AI 資本支出的壓力該從電力與信貸先傳到晶片？八組配對全部指向反方向

J.P. Morgan 2026 的替代投資展望裡有一條敘事：AI 資料中心的融資正從公開市場移往私募市場。這條敘事可以翻成一個可交易、也可被否證的說法：

如果一個 AI 資本支出的衝擊，會先打到 實體瓶頸 （電力、電網、基建）與 資金成本 （信貸），然後才到股票波動，那麼 XLU（公用事業）、PAVE（基建）、HYG（高收益債）、LQD（投資級債）的波動，應該可以當成 SMH（半導體）與 QQQ 已實現波動率的早期警訊。

K1733 測了這句話。結果有三層，每一層都比上一層更有用：

1. 這個系統的跨資產波動傳遞是 真的 ，而且很大——53% 到 60%。
2. 但方向 整個反過來 ：八組配對全部顯示 AI 那一端是淨傳遞者，電力與信貸那一端是淨接收者。
3. 而如果換一個常見但錯誤的估計方式，同一份配適好的模型可以生出 任一方向 的頭條。

第三層才是這篇文章真正想留給讀者的東西。

為什麼這個實驗的護欄特別重

先講一件事，因為它解釋了整份實驗的設計密度。平台在同一個方法上已經跌過兩次：

•  K628b ：Cholesky 分解給出「SPY 是淨傳遞者 +43.7pp」，那是  Cholesky 排序假象 ；改用不受排序影響的 KPPS 只有 +14.6pp。
•  K865b ：Diebold-Yilmaz 那個「SPY 是樞紐」的 方向 是排序假象，但 總傳遞量 是真的。兩個結論不共命運。
•  K907 ：連通性與 VIX 幾乎無關（r = 0.001），它是另一個風險維度，不是波動水準的代理。

K1733 的核心假設 是方向性的 ——而方向正是 K628b 與 K865b 死掉的地方。所以這次的估計式從一開始就用 KPPS（order-invariant），並且 把 Cholesky 那條路也跑一遍當對照組 ，好讓假象的大小被量出來而不是被信任。

另外兩個先驗影響了識別策略： K1508 （NULL）發現 AI 電力需求的敘事並沒有穩健地把 XLU / VPU / GRID / PAVE 重新定價到更高的相對波動狀態； K1499  發現 BDC 壓力在控制 SPY 波動之後大致崩塌。後者正是這次識別階梯要打的那個混淆。

資料：兩個樣本，而且是刻意的

籃子分三腿：AI 腿 MSFT NVDA SMH QQQ、實體腿 XLU PAVE、信貸腿 HYG LQD。SPY 有下載但 不是籃子成員 ——它只當廣泛市場波動的控制項，別無他用。

麻煩來自 PAVE：它 2017-03-08 才掛牌。用 NaN 補是造假；為了它把十年歷史丟掉會扔掉金融危機、也藏住結果是否樣本專屬。所以兩個都報：

long7 的樣本外窗含 2018Q4、2020 年的疫情崩盤與 2022 年，滿足「樣本外必須含至少一次空頭」的要求。

第一層：總傳遞量是真的，而且大得離譜

這個系統裡大約 53% 到 60% 的次日波動預測誤差變異來自跨資產。

「地板」那一欄是這張表最重要的部分，它讓數字的大小可以被解讀：把 真正獨立 、但持續性與樣本長度都一樣的序列餵給同一個估計式，它會回報大約 1 到 2 個百分點。觀測值是那個地板的 約 30 倍 。p = 0.002 是 1/501，也就是 500 個代理樣本能給出的最小值。

子期間的總連通性是 54.3 / 66.5 / 56.5（full8）與 50.5 / 63.2 / 51.8（long7），疫情與升息期間升高，符合預期，而且從來沒有靠近地板。

第二層：方向八比零，而且是反的

八組跨腿配對的淨方向值 全部是負的 。負號的意思是：AI 腿是淨傳遞者，實體 / 信貸腿是淨接收者。

預先寫好的判準第一個子句就是「有幾組是顯著的 正 值」，答案是 8 組裡 0 組。所以 H2 判 REJECT，不是 PARTIAL。

資產層級的淨方向（full8）：QQQ  +28.6 、SMH +15.0、MSFT +6.5、HYG +3.3、NVDA −7.0、PAVE −10.1、LQD −11.9、 XLU −24.4 。公用事業 ETF 是整個系統裡最大的單一淨接收者。

而且這不是某個時期的巧合： 兩個系統、三個期間、全部配對都是負的 ，與全樣本的符號一致度是 1.00——包含 ai_capex_2023_2026 這個原始敘事所描述的那個窗口。

