Insights Investing
Strukturalna kruchość współczesnych klas aktywów: ocena efektu uwięzienia na rynku nieruchomości, koncentracji indeksów wokół sztucznej inteligencji i refinansowania długu prywatnego
Podcast · Słuchaj (24 min)
Spis treści
- 1. Efekt zamknięcia na rynku mieszkaniowym: dlaczego nieruchomości nie są już niezawodnym motorem budowania majątku
- 2. Iluzja dywersyfikacji: koncentracja sztucznej inteligencji na rynkach akcji i długu
- 3. Agentowa sztuczna inteligencja i podatność bankowego modelu automatycznego przenoszenia gotówki
- 4. Kredyt prywatny, wykupy spółek programistycznych i nadciągająca fala refinansowania
- 5. Implikacje strategiczne i praktyczne wnioski dla inwestorów długoterminowych
- 6. Kluczowe liczby
- 7. Co zmieniłoby naszą ocenę
- 8. Źródła
Rosnące koszty utrzymania niezwiązane z kredytem hipotecznym oraz strukturalny efekt zamknięcia wynikający z oprocentowania zasadniczo podważyły tradycyjny mechanizm budowania majątku poprzez nieruchomości, podczas gdy ukryta koncentracja na sztucznej inteligencji w portfelach odwzorowujących indeksy referencyjne oraz nierozpoznane tarcia związane z zadłużeniem przy prywatnych wykupach spółek oprogramowania stwarzają istotne ryzyko systemowe dla inwestorów pasywnych i instytucjonalnych. Dla inwestorów w wartość stawiających na ochronę kapitału te nakładające się zaburzenia eliminują tradycyjne bufory bezpieczeństwa wbudowane w nieruchomości, modele alokacji indeksowej 60/40 oraz instrumenty dochodowe oparte na długu prywatnym. Uzyskanie rzeczywistego marginesu bezpieczeństwa wymaga obecnie rygorystycznej ponownej oceny solidności bilansu, przejrzystości dźwigni zadłużenia oraz faktycznej dywersyfikacji aktywów na rynkach publicznych i prywatnych.
1. Efekt zamknięcia na rynku mieszkaniowym: dlaczego nieruchomości nie są już niezawodnym motorem budowania majątku
Podstawowe założenie współczesnego rynku nieruchomości mieszkaniowych — że posiadanie domu stanowi automatyczny motor budowania majątku przez kolejne pokolenia — napotkało poważną barierę strukturalną. Po historycznym załamaniu stóp procentowych w 2021 roku miliony dotychczasowych właścicieli domów refinansowały kredyty hipoteczne, uzyskując oprocentowanie od 3.0% do 3.5%. Przy obecnym oprocentowaniu 30-letnich kredytów hipotecznych w USA oscylującym wokół 7.0% ogromna rozbieżność matematyczna zamroziła obrót mieszkaniami. Pracujący właściciele domów z kredytami hipotecznymi oprocentowanymi na 3.0% są strukturalnie uwięzieni; zamiana starego kredytu na kredyt hipoteczny oprocentowany na 7.0% wymusza gwałtowny wzrost miesięcznych kosztów obsługi zadłużenia, którego racjonalni uczestnicy rynku nie chcą zaakceptować. W konsekwencji tempo transakcji oraz podaż dostępnych mieszkań uległy zahamowaniu.
Co istotne, ten kryzys dostępności cenowej wykracza daleko poza nominalne ceny zakupu i stopy procentowe. Wzrost kosztów utrzymania niezwiązanych z kredytem hipotecznym w poprzednim pięcioletnim okresie (2019–2024) poważnie osłabił sytuację bilansową właścicieli nieruchomości mieszkaniowych. Wskutek skumulowanych podwyżek składek na ubezpieczenia majątkowe i odpowiedzialności cywilnej, lokalnych podatków od nieruchomości oraz rachunków za media łączny koszt utrzymywania własnego domu wzrósł o około 50%, niezależnie od ceny zakupu.
