供应链是钱流链、不是故事链
本节学什么
本节只讲 Aasholm 的第一性原理：半导体供应链不是故事链，而是钱流链。读半导体新闻时，市场常被产品发布、管理层口号、电话会措辞和宏大叙事牵着走；他的入口相反，先看钱在产业链哪一层流动，谁的收入、COGS、库存、利用率、资本开支和区域收入先动。深研把他的世界观概括成“供应链是一台时光机”：今天设备、材料、产能、库存和 capex 的变化，往往提前写下未来 6-18 个月的供需结果。本节要学的不是一句口号，而是一种因果顺序：叙事可以晚到，价格可以提前反映，管理层可以选择性表达，但上游订单、产能利用和资本纪律很难长期伪装。使用这套方法时要明确合规边界：这是研究框架，不是交易建议，也不提供目标价。
核心框架
钱流链框架有三层。第一层是链条定位：材料、设备、制造、封装、芯片商、终端客户分别拿多少钱，利润和压力沉淀在哪一层。第二层是时间差：设备开支、材料订单、产能建设、库存变化通常早于下游价格和利润反应，因此上游数据是“时光机”，不是简单同步指标。第三层是叙事降权：电话会 guidance、sales funnel 和顺滑愿景只能作为观点，不能替代硬数据。Aasholm 的特色在于，他不是先写“AI 很强”“周期复苏”“设备见底”这类主题句，而是把主题拆成会计和经营指标：收入是否来自出货量，毛利是否来自价格权，capex 是否真正增加有效产能，库存是在消化还是重新堆积。
他怎么用(具体案例+数据+原话)
深研记录了他的形成性背景：他曾在 Silicon Labs、DKT A/S、Disruptive Technologies 做业务与管理，也在 Henley Management College 教战略，2024 年前后把产业经验产品化为 Semiconductor Business Intelligence。这个背景解释了为什么他反感“故事先行”。他在公开访谈里把电话会中好听但营养有限的叙事称为“corporate candy floss”，也就是企业棉花糖；另一句核心原话是“I do analysis, not forecasting.” 他用钱流链的方法观察 AI 半导体时，不只看 Nvidia 收入暴涨，而要追问材料、封装、设备、制造层是否同步；看 TSMC 财报亮眼时，不只看营收，还追问 12 寸等效产能、出货量和利用率；看设备商强劲时，不直接写全球复苏，而先看中国收入占比是否污染周期读数。
常见误区
误区一，把“供应链时光机”理解成万能预测器。它只能提高发现时间差的概率，不能消除公开披露滞后、口径变更和突发事件。误区二，把他对钱流的判断直接转成买卖信号。深研明确说明他不是基金经理，没有可核净值，本课也不写目标价。误区三，只记住金句，不做链上拆分。“半导体市场正在变成数据中心市场”并不等于所有供应商同步受益；“周期已破”也不等于行业没有下行风险。误区四，忽略利益披露。他本人披露持有所覆盖多数公司的股票，读他反驳 AI 空头叙事时，要把结构性多头激励纳入折扣。
可迁移方法
做一张“钱流时光机卡”。第一行写产业事件，例如 AI 加速器放量、存储涨价、设备订单回升。第二行列链条层级：材料、设备、制造、封装、芯片商、云厂或终端。第三行填硬指标：收入、COGS、库存、利用率、capex、区域收入、产品分部。第四行写时间差：哪个指标先动，哪个指标应该 6-18 个月后验证。第五行写反证：若上游未跟随、利用率不上升、出货量不增长或库存恶化，原叙事要降权。这样能把“故事”改写成“钱从哪里来、去了哪里、未来由什么验证”。
小结
Aasholm 的入口不是技术崇拜，也不是单家公司故事，而是供应链钱流。学这一节，核心是把半导体研究从“听谁讲得顺”切换到“看哪一层先拿到钱、哪一层被挤压、哪些指标会提前暴露未来供需”。
全链入库·读链不读公司
本节学什么
本节只讲“全链入库、读链不读公司”。Aasholm 的护城河不是神秘消息源，而是把公开财报做成横向数据库。深研写得很具体：他每个财报季覆盖 400+ 公司、50 个细分段，把收入、COGS、库存、利用率、资本开支、区域收入和产品分部放进同一张观察网。普通研究者容易把公司当孤岛：读 Nvidia 就读 GPU，读 ASML 就读光刻，读 Micron 就读 DRAM 价格。Aasholm 的做法是把公司放回供应链，看单家公司数据和上下游是否互相印证。本节要学的是“横向对账”本身：当一个公司说需求强，链上其他环节是否也收到了钱；当一个环节暴涨，其他环节没动，分化说明了什么。
