在阅读了大量文章和新闻之后，在我自己的认知体系下，写一写宏观经济分析，主要涉及的还是美国，毕竟，现在的交易标的主要是美股，量化也只是一种策略，可以给予相对稳定的回报，要赚取高利润，还是在基本面基础上做选择。
在我的认知中，2024的不确定性非常大。原因如下：
一、 美国大选。总统的人选直接会影响经济走向。最直接的影响就是继续脱钩还是拥抱世界的问题。当然以美国的尿性，要割全世界的韭菜，完全脱钩是不太可能的。这只是一个方面。一朝天子一朝臣，老鲍鱼是否继续执掌美联储也是不确定的。下一任联储主席到底会是什么样的态度及动作，都不确定。除了靠加息降息割全世界韭菜外，估计也想不出更好的方法了。
二、 美联储降息？现在这个呼声很高，毕竟通胀从表面上看是抑制住了，会不会反弹谁也不知道。通胀下降，很大一部分原因是油价下来了，油价降低，就会拉低很多物品的价格，毕竟商品的价格中有一部分是运输成本，油价下降，通胀自然也就跟随下降了。而且通胀数据是具有滞后性的，因为生产是有周期的，到消费者手中的价格其实是生产时就被决定。下图中可以很明显的看出，CPI的变化率与油价正向关联度非常高，而且滞后。
三、 油价的不确定性，一边是欧佩克减产，一边是安哥拉退出欧佩克，会不会有更多的国家退出欧佩克？我的认知中这个是一定的。至于油价，美国基本上希望能够维持在60美元上方，因为其页岩油的开采成本就在这个附近，再低就要亏损，但是油价又不能太高，否则通胀就会很难看，同时的，沙特的王爷门要维持奢华的生活，也要靠油。记得在沙特自驾游的时候，加油站的小哥，都是给你抹零的，这种场景现在还有没有我并不知道，很多年没去过了。所以这个拉锯战随时都在，有一丁点动静，油价都会上蹿下跳。
四、 与中国的关系，记得16,17年来北美的时候，随便买什么都是made in China，现在是越来越少了，倒是菲律宾，越南的越来越多。其实这个不难看出来，看看东莞的工厂关停了多少，就明白了。虽然美国的需求很大一部分已经转移了，但是美国还需要中国的市场来销售他的产品。这也就是美国迟迟下不了决心彻底脱钩的原因，不论芯片、飞机，医疗器械等等等等。打着国家安全的旗号禁止出售高端品，不过就是一些谈判筹码而已。
面上的东西就这么多。分析一下主要的影响因素。主要的影响因素，来来回回也就是那么多。
第一、 通胀
虽然前面写过通胀的不确定性，也许会反弹，但是从图上看，与一年前主要指标环比是在下降的。通胀下降是影响利率的一个重要原因。
第二、 失业率
从历史数据看，利率和失业率基本是反向的，这也不难理解，利率上升，企业融资成本上升，必然会导致裁员，融资成本上升也会导致一些企业破产，失业率上升就在所难免。当利率维持在低位时，企业融资成本低，自然也会有更多岗位，同时的，利率下降，风投也会强劲，新公司的设立也会带来很多就业岗位。所以接下来的2024年，预计失业率还会攀升。
第三、 GDP
真实GDP环比与利率也非常密切，环比下降，联储肯定会降息，所以要关注2024Q1和2024Q2的环比数据，因为大多数机构都预计2024年年中降息，所以这两个数据就很关键，如果环比持续下降，那离降息就不远了。
第四、 利率
利率大概率就是由前面三个数据所决定的，所以关注前面的数据就好。简单来说，就这么点东西。我也不是经济学家，知识体系相对薄弱，分析不出太多东西，对于我来说，数据是第一位的。
回到正题，还是说回股市
我把四个指数及利率放在同一张图上。
我们可以看出，每一次降息其实都是在高利率的背景下被事件所触发的。而且在降息开始都会引发股市大跌。我只用了最近30年的数据，因为从1990年开始的美国股市是另外一种状态。我们依次来看，90年，第一次海湾战争，第二次2000年互联网泡沫破裂，第三次2008年次贷危机，第四次COVID。所以要见到降息那一天，必须是有重要的事件刺激，我不敢去预测是什么事件，但是一定要有这么一件事情触发，美联储才会开始降息，如果让我说我的观点的话，就是虚高的AI泡沫恐怕要在2024年破裂，为什么？我会在下面做板块分析的时候进行分析。
以史为镜，我们看一看最近两次的低利率时代四大指数的走势，可以看出纳斯达克和罗素2000涨势是要盖过标普和道琼斯的，然而崩溃的时候，这两个指数也是下跌最猛的。
写这段话的意思是，要小心降息前的极端事件，但是在降息后，最应该抄底的是纳指和罗素，而非道琼斯和标普。
说完指数，说一说我自己比较看好和比较不看好的板块。写这个的意思只是存档，看看到明年年底，自己被打几次脸。
我比较不看好的板块AI和电动车，我比较看好的板块燃料电池车和医药。