Z perspektywy inwestowania w wartość prawdopodobny kierunek zmian cen mieszkań w skali kraju jest raczej spadkowy niż wzrostowy. Jednak to dostosowanie cen w dół będzie niezwykle powolne, a nie gwałtowne. W przeciwieństwie do systemowej wyprzedaży aktywów obserwowanej podczas kryzysu finansowego w 2008 roku ogólna sytuacja na rynku pracy pozostaje napięta, przy niskich stopach bezrobocia. Ponieważ pracujący właściciele domów z kredytami hipotecznymi oprocentowanymi na 3.0% nie stoją w obliczu bezpośredniego czynnika wymuszającego szybką sprzedaż, proces ustalania cen pod presją trudności finansowych pozostaje ograniczony.
Odmrożenie tej podaży będzie zależeć niemal wyłącznie od długoterminowych zmian demograficznych, a nie od interwencji polityki pieniężnej. W horyzoncie 10-letnim naturalna śmiertelność starszego pokolenia powojennego wyżu demograficznego stanowi główny mechanizm, który wymusi wprowadzenie nieruchomości mieszkaniowych na otwarty rynek. Gdy domy te wejdą do mas spadkowych, spadkobiercy sprzedadzą aktywa po bieżących cenach równoważących rynek, aby wywiązać się z zobowiązań z tytułu podatku spadkowego. Tymczasem wzrost podaży pozostaje blokowany przez lokalne ograniczenia zagospodarowania przestrzennego i sprzeciw mieszkańców wobec inwestycji w ich sąsiedztwie. Podczas gdy obszary miejskie takie jak Los Angeles pozostają rozległe i ograniczone przestrzennie przez lokalne organy planowania, zagraniczne kontrprzykłady, takie jak Tokio, pokazują, że ogólnokrajowe ramy zagospodarowania przestrzennego mogą zachować dostępność cenową mieszkań poprzez ominięcie sprzeciwu lokalnych władz miejskich. W Stanach Zjednoczonych prawdopodobieństwo interwencji w planowanie przestrzenne na poziomie federalnym lub stanowym, która uchyliłaby decyzje lokalnych rad, pozostaje jednak w praktyce zerowe.
2. Iluzja dywersyfikacji: koncentracja sztucznej inteligencji na rynkach akcji i długu
Inwestorzy polegający na szerokich indeksach pasywnych w oparciu o założenia klasycznej nowoczesnej teorii portfela działają w warunkach głębokiej iluzji dywersyfikacji. W ujęciu Benjamina Grahama prawdziwe zarządzanie ryzykiem wymaga rozróżnienia między przejściowymi wahaniami cen a trwałą utratą kapitału. Obecne referencyjne indeksy akcji systematycznie narażają inwestorów na nierozpoznane ryzyko trwałej utraty kapitału, koncentrując go w jednym cyklu wydatków technologicznych: łańcuchu wartości sztucznej inteligencji.
Choć oficjalny udział sektora technologicznego w S&P 500 wynosi około 40%, wskaźnik ten zaniża rzeczywiste ryzyko tematyczne. Zmiany klasyfikacji dokonane przez dostawców indeksów przeniosły główne platformy cyfrowe, takie jak Alphabet i Amazon, do sektorów usług komunikacyjnych oraz dóbr konsumpcyjnych uznaniowych. Ponowne uwzględnienie tych operatorów platform o ogromnej skali zwiększa bezpośrednią ekspozycję na największe spółki technologiczne do około 50%.
Pełne uwzględnienie powiązań wtórnych oraz wspierających znacząco zwiększa to ryzyko koncentracji: * Energetyka i usługi użyteczności publicznej: Dostawcy energii elektrycznej zapewniający dedykowane zasilanie skupiskom centrów danych wnoszą dodatkowe 3% do udziału tematycznego. * Infrastruktura przemysłowa: Firmy budujące centra danych, dostawcy specjalistycznego sprzętu oraz przemysłowi wykonawcy sieci elektroenergetycznych tworzą kolejne zależności systemowe. * Podmioty zapewniające finansowanie: Duże banki inwestycyjne oraz zarządzający aktywami alternatywnymi, zapewniający gwarantowanie emisji kapitałowych i finansowanie dłużne nakładów inwestycyjnych na sztuczną inteligencję, pogłębiają ekspozycję.