核心框架
全链入库分四步。第一步是确定链条颗粒度，不把半导体写成一个总行业，而是拆成设备、材料、制造、封装、存储、AI 计算芯片、模拟/混合、成熟制程、云厂 capex 等局部段。第二步是统一财报口径，记录每家公司分部收入、毛利、COGS、库存、capex 和区域收入，标注口径变更。第三步是横向对账：收入增长是否传到供应商，库存下降是否伴随订单恢复，制造利用率是否支持芯片商出货。第四步是识别异常分化：如果 AI 芯片层拿走利润，材料和封装几乎不动，那就不能说全链繁荣；如果设备收入强但中国占比异常高，就不能直接写全球设备周期复苏。
他怎么用(具体案例+数据+原话)
深研给出三个典型横向对账场景。第一，Nvidia 收入暴涨时，他会问上游材料和封装是否同步，而不是把单家公司增长外推成全链景气。第二，TSMC 财报亮眼时，他会检查 12 寸等效产能、出货量和利用率是否真的增长，还是收入由先进节点 ASP、客户结构和受控产能推动。第三，设备商收入强劲时，他会看中国收入占比，判断是否被政策囤货和出口管制前采购污染。深研还指出他的私有横向数据库覆盖 400+ 公司、50 个细分段，这正是“市场读公司，他读链”的来源。相关金句可概括为：市场读收入，他读量价；市场读 AI 叙事，他读利润最终留在哪一层。
常见误区
误区一，以为公司研究越深越好，忽略横向关系。单家公司财报可能很漂亮，但供应商、客户或同业不确认时，结论要降权。误区二，把 400+ 公司覆盖理解成信息越多越正确。广度带来雷达优势，也带来口径混乱、未上市公司缺失、自用芯片不可见等问题。误区三，只看同比增速，不看链上分配。AI 权重公司高增长可能掩盖传统模拟、材料、封装的低迷。误区四，拿横向数据库当内幕。它的优势来自公开财报的系统整理，不是私有订单明细。
可迁移方法
建立小型“链上对账表”，不必一开始覆盖 400 家。以一个主题为中心选 12-20 个节点：例如 AI 计算可放 NVDA、AVGO、TSM、ASML、AMAT、LAM、KLA、MU、三星、SK 海力士、ASE、Amkor、云厂 capex；存储可放三大原厂、设备销售、DDR4/DDR5 迁移、HBM 产能。每家公司只抓六栏：收入、COGS 或毛利、库存、capex、区域或产品分部、管理层说法。最后做两类标记：链上确认和链上背离。确认越多，叙事可信度越高；背离越多，越要追问利润集中、时间差或统计口径。
小结
读链不读公司，是 Aasholm 方法中最可复制的一步。它要求研究者少一点单点崇拜，多做横向对账：同一个财报季里，钱是否真的沿供应链流动，还是只集中在少数节点。
收入拆量价·别被收入骗
本节学什么
本节只讲“收入拆量价”。Aasholm 反复提醒：收入是最容易被误读的财务指标之一。它可以来自出货量增加，也可以来自涨价、产品组合升级、长期合同、产能受控、汇率或一次性因素。半导体尤其如此，因为晶圆、GPU、HBM、设备、封装服务和模拟芯片的价格机制不同，收入增长不一定等于真实出货扩张。深研把他的研究链路写成：先建数据库，再横向对账，再识别异常分化，再追踪钱流、产能、利用率和 capex，最后形成结构判断。本节要学的就是在看到“收入强劲”时，先问增长质量：量、价、组合、产能和库存分别贡献了多少。
核心框架
量价拆解可以用五个硬指标。第一是 COGS：收入增长如果没有对应成本和产量变化，可能更多来自价格或产品组合。第二是利用率：制造业收入好看但利用率不高，说明有效出货未必同步扩张。第三是产能：新增厂房、12 寸等效产能、HBM 产线转换或设备安装决定可供给上限。第四是库存：库存下降支持需求消化，库存上升可能说明渠道或客户拉货提前。第五是 ASP 与产品结构：先进节点、HBM、AI 加速器等高价产品可以放大收入，而不代表所有单位数量暴增。Aasholm 的方法不是否认收入，而是把收入拆成更接近经营现实的组成部分。
