电子行业年度策略：把握AI、创新、国产化三大趋势下的十大投资方向

电子行业复苏号角已吹响，AI、创新、国产化引领来年增量： 回顾2023年，TMT板块在AI浪潮的带动下领涨，年初至12月1日，SW电子指数上涨8.05%（5/31）；SW电子指数PE为38.95倍，对应10年PE百分位38.26%。电子行业逐季复苏，23Q3总营收YoY+0.89%，QoQ+14.06%；归母净利润YoY-6.66%，QoQ+17.60%，同比降幅收窄。 去库取得成效、需求温和复苏的大背景下，下半年电子行业景气度企稳回升。展望明年，我们认为电子行情将主要围绕AI、终端创新、国产替代三大最具成长逻辑的主线进行演绎，建议重点关注1）云侧AI、 2）端侧AI、3）先进封装、4）存储、5）消费电子新工艺新材料、 6）MR、7）汽车智能化、8）汽车电动化、9）半导体设备、10）卫星通信/5.5G十大赛道带来的硬件端增量及相关投资机遇。 AI：云端两侧同步推进，关注算存力升级与终端应用落地 ChatGPT带来的新一轮AI革命对算力的需求确定性是确认的，算力芯片作为AI大模型底座将长期稳定受益，存算一体、HBM、Chiplet、CPO等技术作为解决大算力带来的“内存墙”“功耗墙”等问题的有效路径，也有望取得良好发展。混合AI是AI规模化的必然趋势，将部分推理工作放在终端侧能够带来成本、能耗、性能、隐私、安全和个性化优势。AI手机、AI PC等终端有望率先落地并逐步普及，为消费电子注入新活力。建议关注国产大算力芯片、英伟达/AMD产业链、上游硬件供应商、下游多模态应用落地等投资机会。 终端创新：技术突破创造新需求，消费/汽车电子多点开花 1）消费电子端，随着体验升级、价格下探，折叠屏出货量持续高速增长，带动MIM等环节发展；苹果MR预计明年初上市，在光学显示、交互、应用等环节均有创新；钛合金、碳纤维等新材料及相关工艺的突破为终端轻量化提供可能；华为率先在Mate60系列上支持卫星通信技术，并于11月发布了首个5.5G用户级产品，商用化有望提速。 2）汽车电子端，智能化趋势奠定以太网、激光雷达等环节的长期增长，800V高压平台逐步渗透，将带动SiC、超充等产业链发展。 国产替代：自主可控势在必行，上游设备零部件为核心瓶颈 国际贸易摩擦下，半导体自主可控诉求提升，国产半导体设备及零部件的渗透率有望进一步上升。重点关注以光刻机、量测设备为代表的低国产渗透率方向，以及光刻机零部件等高端半导体零部件。 投资建议：具体标的见第一章1.4节。 风险提示：下游需求不及预期；技术迭代不及预期；国产替代不及预期；行业竞争加剧；中美贸易摩擦升级。 1.全年行情总览：景气度触底回暖，周期与成长共振 1.1.业绩：逐季复苏趋势明确，模拟IC、光学引领Q3增长 整体：1）营收：23Q1触底后逐季有所好转，23Q3同比增速转正，前三季度总体营收同比已基本持平。23Q3总体营收为8537.39亿元（YoY+0.89%，QoQ+14.06%），23Q1-Q3营收为22918.19亿元（YoY-4.65%）；2）业绩：22Q1-23Q1同比加速下滑，23Q2-Q3降幅大幅收窄。23Q3总体归母净利润为343.99亿元（YoY-6.66%，QoQ+17.60%），23Q1-Q3归母净利润为810.03亿元（YoY-36.67%）。 图1.21Q1-23Q3电子板块营业收入及增速 图2.21Q1-23Q3电子版块归母净利润及增速 细分：2023年前三季度，半导体设备取得营收、业绩双增长，营收336.52亿元（YoY+28.51%），归母净利润66.55亿元（YoY+32.16%），23Q3增长态势稍有趋弱；光学光电子前三季度整体业绩同比下滑幅度最大，但逐季修复趋势显著，23Q3模拟芯片设计/面板/光学元件板块归母净利润环比增速最快，分别达到201.13%/131.59%/98.50%。 