Łącznie faktyczna zależność ekonomiczna S&P 500 od sukcesu ekosystemu sztucznej inteligencji sięga około 65%.
[S&P 500 Effective AI Concentration: ~65%]
├── Direct Tech Sector (Official Weighting): ~40%
├── Reclassified Tech Platforms (Alphabet, Amazon, etc.): ~10%
├── Electric Utilities (Data Center Power Supply): ~3%
└── Industrial Builders & Financial Capital Providers: ~12%
Ta strukturalna koncentracja jest równie powszechna na rynkach instrumentów o stałym dochodzie. Około 15% wszystkich obligacji korporacyjnych o ratingu inwestycyjnym jest bezpośrednio powiązanych z projektami inwestycyjnymi sektora sztucznej inteligencji, a zdumiewające 50% łącznych emisji długu korporacyjnego w 2024 roku przeznaczono na finansowanie infrastruktury związanej ze sztuczną inteligencją. W konsekwencji pasywne strategie indeksowe nie chronią już kapitału przed ryzykiem skrajnych zdarzeń; pogorszenie sytuacji operacyjnej lub finansowej czołowych podmiotów napędzających rozwój technologii spowodowałoby jednoczesne straty w części akcyjnej i dłużnej tradycyjnego portfela 60/40.
Ponadto ta koncentracja kapitału odzwierciedla szersze zaburzenia strukturalne w mediach i ekonomii uwagi konsumentów. Tradycyjne przedsiębiorstwa medialne obecne w szerokich indeksach akcji mierzą się z silną presją na marże ze strony platform cyfrowych o niskich nakładach inwestycyjnych. Na przykład YouTube ma obecnie 14% udziału w oglądalności telewizji, w porównaniu z 7% Netflixa. Podczas gdy tradycyjne firmy medialne ponoszą ogromne nakłady inwestycyjne na produkcję treści opartych na scenariuszach, otwarte platformy z treściami tworzonymi przez użytkowników przyciągają dwukrotnie większą oglądalność za ułamek kosztów, co pokazuje, jak kapitałochłonne aktywa w publicznych indeksach referencyjnych są wypierane na poziomie operacyjnym.
3. Agentowa sztuczna inteligencja i podatność bankowego modelu automatycznego przenoszenia gotówki
Nowo powstające narzędzia agentowej sztucznej inteligencji stanowią bezpośrednie zagrożenie dla jednego z najbardziej rentownych i niedocenianych modeli przychodowych współczesnej bankowości detalicznej i działalności maklerskiej: marż odsetkowych netto z automatycznego przenoszenia gotówki.
Mechanizm automatycznego przenoszenia gotówki opiera się na bierności klientów detalicznych. Platformy maklerskie, przede wszystkim Charles Schwab, automatycznie przenoszą niezainwestowane salda gotówkowe klientów z rachunków maklerskich i inwestują te środki w krótkoterminowe amerykańskie papiery skarbowe lub na instytucjonalnych rynkach pieniężnych, uzyskując rentowność około 4.5%. W zamian platforma wypłaca posiadaczom rachunków detalicznych symboliczne oprocentowanie — często około 20 punktów bazowych (0.20%). Firma przejmuje niezabezpieczoną różnicę odsetkową netto wynoszącą około 430 punktów bazowych. Choć historycznie zyski firm maklerskich napędzały prowizje od transakcji klientów detalicznych, różnice odsetkowe netto z przenoszonej gotówki stanowią obecnie największą pojedynczą pozycję przychodów Charles Schwab.