第三層：同一個模型，200 種排序，兩個方向的頭條都做得出來

KPPS 這一臂對排序不變到機器精度，這是它該有的性質。而 Cholesky 那一臂 比丟硬幣還糟 ：full8 裡的 LQD→SMH，把同一份配適好的系統做 200 次隨機排序，結果橫跨  −9.757 到 +9.906 個百分點 ，符號穩定度只有 0.315。

這張圖值得逐格看。每一格的黑色豎線是零。淡藍色橫帶跨過零的那些格子，代表 只要換一個變數排列順序，Cholesky 就能給你想要的符號 。八格裡有七格的橫帶明顯跨零，符號穩定度從 32% 到 76%。

如果這個實驗當初用了 statsmodels 的 .fevd()，光是排序本身就足以為幾乎每一組配對產生任一方向的頭條。這是 K628b / K865b 那個失效模式在新資料上的一次直接的量化重現。

一個看起來矛盾但不矛盾的結果

Granger 因果的方向 確實 與 KPPS 相反：在控制 SPY 的那一臂裡，實體 / 信貸腿領先 AI 腿的配對是 full8 的 7/8 與 long7 的 5/6，反方向則是 5/8 與 2/6。係數和為正、拔靴區間排除零（例如 long7 的 XLU→QQQ：Wald 34.6、五個落後項係數和 +0.101、90% 區間 [+0.062, +0.140]、符號穩定度 1.00）。只有 HYG→SMH 在兩個系統都失敗。

 這與 H2 不衝突 ，因為兩個量在問不同的問題：Granger 問的是「來源的落後項能不能為目標的條件平均數增加預測力」；淨方向問的是「相關衝擊的變異數份額， 淨額 往哪邊倒」。兩者可以同時成立，這裡就是同時成立。這個張力被記在結果 JSON 的 verdicts.H2.granger_vs_npdc_tension 欄位裡，沒有被藏起來。

實驗也另外報了一個 事後 的鏡像檢定（H2R），並在每一個出現的地方標明它不是預先指定的。它的結論是部分成立，而且明說 KPPS 份額是 相關 衝擊的份額，所以那是簡約形式的資訊領先，不是結構性的因果效應。

最重要的一層：樣本外，那個 +7.25 是怎麼消失的

前面全部是樣本內的連通性。真正決定這個訊號有沒有用的是下面這張階梯。

看最後一列。那個 寬鬆讀法 ——把實體 / 信貸波動直接加進一個什麼都不知道的基準，在 12 個格子裡最高達到 Clark-West  t = +7.254 （full8 的 QQQ，h = 1），而且會被宣告為一項發現，這一階最低的一格也還有 +1.818。上圖的藍色柱子就是那個高度。

但只要基準先知道 標的自己的全距波動 ，整個效果就消失了：主要階的最大 t 值是  +0.98 （full8 的 SMH，h = 1），12 個格子裡有 11 個的樣本外 R² 增量是 負的 ，每一個主要階的 BH 校正後 p 值都是 0.934。下圖那排全部朝下的淡藍色柱子就是它。

逐格看主要階（t 值欄依序是自身全距、SPY 因子、實體/信貸）：

第一欄那些從 +4.56 到 +11.81 的 t 值說明模型本身是健全的，標的自己的全距波動確實帶著大量資訊，12 個格子全部顯著。SPY 因子還能再撈到一點（12 格裡 4 格）。而輪到實體 / 信貸區塊時， 什麼都沒有了 。

這個階梯的價值不在於它給了 null，而在於它 指出那個 +7.25 是誰的 ：它是「標的自己的波動」的功勞，被一個沒有控制自身波動的基準錯記到外生區塊的帳上。

這篇的限制

一個資產類別群、日頻、兩個樣本。full8 的樣本外只有約四年（2021-01-04 起），因為 PAVE 的掛牌日決定了共同樣本的起點；long7 補上了更長的歷史與更多空頭，但少了基建那一腿。H4 因為前置條件未滿足而 沒有執行 ，這件事被如實標成 NOT_RUN_PRECONDITION_NOT_MET，不是靜默略過。

還有一件必須講清楚的： H2 的 REJECT 不代表電力與信貸對 AI 敘事不重要。  它代表的是，在這個八資產系統的次日波動預測誤差變異分解裡，淨額的方向是從 AI 那端流出去的；而在樣本外預測上，這個區塊在標的自身波動之後沒有增量。「這條鏈不存在」與「這條鏈在這個量尺上量不到」是兩句不同的話，這篇只主張後者。

 資料來源 ：yfinance 日資料（auto_adjust=False，Open/High/Low 以 Adj Close / Close 重新縮放），快照凍結於實驗目錄的 data/prices_raw.csv 與逐檔調整後 OHLC。所有拔靴、代理樣本、置換與噪音抽樣的 seed 皆為 42。所有數字的唯一權威來源是 K1733 的結果 JSON；Cholesky 對照臂與獨立 AR 地板是設計的一部分，不是事後補的檢查。