表1：23Q1-Q3电子板块营收同比增速 表2：23Q1-Q3电子板块归母净利润同比增速 表3：22Q1-23Q3电子板块归母净利润同比增速（%） 表4：22Q1-23Q3电子板块归母净利润环比增速（%） 1.2.涨跌幅：电子排名第五，光学光电子涨幅最高 全行业：本年（2023.1.1-2023.12.01）上证综指上涨-2.15%，深证成指上涨-12.31%，沪深300指数上涨-10.63%，申万电子板块上涨8.05%，电子行业在全行业中的涨跌幅排名为5/31。 图3.2023年各行业板块涨跌幅（截至12.01） 电子行业：本年（2023.1.1-2023.12.01）光学光电子板块在电子行业子板块中涨幅最高，为+19.01%，半导体板块涨幅最低，为-2.49%；进一步细分来看，光学元件涨幅最高，为+25.60%，分立器件板块涨幅最低，为-22.29%。 表5：2023年电子板块子版块涨跌幅（截至12.01） 图4.2023年电子板块子版块涨跌幅（截至12.01） 1.3.PE：电子行业PE为38.95倍，10年PE百分位为38.26% 电子行业：截至2023.12.01，沪深300指数PE为10.53倍，10年PE百分位为14.24%； SW电子指数PE为38.95倍，10年PE百分位为38.26%。 图5.电子板块近十年PE走势 图6.电子版块近十年PE百分位走势 电子行业子版块：截至2023.12.01，电子行业子版块PE/PE百分位分别为半导体（63.67倍/31.73%）、消费电子（22.43倍/13.01%）、元件（28.69倍/22.99%）、光学光电子（45.53倍/65.72%）、其他电子（44.09倍/43.35%）、电子化学品（52.70倍/77.82%）。 图8.电子版块子版块近十年PE百分位走势 200 150 100 50 0 2014 2014 2015 日期 -- 0408 -- 0105 1522 -- 0902 0722 1.4.投资策略：以AI、创新、国产化为轴，挖掘十大投资方向 在去库存取得一定成效、需求逐步温和复苏的大背景下，下半年开始电子行业景气度整体呈现企稳回升态势。展望明年，我们认为电子行情将主要围绕AI、终端创新、国产替代三大最具成长逻辑的主线进行演绎，建议重点关注云侧AI、端侧AI、先进封装、存储、消费电子新工艺新材料、MR、汽车智能化、汽车电动化、半导体设备以及卫星通信/5.5G十大赛道带来的硬件端增量及相关投资机遇。 图9.21Q1-23Q3电子板块子版块存货周转天数（天） 图10.22.1-23.9国内智能手机出货量及增速 表6：电子行业十大主线核心逻辑 表7：十大投资方向建议关注标的 2.云侧AI：大模型算力需求激增，技术迭代推动瓶颈突破 以ChatGPT为代表的AI大模型及其初步应用“一石激起千层浪”，其相关技术变革预计将对个体的工作、生活及社会组织方式带来的广泛影响。大模型的参数量随模型换代呈指数型增长，算力需求与参数量正相关。随着模型复杂度提升，对应的算力及基础设施需求有望持续增长。目前AI大模型的算力水平显著供不应求，海内外厂商积极布局，我们认为以GPGPU为代表的算力基础设施作为AI大模型底座将长期稳定受益。关注存算一体、HBM、Chiplet、CPO等技术及相关产业链进展，建议关注国产大算力芯片、英伟达/AMD产业链、上游硬件供应商、下游多模态应用落地等投资机会。 2.1.AI大模型风口已至，海内外科技巨头加码布局 AI大模型是指人工智能预训练大模型，具有海量参数和复杂架构，用于深度学习任务的模型，拥有强大的处理能力和表征能力。AI大模型产业生态是以数据、算力为基础支撑，借助数据管理、模型训练、评估优化、服务平台、插件等大模型辅助工具，开发出基础大模型或行业大模型，再延伸至工业、金融、医疗、交通等下游场景。AI大模型具备“大规模”和“预训练”属性。