+-----------------------------------------------------------------------+
| TRADITIONAL CASH SWEEP MODEL |
| |
| [Retail Customer Cash] ---> Swept by Brokerage (e.g., Schwab) |
| │ |
| ├──> Invests at ~4.50% (Treasuries) |
| └──> Pays Retail ~0.20% |
| |
| *NET INTEREST SPREAD CAPTURED BY BROKERAGE: ~4.30% |
+-----------------------------------------------------------------------+
│
▼
+-----------------------------------------------------------------------+
| AGENTIC AI DISRUPTION MODEL |
| |
| [Agentic AI Assistant] ---> Automatically detects uninvested cash |
| │ |
| └──> Reallocates to Money Market |
| Fund directly yielding ~4.50%|
| |
| *RESULT: Brokerage Net Interest Margin Collapses to Zero |
+-----------------------------------------------------------------------+
Autonomiczne narzędzia agentowej sztucznej inteligencji grożą całkowitym wyeliminowaniem tych tarć ograniczających rentowność. Działając lokalnie lub za pośrednictwem oprogramowania podmiotów trzecich, zautomatyzowany agent finansowy może stale monitorować niewykorzystane salda gotówkowe i programowo przenosić środki do wysoko oprocentowanych funduszy rynku pieniężnego już w chwili wpłaty. Jeśli klienci detaliczni masowo wdrożą automatyczne zarządzanie gotówką, wysokomarżowe różnice odsetkowe netto wspierające modele biznesowe firm maklerskich załamią się.
Aby ocenić tę podatność, inwestorzy muszą odróżnić maklerskie mechanizmy automatycznego przenoszenia gotówki od działalności depozytowej banków komercyjnych. Firmy maklerskie takie jak Schwab polegają na przenoszeniu niewykorzystanej gotówki bezpośrednio na własne nisko oprocentowane rachunki, aby przejmować różnice odsetkowe. Z kolei instytucje bankowości komercyjnej takie jak JPMorgan Chase wykorzystują depozyty na rachunkach bieżących i oszczędnościowych do finansowania długoterminowych, niepłynnych portfeli kredytowych, obejmujących kredyty hipoteczne na nieruchomości mieszkaniowe oraz zadłużenie przedsiębiorstw. Uznając, że zautomatyzowani agenci zewnętrzni mogliby wywołać szybką migrację depozytów, JPMorgan Chase prewencyjnie zablokował narzędziom agentowej sztucznej inteligencji podmiotów trzecich dostęp do swojej podstawowej infrastruktury depozytowej, jednoznacznie odmawiając zautomatyzowanym agentom dostępu do infrastruktury rachunków klientów, aby chronić swoją podstawową bazę taniego finansowania depozytowego.
Pojawienie się technologicznej eliminacji pośredników w finansach detalicznych uwydatnia szersze zjawisko makroekonomiczne: wszędzie tam, gdzie pośrednicy finansowi polegają na nieprzejrzystych strukturach opłat, opóźnieniach księgowych lub tarciach strukturalnych w celu uzyskiwania dochodów, narasta dźwignia systemowa. Ta sama dźwignia zależna od tarć zagraża obecnie prywatnym wykupom spółek technologicznych finansowanym w okresie zerowych stóp procentowych.
4. Kredyt prywatny, wykupy spółek programistycznych i nadciągająca fala refinansowania
Kruchość systemowa narastała na rynkach kapitału prywatnego (PE) i kredytu prywatnego, szczególnie w odniesieniu do wykupów lewarowanych (LBO) platform oprogramowania dla przedsiębiorstw przeprowadzonych w okresie polityki zerowych stóp procentowych (ZIRP) w latach 2018–2022.
Ten ekosystem charakteryzuje się strukturalnym zamkniętym obiegiem. Fundusze kredytu prywatnego regularnie udzielają finansowania dłużnego na przejęcia sponsorowane przez PE, jednak podmioty kredytowe często są spółkami zależnymi samych firm kapitału prywatnego. Przykładowo Blackstone zarządza BCRED, największym krajowym funduszem kredytu prywatnego z aktywami o wartości $80 mld, co ilustruje ścisłe powiązania między prywatnymi kredytodawcami a sponsorami wykupów.