他怎么用(具体案例+数据+原话)
TSMC 是本节最清晰的案例。深研把他的代表性判断写成：TSMC 的强不是简单产能扩张，而是控制产能、淘汰旧节点、涨价和客户结构的组合；只有读透他，才会把台积电财报拆成“收入好看但产能/出货不一定同步”的受控战略。验证信号包括 12 寸等效产能、出货量、利用率、先进节点 ASP 和旧节点退出节奏；证伪信号则是 TSMC 出货量与产能同步大幅扩张，说明需求量而非价格或组合成为主驱动。这个案例说明他为什么不用营收单项下结论。相关原话可用深研里的概括：“市场读收入，他读量价。”
常见误区
误区一，把营收增长自动等同于需求强。若增长来自涨价或组合，供应链其他环节未必同步受益。误区二，把低出货量增长看成坏事。有时企业通过产能控制和产品组合改善获得更高利润质量，但这也意味着全链扩散有限。误区三，只看毛利率，不看库存和利用率。毛利率可能受价格、折旧、产品组合影响，利用率和库存能补充判断真实供需。误区四，把“受控产能”误解成投资建议。它只是解释经营机制，不能替代估值、风险和时点判断。
可迁移方法
读财报时做“收入五问”。一问量：出货量、wafer starts、12 寸等效产能、设备 shipment 有没有增长。二问价：ASP、合同价、先进节点占比、HBM/DDR5 mix 是否提升。三问成本：COGS、折旧、材料成本是否同步。四问利用率：产线是否满载，还是收入来自少数高价产品。五问库存：客户和渠道是否继续消化，还是提前囤货。把五问填完，再写一句结论：这次收入主要是量驱动、价驱动、组合驱动、供应受控，还是一次性因素。这样能避免被 headline revenue 带偏。
小结
收入不是答案，而是拆解入口。Aasholm 的量价框架要求把营收拆回 COGS、利用率、产能、库存和 ASP。只有知道增长来自哪里，才能判断它会扩散到全链，还是只留在少数利润池。
Memory squeeze：供给锁死不是需求旺
本节学什么
本节只讲 Aasholm 最有代表性的 memory squeeze：存储挤压不是简单“需求旺”，而是供给被锁死。大众看到 DRAM、HBM 或 DDR5 价格上涨时，常把原因归结为 AI 需求强或服务器需求恢复；他的独特性在于更早把注意力放到供给侧：过去资本开支不足、韩国设备销售变化、存储设备占比下降、DDR4 退役、HBM 抢占晶圆和产能、三大原厂资本纪律共同压缩普通存储弹性。深研把这场判断称为他的代表性成功：不是等合约价上涨才说短缺，而是从前期设备开支和产能迁移信号识别供给锁死。
核心框架
memory squeeze 的核心框架是“四重挤压”。第一重是 capex 不足：在低迷周期里，存储厂减少投资，未来普通 DRAM/NAND 供给弹性下降。第二重是产品迁移：DDR4 退役、DDR5 切换会让旧产品供给变少，客户仍有遗留需求时价格容易被挤。第三重是 HBM 抢产能：AI 加速器需要 HBM，HBM 占用晶圆、封装、测试和工程资源，普通 DRAM 的可用产能被间接压缩。第四重是资本纪律：存储厂服务股东，不服务“市场平衡”，如果高回报产品更有利，就不会急着扩普通供给。这解释了为什么价格上涨不一定来自需求突然爆炸，而可能来自供给制度变化。
他怎么用(具体案例+数据+原话)
深研明确写到，2025 年他从存储设备开支不足、韩国设备销售变化、存储设备占比下降、DDR4 退役、HBM 抢产能等供给侧信号，提前指出存储供给将被锁死，价格将显著上行。随后服务器 DRAM、HBM、DDR5 等价格压力和存储厂毛利修复提供了强验证。未来判断栏还把这条扩展为：存储短缺不是一次价格波动，而是资本纪律、DDR4 退役和 HBM 抢产能共同造成的供给制度变化，可能延续到 2027+，但仍需用 DRAM/HBM 合约价、三大厂 capex 投向、DDR4/DDR5 迁移、美光战略合同披露和 HBM 产能占比验证。原话层面，深研记录了他的股东利益透镜：“They’re not here to serve the market; they’re here to serve their shareholders.”
