下半年以来，“硬科技”主线再度崛起，以AI、半导体为代表的板块上行，整体呈现“龙头引领，细分赛道轮动”的特征。在此背景下，一些科创主题基金业绩表现不错。截至8月29日，广发科创主题灵活配置过去一年的净值增长率达63.03%，超越业绩比较基准15个百分点，在同类灵活配置型基金中位列前20%。
广发科创主题灵活配置基金经理贾乃鑫拥有11年证券从业经验，近10年军工、机械行业研究经验，对行业有自己的见解。“投资的出发点是企业本身能够创造多少回报，投资的价值则是在企业合理回报的基础上再做一些‘加法’。”贾乃鑫对上海证券报记者表示。
聚焦科技制造“做加法”
贾乃鑫主要基于扎实的基本面研究，挑选出能够创造合理回报的公司，并且力求获得超越合理回报的收益。“我获取超额回报的方式有两种：第一，即使是优秀企业，也要寻找它们发展最好的几年，把握阶段性机会；第二，尽量以合理价格买入。”贾乃鑫表示。
实现这个目标的一大前提，是在能力圈范围内坚守，在确定性更高的领域捕捉机会。“不同产业的商业模式各异，短期景气度也有差别，只有在熟悉的领域中做判断，才能得出更具价值的结论。”贾乃鑫表示。基于近10年的军工、机械行业研究经验，他聚焦科技和制造领域不断延伸能力圈，已形成行业配置灵活、进攻和稳健兼具的投资风格。
在组合管理上，贾乃鑫构建了一套“进攻型”与“稳健型”资产相结合的投资框架，综合考虑胜率和赔率再动态权衡配比。“赔率衡量的是企业未来成长空间有多大，而胜率则反映了这一增长实现的概率。”基于这两个维度，贾乃鑫会根据市场情绪走向，在不同风格资产之间灵活调整配置比例。
以他管理的广发科创主题灵活配置为例，虽然产品名称中带有“科创主题”，但投资范围并不局限于科创板，而是包括其产品风格库定义的科技制造、医药、化工等领域。基金中报显示，截至上半年末，该基金持有的前五大行业分别为电子、电力设备、机械设备、传媒、国防军工，合计占比45.53%，行业配置较为分散。
寻找“舒适区”内的企业
做投资要在自己的能力圈范围内，贾乃鑫对个股的筛选也秉持同样原则。“人在做擅长或习惯的事情时最为舒适，企业也是如此，处于‘舒适区’的企业通常是发展最顺畅的阶段，往往无须经历过多重大调整或付出特别大的精力，日常经营也能保持稳定良好增长。”他说，倘若企业在这一阶段能够把握行业发展的大趋势，则更有机会走出跨越式的成长。
投资家查理·芒格曾说：“长期看，投资收益率等于净资产收益率。如果一家企业40年来的净资产收益率是6%，当投资者长期持有40年以后，平均收益率与6%没有太大区别。”在贾乃鑫看来，现实中的投资者往往没有耐心去等待40年，因此，股价在短期内所处的位置就显得格外重要，甚至会影响到投资者能否真正分享企业为股东创造的价值。
如何评估企业股价所处位置？贾乃鑫表示，传统的估值指标在实际应用中难以统一，因为不同的行业评价标准也有所不同，跨行业、跨时间段进行系统性比较是一件复杂的事，加之市场参与者对长期定价也存在分歧，因此，他倾向于将股价位置定义为“市场参与者已从该股票中实现的收益程度”，即通过股价与收益率曲线的相对位置进行评估。
在广发科创主题灵活配置的管理中，他主要运用“左侧布局+高切低”的策略，希望能更好兼顾业绩锐度和回撤控制。在上行行情中，他倾向于选择股价位置较低的方向左侧布局，当行情启动后，再提高配置比例；但当行情步入后半段，他会转向谨慎，宁愿“少吃甚至不吃鱼尾”，不愿意为了短期高收益而冒过多风险。基于这样的策略，他在上半年主要增持了TMT、军工，减持了电力设备、机械等板块，较好把握了近两个月的市场行情。
看好AI产业链投资机会
展望未来，贾乃鑫表示会积极关注技术浪潮中的长期结构性机会，看好人工智能产业的发展前景。
“AI并不构成强护城河，DeepSeek的快速崛起说明，在算法创新和工程化落地方面，我们具备很强的工程师密度和产业协同能力。”贾乃鑫本科专业是信息管理，对大模型原理与底层算力结构有着深入理解。他表示，大语言模型的性能提升与参数数量、训练语料之间仍存在明确的相关性，这也决定了算力需求呈现指数级增长，进而带动硬件设备进入高成长周期。
贾乃鑫观察到，在AI芯片领域，国产化正面临关键窗口期。尽管当前在先进制程和生态完善度方面尚存差距，但在GPU等计算卡层面，已有产品投入使用，差距更多体现为“好不好用”。他判断，未来在GPU设计、软件适配及整机系统层面，将是中国厂商持续追赶、甚至局部超车的重点方向。
与此同时，由于AI算力中心的能耗与散热挑战加大，今年以来液冷赛道表现强劲。“传统风冷已无法满足高密度部署，液冷方案正在成为主流。”他表示，“液冷的上限是宏观物理规律，如水的比热容、铜的导热率，因此液冷可能有更强的通胀属性，持续性也更强。液冷行业未来的催化因素，可能包括AI液冷大规模应用、液冷新技术变化等。”
谈及AI产业链未来3至5年的潜力赛道，贾乃鑫表示将聚焦两大方向：一是围绕“功率”环节，包括服务器电源、液冷系统等硬件升级；二是围绕“速率”瓶颈，伴随GPU集群扩张，通信速率成为限制AI集群效能的关键。具体而言，他看好“功率”和“速率”内部的新技术迭代，以及国产算力的赶超机会。