W okresie 2018–2022 sponsorzy kapitału prywatnego przejmowali spółki oferujące oprogramowanie dla przedsiębiorstw przy wysokich mnożnikach wyceny, konstruując transakcje z udziałem około 50% kapitału własnego i 50% długu o zmiennej stopie procentowej. Historyczne modele kapitału prywatnego zakładały okres utrzymywania inwestycji wynoszący od 3 do 4 lat przed wyjściem poprzez sprzedaż inwestorowi branżowemu lub IPO. Obecnie okresy utrzymywania inwestycji wydłużyły się do 7 lat. Rosnące stopy procentowe podniosły koszty obsługi długu o zmiennej stopie, podczas gdy wyceny oprogramowania dla przedsiębiorstw gwałtownie spadły — czego przykładem jest Adobe, punkt odniesienia w tym sektorze, którego wartość rynkowa spadła o 60% od szczytu.
Matematyczne konsekwencje dla lewarowanych struktur kapitałowych są poważne:
$$\text{Enterprise Value Drop} = 50% \implies \text{Equity Value} = $0$$
Ponieważ zobowiązania dłużne mają pierwszeństwo przed transzami kapitału własnego, spadek wartości przedsiębiorstwa o 50% wymazuje 100% kapitału własnego sponsora, zanim aktywo kredytowe poniesie stratę pierwszego dolara kapitału.
BEFORE REVALUATION (1:1 Debt/Equity LBO)
+-----------------------------------+-----------------------------------+
| Debt ($500M) | Equity ($500M) |
+-----------------------------------+-----------------------------------+
|<---------------------- Enterprise Value: $1.0B ---------------------->|
AFTER 50% ENTERPRISE VALUE DROP
+-----------------------------------------------------------------------+
| Debt ($500M) |
+-----------------------------------------------------------------------+
|<----------------------- Enterprise Value: $500M --------------------->|
(Equity Value Completely Wiped Out to $0)
W miarę zbliżania się terminów refinansowania tych wykupów spółek programistycznych z lat 2018–2022 prywatni kredytodawcy będą wymagać od sponsorów kapitału prywatnego wniesienia nowego kapitału własnego, aby umożliwić obsługę wyżej oprocentowanego finansowania. Wyspecjalizowani dostawcy infrastruktury chmurowej dla sztucznej inteligencji („Neoclouds”, tacy jak CoreWeave czy Nebius) ilustrują tę presję na rentowność: rentowności długu wyspecjalizowanych operatorów centrów danych wykorzystujących GPU na rynku wtórnym wzrosły z 9% w momencie emisji do 15%. Przy koszcie długu wynoszącym 15% te kapitałochłonne modele przestają generować dodatnie FCF (wolne przepływy pieniężne). W obliczu obowiązkowego dokapitalizowania wielu sponsorów PE zrezygnuje z własności udziałów i przekaże kontrolę wierzycielom zamiast dokapitalizowywać aktywa programistyczne, które utraciły wartość.
Co istotne, ponieważ aktywa kredytu prywatnego nie są wyceniane według wartości rynkowej, a obrót nimi odbywa się poza rynkiem regulowanym, zarządzający aktywami wykorzystują opóźnienia regulacyjne i księgowe do maskowania trwałych strat kapitału. Zarządzający funduszami często unikają obniżania wyceny kredytów zagrożonych, wydłużając terminy zapadalności, zaciągając dług na poziomie funduszu w celu wypłaty środków inwestorom lub emitując papiery dłużne z płatnością odsetek w formie niepieniężnej (PIK), co tworzy wśród instytucjonalnych podmiotów alokujących kapitał fałszywe wrażenie ograniczenia zmienności.
Tę dynamikę zadłużenia dodatkowo nasilają arbitraż regulacyjny i ryzyka związane z ładem korporacyjnym, szczególnie gdy aktywa kredytu prywatnego są przenoszone do podmiotów ubezpieczeniowych regulowanych na poziomie stanowym. W Delaware nadzór ubezpieczeniowy sprawuje urzędnik wybierany w wyborach — w jednym znamiennym przypadku były szeryf hrabstwa bez doświadczenia w finansowej ocenie ryzyka. Przy tak łagodnym egzekwowaniu przepisów uczestnicy rynku tacy jak Mark Walter przeprowadzali rozległe, nieujawnione transakcje z podmiotami powiązanymi, lokując środki ubezpieczonych w niepłynnych inwestycjach (w tym udziałach w profesjonalnych klubach sportowych takich jak LA Dodgers i LA Lakers) znacznie powyżej ustawowych limitów. Taka systemowa dźwignia finansowa i obchodzenie regulacji znacząco zwiększają ryzyko zdarzeń skrajnych wśród pozabankowych pośredników finansowych.