常见误区
误区一，把存储涨价全部归因于 AI 需求。AI 是重要需求端，但 Aasholm 的重点是供给侧被锁死。误区二，以为涨价会立刻诱发大扩产。存储厂经历深周期亏损后更重视资本纪律，扩产还受设备、良率、产品迁移和客户合同影响。误区三，把 HBM 繁荣等同普通 DRAM 全面繁荣。HBM 会消耗产能，却不代表普通供给充足。误区四，把一次成功判断外推成永久正确。深研要求把已验证判断和开放预测分开，不能把 2025 memory squeeze 的验证当成未来所有判断都无条件成立。
可迁移方法
跟踪存储时，不要只看现货价。建立一张“供给锁死表”：三大原厂 capex 总额及投向，普通 DRAM 与 HBM 产能分配，DDR4 退役节奏，DDR5 迁移速度，韩国设备销售和存储设备占比，HBM 客户认证与战略合同，库存天数和毛利修复。每个季度写两个问题：供给弹性有没有回来，厂商有没有为了市场份额牺牲资本纪律。证伪条件也要提前写清：若 CXMT 或三大厂激进扩普通 DRAM，或 AI HBM 需求不及预期释放产能，memory squeeze 框架就要下调。
小结
memory squeeze 的学习价值，不在于记住“存储会涨”这种结论，而在于学会把涨价拆成供给制度变化。Aasholm 的案例说明，capex、产品迁移、HBM 占用和资本纪律，可能比需求口号更早揭示价格权。
周期已破：split supercycle
本节学什么
本节只讲“周期已破”：AI/数据中心一侧与传统半导体供应链裂成多个局部周期。过去半导体常被讲成四年左右的统一库存周期，大家一起扩张、一起去库存、一起修复。Aasholm 的重要判断是，这套坐标系在 AI 数据中心时代失效了。AI 计算芯片、HBM、先进制造和云厂 capex 可以强，传统模拟、混合信号、成熟制程、部分材料和封装可以弱；指数或总收入上涨，不代表全链普涨。深研保留的金句是：“This tide does not lift all boats. The cycle is broken.” 潮水没有抬起所有船，周期已经破裂。
核心框架
split supercycle 框架有三个判断层。第一是需求层分裂：数据中心 AI 投资吸走增长，而汽车、工业、消费电子、传统模拟等需求未必同步复苏。第二是利润层分裂：Nvidia、Broadcom 等 AI 计算和网络节点可能拿走大部分利润，材料、封装、成熟制造没有等比例受益。第三是指标层分裂：半导体收入可以强劲增长，但出货量增长远低于收入增长，材料和封装几乎不动，模拟/混合制造持续低迷。这个框架不等于“永远上行”，而是说统一周期叙事不够用，必须拆成 AI、传统、设备、中国、存储、封装等局部周期。
他怎么用(具体案例+数据+原话)
深研把“半导体周期已破”列为第二个代表作。他在 Evertiq 等渠道提出，历史四年同步周期被 AI/数据中心和传统供应链分裂取代；后续数据中，半导体收入强劲增长而材料/封装几乎不动、模拟/混合制造持续低迷、出货量增长远低于收入增长，这些都支持结构分裂框架。深研还记录了他的时点修正：2025 年他仍用传统周期框架推过 2026 年中附近可能见顶或下行；到 2026 年 5 月，他根据新数据修正为预期中的 2026 年中下行不会出现，AI 热潮跨入下一周期。这既证明框架会更新，也提醒“analysis, not forecasting”仍包含可错的方向判断。
常见误区
误区一，把“周期已破”理解成周期消失。更准确的是统一同步周期破裂，局部周期仍然存在。误区二，把 AI 强外推到所有半导体公司。深研明确写到：AI 侧可以繁荣，传统模拟/成熟制程可以低迷；Nvidia 可以拿走利润，材料/封装却几乎没有同步增长。误区三，把他修正观点当成缺点或神迹。研究者应允许数据改变结论，但也要记录原判断、修正日期和失效条件。误区四，忽略需求侧盲点。AI 应用收入能否支撑云厂 capex，不是他的独家强项，因此读 split supercycle 时要额外跟踪云厂投资回报。