一方面，AI大模型需要使用大量的计算资源和部署，具有强大的计算能力和学习能力；另一方面，AI大模型在大规模数据集上完成了预训练后无需或仅需少量数据的微调，即能够直接支撑各类应用。 图11.AI大模型产业生态 ChatGPT引领AI大模型浪潮，海内外科技巨头先后加码AI布局。2022年11月底，OpenAI发布聊天机器人ChatGPT，上线两个月活跃用户活跃用户破亿，成为史上增速最快的消费级应用之一，引发AI大模型浪潮，海内外科技巨头先后加码AI布局。国外：1）谷歌向AI公司Anthropic投资近4亿美元，后者正在测试生成式AI工具Claude，且谷歌也推出对标ChatGPT的聊天机器人Bard。2）微软以100亿美元投资ChatGPT的开发商OpenAI，并获得其49%股权。2023年2月，微软发布基于ChatGPT的new Bing。3）亚马逊云服务AWS宣布与AI公司Hugging Face开展合作，Hugging Face将在AWS上开发针对ChatGPT的开源竞品，构建开源语言模型的下个版本Bloom。国内：百度CEO李彦宏在西丽湖论坛提到，截至2023年10月，国内已发布238个大模型。其中主流大模型包括：百度（文心一言）、抖音（云雀大模型）、智谱AI（GLM大模型）、中科院（紫东太初大模型）、百川智能（百川大模型）、商汤（日日新大模型）、MiniMax（ABAB大模型）、上海人工智能实验室（书生通用大模型）、华为（盘古大模型）、腾讯（混元大模型）、科大讯飞（星火大模型）、阿里（通义大模型）。 表8：各科技公司关于类ChatGPT的技术布局概览 2.2.海量参数产生大算力需求，GPGPU等高壁垒AI芯片受益 以ChatGPT为代表的AI模型预训练需要处理海量参数，从而实现超高文本识别率。随着新模型推出，新的参数量需求呈翻倍式增长。OpenAI首席执行官Sam Altman接受公开采访表示，GTP-4参数量为GTP-3的20倍，需要的计算量为GTP-3的10倍；GTP-5在2024年底至2025年发布，它的参数量为GTP-3的100倍，需要的计算量为GTP-3的200-400倍。 表9：各代GPT系列所需要参数量 算力需求与参数量呈正相关，对硬件的内存容量和带宽提出高要求。算力即计算能力，具体指硬件对数据收集、传输、计算和存储的能力，算力的大小表明了对数字化信息处理能力的强弱，常用计量单位是FLOPS（Floating-point operations per second），表示每秒浮点的运算次数。硬件方面，运算量取决于GPU运算执行时间的长短，而参数量取决于占用显存的量。运算量（FLOPS）的数值通常与参数量（parameter count）成比例，不同模型架构的换算关系不同。模型越复杂、参数量越大，所需计算量越大。 GPGPU拥有硬件技术的核心壁垒：大显存带宽，进行超高能效比的并行运算，可同时用于GPT模型的训练和推理过程。GPGPU（通用图像处理器）是一种由GPU去除图形处理和输出，仅保留科学计算、AI训练和推理功能的GPU（图形处理器）。GPU芯片最初用于计算机系统图像显示的运算，但因其相比于擅长横向计算的CPU更擅长于并行计算，在涉及到大量的矩阵或向量计算的AI计算中很有优势，GPGPU应运而生。目前，GPGPU的制造工艺在英伟达等企业的领导下已趋向成熟，成本在AI芯片中也较低，成为市场主流选择，ChatGPT引起的AI浪潮有望提升其应用规模。FPGA具有可编程的灵活性，ASIC性能佳、具有定制化特点，但成本方面与GPU相比稍显劣势，在GPT等AI模型的运用占比较GPU低。 图12.近年主流生成型AI对算力的需求 图13.GPU与CPU并行运算能力对比 图14.近年英伟达GPU的FLOPS与带宽速率增长 表10：各AI芯片性能对比 根据英伟达官网，NVIDIA DGX™A100服务器搭载8张A100 GPU，我们假设每台服务器搭载8张A100 GPU。我们对以ChatGPT为例的大模型算力需求进行测