5. Implikacje strategiczne i praktyczne wnioski dla inwestorów długoterminowych
Dla inwestorów w wartość stosujących podejście Benjamina Grahama i Warrena Buffetta obecne warunki rynkowe wymagają ścisłej dyscypliny zarządzania ryzykiem, wnikliwej analizy bilansu i instytucjonalnych zasad inwestycyjnych zaprojektowanych tak, aby zapobiegać trwałej utracie kapitału:
- Zasada I: Kontroluj przejrzystość indeksów i rzeczywistą koncentrację ekspozycji: Instytucjonalne podmioty alokujące kapitał muszą wykraczać poza powierzchowne etykiety sektorowe w szerokich portfelach indeksowych. Należy ilościowo określić bazowe zależności ekonomiczne między technologią, dostawami energii elektrycznej, infrastrukturą przemysłową i emisjami korporacyjnych instrumentów dłużnych, aby wyeliminować nierozpoznaną ekspozycję na pojedyncze tematyczne bańki aktywów.
- Zasada II: Przeprowadzaj testy warunków skrajnych wartości aktywów netto kredytu prywatnego pod kątem ukrytej utraty wartości: Odrzucaj wartości aktywów netto niewyceniane według rynku, raportowane przez fundusze kredytu prywatnego i sponsorów wykupów spółek programistycznych z lat 2018–2022. Przeszacuj bazowy dług portfela, zakładając zmienne oprocentowanie finansowania na poziomie 15% oraz odpisy wartości przedsiębiorstw i kapitału własnego odzwierciedlające rzeczywiste ceny na rynku wtórnym.
- Zasada III: Priorytetowo traktuj solidność bilansu i FCF (wolne przepływy pieniężne) bez wpływu dźwigni finansowej: Koncentruj alokację kapitału na odpornych przedsiębiorstwach o niskich nakładach inwestycyjnych, strukturach finansowania o stałej stopie procentowej, trwałej zdolności do kształtowania cen oraz organicznych FCF (wolnych przepływach pieniężnych) bez wpływu dźwigni finansowej. Unikaj podmiotów zależnych od ciągłych cykli refinansowania długu lub tanich krótkoterminowych papierów dłużnych.
- Zasada IV: Utrzymuj ścisły margines bezpieczeństwa i premię za płynność: Utrzymuj bezpieczne rezerwy płynności bezpośrednio w krótkoterminowych bonach skarbowych zamiast w niezabezpieczonych instrumentach automatycznego lokowania gotówki przez domy maklerskie. Zachowanie kapitału gotowego do zainwestowania zapewnia elastyczność niezbędną do alokacji kapitału w aktywa o wysokim poziomie przekonania inwestycyjnego, gdy przymusowe likwidacje nieuchronnie doprowadzą do przeszacowania przewartościowanych akcji notowanych na giełdzie i instrumentów kredytu prywatnego.
Aby zdyscyplinowanie poruszać się wśród tych słabości systemowych, zapraszamy czytelników do zapoznania się z naszymi ogólnodostępnymi analizami spółek na stronie DeepValues Research lub do sprawdzenia wartości wewnętrznej akcji za pomocą aplikacji DeepValues.
6. Kluczowe liczby#
- 50%: Wzrost całkowitych kosztów utrzymania własnego domu (ubezpieczenie, podatki od nieruchomości, media) w poprzednim okresie 5 lat (2019–2024).
- 7.0% wobec 3.0%–3.5%: Przybliżone obecne oprocentowanie kredytów hipotecznych w USA w porównaniu z oprocentowaniem wcześniej refinansowanych kredytów hipotecznych z 2021.