可迁移方法
做“局部周期矩阵”。横轴列 AI 计算、HBM、先进制造、设备、材料、封装、模拟、成熟制程、云厂 capex；纵轴列收入、出货量、库存、利用率、capex、价格、毛利。每季度标记每个格子是扩张、持平还是收缩。若 AI 收入扩张但材料封装不动、模拟仍去库存，就写成结构分裂；若所有格子同步转弱，才回到统一下行周期。验证信号包括 WSTS 月度数据、云厂 capex、Nvidia/Broadcom AI 收入、材料/封装与模拟厂是否仍不同步；证伪信号是 AI capex 明显刹车且传统链同步下行。
小结
split supercycle 的重点不是喊多或喊空，而是拒绝“一锅端”的行业周期。Aasholm 教给读者的是结构化拆分：AI 繁荣可以真实存在，传统低迷也可以同时真实存在，研究必须把两件事并排放在同一张表里。
设备链 ex-China 对照
本节学什么
本节只讲设备链的 ex-China 对照。半导体设备收入强时，最危险的误读之一，是把中国政策囤货、出口管制前采购、成熟制程扩张和服务收入托底，看成全球自然周期复苏。Aasholm 的独特之处，是把地缘政治不是写成宏观观点，而是写成会计调整项：设备商数据必须剔除中国变量再看。深研把这条列入他的代表性判断：ASML、AMAT、LAM、KLA 等设备链，如果不做中国收入占比和 ex-China 订单对照，就可能把政策性购买误读成全行业需求回暖。本节要学的是如何给设备数据“去噪”。
核心框架
ex-China 框架有四个步骤。第一，看区域收入：中国收入占比是否异常高，是否与出口管制、成熟制程扩产或提前采购有关。第二，看订单性质：新增系统、服务收入、备件维护、成熟节点设备、先进节点设备和后道封装设备要分开。第三，看非中国需求：若中国占比下降后，韩国、台湾、美国、欧洲、日本订单仍强，才说明全球设备周期接棒。第四，看链上验证：设备收入强是否被晶圆厂 capex、利用率、材料消耗、产能扩张共同确认。这个框架的目标不是看空设备，而是防止把局部政策变量写成全球需求。
他怎么用(具体案例+数据+原话)
深研的代表性案例是 2024 年 ASML 指引恐慌。Aasholm 认为市场把 ASML 的成熟市场调整误读成 AI 革命结束，而真正问题是钱流结构、区域收入和市场成熟度变化；后续 AI capex 延续，说明“AI 没结束，但设备链分化”比简单恐慌更接近事实。深研还把他的未来判断写成：设备链必须剔除中国，否则会把政策囤货误读成全球复苏；验证信号是 ASML/AMAT/LAM/KLA 中国收入占比、ex-China 订单、服务收入、后道设备占比；证伪信号是中国占比下降后设备需求仍全面强劲，说明非中国周期已接棒。这个案例把地缘风险转成可观察的财报项目。
常见误区
误区一，看设备总收入就下周期结论。总收入可能被中国客户、服务收入或成熟节点托住。误区二，把 ASML 的变化直接等同 AI 结束。设备链和 AI 计算链并不同步，成熟市场调整不等于数据中心 capex 崩塌。误区三，把中国购买全部视作“虚假需求”。政策囤货也是实际收入，但它的可持续性和对全球周期的解释力不同。误区四，只看前道设备。AI 时代后道设备、先进封装、测试和量测也可能成为局部瓶颈，不能只用光刻订单代表全设备链。
可迁移方法
读设备公司财报时，固定做一张 ex-China bridge。第一栏写总收入和订单，第二栏写中国收入占比，第三栏写非中国收入，第四栏写服务收入，第五栏写前道、后道、成熟节点、先进节点拆分，第六栏写客户 capex 指引。然后写两句结论：不剔除中国时看到什么，剔除中国后还剩什么。若剔除后需求仍强，设备周期质量更高；若剔除后疲弱，说明总数受政策和区域结构支撑。这个方法同样适用于材料、EDA、零部件和成熟制程扩产。
