学。能接受高波动、能理解变量、能复核 thesis，才有资格讨论高信念；否则只是被未来叙事吸引。

作业

为 TSLA、COIN、ROKU、CRSP、PLTR 各写一条“最核心风险”。要求风险必须能证伪投资 thesis，而不是泛泛说“股价会跌”。再写出你会用什么数据跟踪这个风险。

选股原则：高成长标的必须先写反 thesis；无法承受利率、流动性和模型错误风险，就不该集中。
本章对应标的：TSLA、COIN、ROKU、CRSP、PLTR。

08 · 课程

ch8 从 ARK 持仓反推研究流程

导语

学习 ARK 最有效的方法，是从真实押注反推研究流程。以 ARKK 官方持仓和 SEC 13F 为例，TSLA、COIN、ROKU、CRSP、PLTR 等长期被市场视为 Cathie Wood 风格代表。它们分属不同传统行业，却都能放进创新平台地图。我们不研究它们是为了跟单，而是为了理解：什么样的公司会被 ARK 认为有五年非线性机会。

讲解

第一步：平台归因

先给公司贴“平台位置”，而不是行业标签。TSLA：储能、自动驾驶、机器人、AI。COIN：公链、数字资产、稳定币、链上金融。ROKU：联网电视、广告技术、消费者操作系统。CRSP：基因编辑、多组学、精准医疗。PLTR：AI 数据操作系统、政府/企业决策自动化。平台归因的作用是找问题，不是给结论。

第二步：成本曲线和需求曲线

每家公司都要回答：成本下降在哪里？需求爆发在哪里？TSLA 是电池、制造和自动驾驶单位经济；COIN 是链上交易、合规托管和稳定币基础设施的规模效应；ROKU 是广告投放效率和联网电视渗透；CRSP 是测序、编辑和临床开发效率；PLTR 是软件部署、AI 模型使用和企业流程自动化。没有成本或效率改善，就只是成长故事。

第三步：五年变量和证伪

把每家公司拆成五年变量。TSLA 看自动驾驶、储能、车价和毛利；COIN 看监管、链上活动和收入多元化；ROKU 看活跃账户、广告单价和平台份额；CRSP 看临床里程碑、商业化和现金消耗；PLTR 看客户扩张、AI 平台 adoption 和利润率。然后写证伪条件：如果两到三个关键变量连续恶化，thesis 就要降级。

案例

用 PLTR 举例：平台归因是 AI 数据操作系统；成本/效率曲线是企业用 AI 降低决策和软件工作流成本；五年变量是客户数、合同规模、AIP 采用、政府与商业收入结构、利润率；证伪条件是 AI 产品不能形成增量收入、客户扩张停滞、估值过度透支。这个过程比“ARK 买了 PLTR 所以买”更接近方法论。

用 CRSP 举例：平台归因是基因编辑；成本曲线来自测序和编辑工具进步；五年变量是临床成功、适应症扩展、合作收益和现金 runway；证伪条件是核心项目安全性或疗效不达预期、监管延迟、商业化支付失败。

误区

误区一：从持仓直接推结论。持仓只是研究对象，不是买入理由。

误区二：只看仓位，不看日期。ARKK 持仓和 13F 都有时间点，基金每日交易也可能变化。

误区三：把每只票都解释成完美符合框架。真实组合里也会有试错、调仓和模型修正。

小结

从真实持仓反推 ARK 流程，可以训练你把公司放进平台、成本曲线、五年变量和证伪条件中。学的是研究动作，不是交易动作。

作业

选一个 ARKK 持仓，按四栏写研究卡：平台位置、成本/效率曲线、五年变量、证伪条件。最后写一句“我目前不懂的地方是什么”。不允许写买入或卖出结论。

选股原则：真实重仓只能证明它符合 ARK 研究兴趣，不能证明它适合你；必须完成自己的平台、曲线、变量、证伪卡。
本章对应标的：TSLA、COIN、ROKU、CRSP、PLTR。

09 · 课程

附录：建立你的 ARK 式创新研究清单

导语

最后一章把方法变成工具。ARK 式研究不是让你变成 Cathie Wood，也不是让你承受 ARK 的波动，而是给你一套研究指数级技术的检查表。你可以不用买任何 ARK 持仓，但仍然学会怎样判断 AI、机器人、储能、公链、多组学这些变化是否真的有投资意义。

讲解

一页研究清单

第一，平台：公司连接哪个创新平台？是领导者、赋能者、受益者还是旁观者？第二，成本曲线：哪项成本随累计产量、数据、用户或算力下降？第三，需求弹性：成本下降会打开什么新市场？第四，价值归属：利润留给谁？第五，五年变量：哪些指标决定 thesis？第六，证伪条件：什么事实出现就承认错？第七，估值和利率：当前价格是否已经透支乐观情景？第八，资金期限：你是否能承受长期高波动？

公司案例如何柔进研究

研究 TSLA 时，不要从“木头姐看好”开始，而从电池成本、制造学习曲线、自动驾驶数据和 robotaxi 监管开始。研究 COIN 时，不要从币价开始，而从链上金融、托管、稳定币、监管和收入多元化开始。研究 ROKU 时，不要从股价回撤开始，而从联网电视广告迁移、操作系统份额和广告周期开始。研究 CRSP 时，不要从基因编辑故事开始，而从临床里程碑、疗效、安全性和支付开始。研究 PLTR 时，不要从 AI 热度开始，而从客户使用场景、部署速度、利润率和竞争开始。

组合层面的边界

即使单只公司研究通过，也不代表可以集中。你还要看组合相关性：TSLA、COIN、ROKU、CRSP、PLTR 都是高波动成长，很多时候会同时受利率和风险偏好影响。把它们放在一起，不等于分散。ARK 的组合是产品设计和研究团队共同承担的结果，个人要根据资金期限、收入稳定性和心理承受力决定是否只把这类研究用于观察或小比例学习。

案例

假设你研究 PLTR：清单会逼你写出“AI 数据操作系统是否降低企业决策成本”，而不是只写“AI 很火”。假设你研究 COIN：清单会逼你区分“加密资产价格上涨带来的交易收入”和“稳定币、托管、链上基础设施带来的更稳定收入”。假设你研究 CRSP：清单会逼你承认临床失败是核心风险，而不是只谈医疗革命。