- 65%: Szacowana całkowita efektywna ekspozycja S&P 500 na łańcuch wartości sztucznej inteligencji (łącznie 50% bezpośredniej/przeklasyfikowanej ekspozycji technologicznej, 3% przedsiębiorstw użyteczności publicznej oraz podmioty przemysłowe i finansowe umożliwiające jego rozwój).
- 15%: Odsetek obligacji korporacyjnych o ratingu inwestycyjnym bezpośrednio związanych z finansowaniem sztucznej inteligencji.
- 50%: Udział całkowitej emisji długu korporacyjnego w 2024 przeznaczony na nakłady inwestycyjne związane ze sztuczną inteligencją.
- 20 punktów bazowych wobec 4.5%: Oprocentowanie wypłacane przez domy maklerskie od automatycznie lokowanej niezainwestowanej gotówki w porównaniu z rentownością krótkoterminowych papierów skarbowych uzyskiwaną przez instytucje.
- 15% wobec 9%: Obecna rentowność długu na rynku wtórnym wobec pierwotnego oprocentowania emisji na poziomie 9% dla długu wyspecjalizowanej infrastruktury chmurowej dla sztucznej inteligencji (np. CoreWeave).
- 60%: Procentowy spadek wartości Adobe, punktu odniesienia w sektorze oprogramowania dla przedsiębiorstw, od szczytu rynkowego.
- $80 mld: Łączna wartość aktywów BCRED, największego funduszu kredytu prywatnego należącego do Blackstone.
- 14% wobec 7%: Udział YouTube w rynku oglądalności telewizyjnej w porównaniu z Netflix.
7. Co zmieniłoby naszą ocenę
- Znaczące bezwarunkowe obniżki stóp i zawężenie spreadów hipotecznych: Gwałtowny, trwały cykl łagodzenia polityki pieniężnej, który obniżyłby oprocentowanie nowo udzielanych 30-letnich kredytów hipotecznych w USA z powrotem w kierunku 4.0% bez przyspieszania inflacji, odblokowałby obrót dostępnymi nieruchomościami mieszkalnymi, neutralizując efekt uwięzienia właścicieli bez konieczności wymuszonej sprzedaży wynikającej z demografii.
- Strukturalne dostosowanie wag indeksu S&P 500: Trwała, szeroka rotacja rynkowa z papierów wartościowych największych spółek technologicznych i łańcucha dostaw sztucznej inteligencji do niedowartościowanych spółek cyklicznych, defensywnych lub przemysłowych, która obniży efektywną koncentrację tematyczną sztucznej inteligencji w S&P 500 poniżej 35%.
- Powszechne dokapitalizowanie inwestycji PE kapitałem własnym: Systemowe zobowiązanie sponsorów kapitału prywatnego do wniesienia znacznego nowego kapitału własnego do inwestycji programistycznych z lat 2018–2022, które utraciły wartość, w celu pokrycia wyższych kosztów odsetkowych długu, zapobiegania kaskadom niewypłacalności i uniknięcia przekazywania kontroli wierzycielom podczas nadchodzących cykli refinansowania.
- Ustawowa ochrona marż odsetkowych netto domów maklerskich: Federalne uregulowania lub przepisy ustawowe przyznające instytucjom finansowym wyraźne, ustawowe prawa do ograniczania automatycznego przenoszenia gotówki przez autonomicznych agentów podmiotów trzecich, zachowujące spready odsetkowe netto domów maklerskich bez wywoływania odpływu depozytów detalicznych.
8. Źródła
- Steve Eisman, Aiden McCake i Brandon Ewing, „Dlaczego młodzi Amerykanie czują się pozbawieni dostępu — z podcastem Lemonade Stand | The Real Eisman Playbook, odcinek 82”, kanał Steve Eisman w YouTube.
Oglądaj
Linki do źródeł
Oglądaj i słuchaj
- The S&P 500 Is a Hidden 65% AI Bet, Warns Steve Eisman YouTube · EN
- 大賣空原型Eisman警告:標普500竟65%綁AI YouTube · 中文
- The S&P 500 Is a Hidden 65% AI Bet, Warns Steve Eisman Podcast · EN
- 大賣空原型Eisman警告:標普500竟65%綁AI|美股市場 Podcast · 中文