不看好AI的风险是巨大的，这个被打脸的概率非常高。不看好的原因很简单生成式人工智能靠的是大量数据的训练，互联网这么多年积攒下来的数据，基本已经消耗殆尽，而且生成式人工智能风靡全球后，很多数据和材料都是由它（指生成式人工智能）自己生成的，举个粗俗一些的例子，就算它是个生物，之前吃进去的全是有营养的，而且是各种各样的食物，现在如果再训练，就是吃它自己拉出来的，这样下去，它只会变得越来越笨。玩一下可以，当你真正用它来干工作的时候，就会发现它笨得一塌糊涂，效率远没有搜索引擎来的快。当然这只是一家之言。对于某些细分领域，它可能真的有点作用，比如帮网红代写一下没有逻辑的狗屁文章等等。它是完全没有逻辑的。所以我非常不看好，另外的，OpenAI的真正盈利一直都是黑匣子，没有人拿到真正的数据，微软的财报中也看不到。在这场热潮中，真正盈利的是卖设备的英伟达，而这种怪异的趋势，前端是否盈利不知道，后端盈利是真盈利。如果OpenAI的盈利能力出现问题（在我看来是一定的，因为他并没有什么逻辑，用于工作中很难，至少我没用会，我试图让它写过很多东西，不止OpenAI，包括很多的模型，都是一样，效果都非常糟糕），而且真正商用的大模型，一定是本地化训练和使用，隔离外网，言下之意OpenAI的前景非常不好，得不到细分领域的收入，那就没什么前景了，现在就是一个大玩具，大家总有玩腻的那一天。英伟达的收入也会随着前端的萎缩而到达瓶颈，更何况后面还有一个我看好的AMD在追赶，至于AMD为什么有机会超越英伟达，在这里就暂时不展开说了。所以我并不看好AI，或者说我不看好这一波生成式人工智能。
接着说电动车，这个被打脸的几率只有50%，准确的说我不是不看好电动车，我是不看好以锂电池为储能工具的电动车。锂的开采污染远远大过于石油，而且锂矿的储量消耗越来越快，还有废旧锂电池的回收也是一个巨大的障碍，也就是说锂电池电动车的用车成本会直线上升，废旧锂电池的处理成本，一定是消费者承担，不可能由车企来承担。对于锂电池电动车我是非常不看好的。
这也就导引出了我看好的氢能燃料电池车。这个被打脸的几率也很大，根据2023年IEA的报告，氢能车趋势如下，增长并不快。
而且车用氢能的消耗增长也不快，见下图
增长不快的主要原因有以下几点，第一是氢能的生产中转储存还太少，都还在建设阶段，见下图；第二是氢是一种极其危险的化学品，易燃易爆，所以普及很慢；第三是氢的制造成本依然还是很高，商用还有阻碍。
基于上面的三个重要原因，所以此条被打脸的几率很大，但是从长期来看，氢能燃料电池车才是未来。对于2024可以看好，但是我也很谨慎，因为不知道能不能爆发，技术能不能突破。毕竟燃料电池的时间已经很长了（见燃料电池研究报告），有些瓶颈至今也无法突破。但是突破也就是一瞬间的事情，所以还是看好。
第二个看好的板块是医药，为什么呢？疫情期间与疫苗相关的医药股都大涨了一波，PFE和MRNA以及J&J，而今年一年，MRNA和PFE是一路下行，J&J在年头也跌了一波。但是医药企业靠的也不完全是疫情这样的突发重大事件。现在的状态，应该都是低于估值，或者处于超卖状态，特别看好PFE在2024会有一波大反弹，原因请参阅PFE研究报告。
2024年的预判大致如此，多的不说了，坐等年底被打脸，打脸是常态，毕竟我也不是什么经济砖家，也不是正经经济学科班。
免责声明：
本研究报告由作者或研究团队仅供参考和信息传递之用，并不构成任何投资建议、买卖建议或其他金融决策的依据。阅读者在使用本报告提供的信息时应自行判断其适用性，并自负风险。本报告的编写可能基于公开信息、市场分析以及作者对相关主题的理解，但并不保证其准确性、完整性或时效性。
投资涉及风险，市场行情随时可能发生变化。本报告中的观点、意见或预测可能受到未来事件的影响而发生变化，且作者保留不事先通知的权利。过去的绩效不代表未来的表现，投资者在做出任何决策前应充分了解相关风险，并在必要时寻求专业建议。
作者和相关机构对于由于使用本报告内容而导致的任何损失或损害概不负责，无论这些损失或损害是直接的、间接的、特殊的还是因果关系的。本报告的全部或部分复制、转发、分发或用于其他商业用途需经过作者或相关机构的书面授权。
投资决策应该根据个人的财务状况、投资目标和风险承受能力做出。本研究报告的内容可能并不适用于所有投资者。阅读者在做出任何决策前，应该谨慎考虑自身情况，并在需要时寻求专业意见。
本报告中涉及的所有引用数据均为信息传递和参考之用，作者仅基于其独立的分析提供这些信息。本报告中引用的任何数据、统计数字、图表或其他资料，尽管作者力求准确和可靠，但并不能保证其绝对准确性、完整性或时效性。
引用数据的来源可能包括但不限于公开可获取的第三方数据库、公司财报、行业报告等。尽管我们致力于使用可靠的数据来源，但由于数据的来源多样性和不断更新的特性，不能对引用数据的准确性和完整性提供保证。
读者在使用引用数据时，应自行核实并谨慎判断其适用性。作者和相关机构对于由于使用引用数据而导致的任何损失或损害概不负责。任何人在依赖这些数据时应该谨慎行事，同时也建议在必要时咨询专业的财务和投资建议。
本报告的目的在于提供一般性的信息和观点，而非为读者提供具体的投资建议。阅读者在做出任何决策前，应该仔细评估引用数据的可靠性，并在必要时咨询专业意见。