小结
设备链不是一个干净的全球温度计。Aasholm 的 ex-China 对照把地缘政治变成财务调整：先剔除中国变量，再判断非中国设备需求是否真正复苏。这样既不会误把 ASML 波动写成 AI 终结，也不会把政策囤货写成全球繁荣。
统计边界才是 alpha
本节学什么
本节只讲统计边界。Aasholm 最容易被低估的一点，是他不只看数据，还追问数据把谁数进去了、把谁漏掉了、有没有重复计算。深研把他的未来判断写得很直接：半导体总量数据越来越不可靠，真正的 alpha 在统计边界。WSTS 是否漏 AI compute，自用芯片是否没有进入行业统计，HBM 是否在 GPU 板或系统中造成双重计算，这些不是脚注，而是会改变行业结论的核心问题。本节要学的是，在引用任何总量数据前，先问口径是否能支撑你的结论。
核心框架
统计边界框架包括三类风险。第一类是漏计：大厂自研芯片、内部转移、云厂自用加速器、AI compute 相关收入可能没有完整进入传统统计。第二类是双计：HBM、GPU、系统板、封装服务在不同口径下可能被重复纳入，导致总量被放大。第三类是分类错配：AI 数据中心收入可能被计入传统半导体总量，掩盖模拟、材料、封装和成熟制程低迷；设备收入可能被中国区域结构扭曲。Aasholm 的方法不是因为数据有裂缝就放弃数据，而是先标注裂缝，再判断哪些结论稳健，哪些只是口径产物。
他怎么用(具体案例+数据+原话)
深研多处写到他的统计边界意识。能力边界部分提醒：数据库虽广，但分部口径变更、未上市公司、自用芯片、HBM/GPU 双重计算都可能造成误差。未来判断栏把这条上升为灵魂栏：WSTS 漏计、HBM 双计、自用芯片不入统计，不是脚注，而是未来研究的核心；验证信号包括行业机构是否调整 AI compute 统计口径，大厂自研芯片披露改善，HBM/GPU 收入分拆更透明；证伪信号是统计口径统一后，原有结论仍完全不变。这个用法很克制：他会列缺口，但用户如果只转述结论，就容易把带裂缝的数据当成确定真相。
常见误区
误区一，把行业总量当客观真相。总量统计也是由公司披露、机构分类和估算规则组成，会随产业结构变化而失真。误区二，把“数据有误差”当作可以随意讲故事。Aasholm 的做法恰好相反：误差越大，越要写清边界和验证条件。误区三，把 AI compute 的增长直接和传统半导体可比。数据中心加速器、自研芯片、HBM、封装和系统收入的口径很可能不同。误区四，忽视利益披露与需求盲点。统计口径能修正供应链观察，但 AI 应用收入能否支撑云厂 capex，还需要其他来源验证。
可迁移方法
引用任何行业数据前，先写“口径审计”。第一问来源：WSTS、TrendForce、公司财报、Substack 数据库还是卖方估算。第二问范围：是否包括自用芯片、未上市公司、系统级收入、区域收入和服务收入。第三问重复：HBM、GPU、封装、板卡、整机是否可能重复计算。第四问分类：AI、传统模拟、设备、材料、成熟制程是否被混在一起。第五问验证：若换一个口径，结论是否仍成立。最终输出时，把结论分成“口径稳健”和“口径敏感”两类，避免把数据裂缝包装成确定性。
小结
统计边界是 Aasholm 方法的最后一道防线。读链、拆量价、做 ex-China 对照都依赖数据；而数据能否被信任，取决于边界是否写清。真正可迁移的 alpha，不是背一个总量数字，而是知道这个数字遗漏了谁、重复了谁、误导了谁。
本页整理 Claus Aasholm 公开材料中的方法论，用于投研学习，不构成证券买卖建议；个人观点；提及不等于持仓；引用以原文为准。
