NVIDIA سے آگے: جہاں AI انفراسٹرکچر ڈیلز واقعی ظاہر ہوتے ہیں۔

By /

AI سرمایہ کاری کی تجارت پر عام طور پر ایک صاف خیال کی طرح بحث کی جاتی ہے۔ Capex کا سیدھا مطلب ہے سرمائے کے اخراجات، یا وہ رقم جو کمپنی طویل مدتی اثاثوں جیسے ڈیٹا سینٹرز، چپس، سرورز، پاور سسٹمز اور دیگر انفراسٹرکچر پر خرچ کرتی ہے۔

NVIDIA ہائپر اسکیلر۔ ڈیٹا سینٹر. بجلی کی طلب. ہر چیز کو ایک ہی بالٹی میں دھکیل دیا جاتا ہے، جسے "AI انفراسٹرکچر” کہا جاتا ہے۔

لیکن مجھے نہیں لگتا کہ یہ اب زیادہ مفید ہے۔

Capex ایک سرخی کے طور پر مارکیٹ سے نہیں گزرتا ہے۔ زنجیر سے گزریں۔ کلاؤڈ کمپنیوں نے AI انفراسٹرکچر پر زیادہ خرچ کرنے کا فیصلہ کیا ہے، لیکن یہ خرچہ چپس، سیمی کنڈکٹر آلات، سرورز، نیٹ ورکنگ، ڈیٹا سینٹرز، پاور سسٹم، کولنگ اور تعمیرات کے ذریعے استعمال کے قابل کمپیوٹ بنانے کے لیے ہونا چاہیے۔

یہیں سے کہانی مزید دلچسپ ہو جاتی ہے۔

واضح AI نام اب بھی اہم ہیں، لیکن پورا نقشہ نہیں۔ اگر AI سرمایہ خرچ مارکیٹ میں سرمایہ کاری کے سب سے بڑے چکروں میں سے ایک بن رہا ہے، تو ایک بہتر سوال یہ ہے:

"AI اسٹاک کس قسم کی کمپنیاں ہیں؟”

حقیقت میں یہ ہے:

"پیسہ اصل میں کہاں جاتا ہے؟”

اس مضمون میں، ہم Python اور EODHD ڈیٹا کا استعمال کرتے ہوئے ایک سادہ AI سرمائے کے اخراجات کا نقشہ بناتے ہیں۔ مقصد خریداری کی فہرست بنانا نہیں ہے۔ مقصد تھیمز کو تہوں میں الگ کرنا، بنیادی باتوں اور مارکیٹ کے تاثرات کا موازنہ کرنا اور یہ دیکھنا ہے کہ ڈیٹا میں AI انفراسٹرکچر کے سودے پہلے سے کہاں ظاہر ہو رہے ہیں۔

انڈیکس

شرطیں

جاری رکھنے سے پہلے، آپ کو بنیادی Python سے واقف ہونا چاہیے، خاص طور پر لغات، فہرستوں، فنکشنز، اور Pandas DataFrame کے ساتھ کام کرنا۔

آپ کو بھی ضرورت ہو گی:

  • Python 3.9 یا اس سے زیادہ

  • EODHD API کلید

  • مندرجہ ذیل Python لائبریریاں: requests، pandas، numpyاور matplotlib

  • مالیاتی میٹرکس کا بنیادی علم، بشمول فروخت میں اضافہ، منافع کا مارجن، P/E تناسب، اسٹاک کی واپسی، اتار چڑھاؤ، اور نقصانات۔

اس مضمون کو جدید مالیاتی معلومات کی ضرورت نہیں ہے۔ مقصد ایک مکمل ویلیوایشن ماڈل یا سٹاک کی سفارش کا انجن بنانا نہیں ہے، بلکہ یہ ظاہر کرنا ہے کہ ڈیٹا ویژولائزیشن کس طرح نقشہ مارکیٹ تھیمز کی مدد کر سکتی ہے۔

جس کی ہم تحقیقات کرتے ہیں۔

اس مضمون کا سست ورژن AI اسٹاک کی فہرست ہے۔

میں یہاں ایسا نہیں کرنا چاہتا۔

ایک زیادہ مفید نقطہ نظر یہ ہے کہ AI سرمائے کے اخراجات کو خرچ کرنے کی زنجیر کے طور پر سوچیں اور پوچھیں کہ اس سلسلہ کا ہر حصہ مارکیٹ میں کہاں ظاہر ہوتا ہے۔

GPU فروخت کرنے والی کمپنیاں ایک طرح سے تھیم کے سامنے آتی ہیں۔ وہ کمپنیاں جو ڈیٹا سینٹرز کے لیے برقی نظام بناتی ہیں بالکل مختلف انداز میں سامنے آتی ہیں۔ دونوں ایک ہی سرمائے کے اخراجات کے چکر سے فائدہ اٹھا سکتے ہیں، لیکن معاشیات، مارجن، قیمتیں، اور مارکیٹ کا رویہ بہت مختلف نظر آ سکتا ہے۔

اس لیے تحقیقات تین حصوں پر مشتمل ہے۔

سب سے پہلے، ہم AI انفراسٹرکچر کی ایک ایسی دنیا بنائیں گے جو چپس، سیمی کنڈکٹر آلات، سرورز، نیٹ ورکنگ، ڈیٹا سینٹرز، پاور، کولنگ اور کنسٹرکشن جیسی تہوں پر کام کرتا ہے۔

دوسرا، ہم EODHD سے بنیادی اور قیمت کا ڈیٹا لے کر دونوں کی پیمائش کرتے ہیں۔

تیسرا، آئیے کمپنیوں کو ایک میٹرکس میں نقشہ بنائیں اور پیٹرن تلاش کریں۔

اہم نتیجہ ‘بہترین AI انفراسٹرکچر اسٹاک’ کی درجہ بندی نہیں ہے۔ یہ اس بات کی واضح تصویر فراہم کرتا ہے کہ AI سرمائے کے اخراجات کے سودے پہلے سے کہاں ظاہر ہو رہے ہیں، وہ کہاں مرتکز ہیں، اور جہاں فزیکل انفراسٹرکچر پرت کو نظر انداز کرنا مشکل ہونا شروع ہو رہا ہے۔

مطلوبہ پیکیج حاصل کریں۔

ہم سیٹنگ لائٹ رکھیں گے۔ یہ ایک تجزیہ نوٹ ہے، پیداواری نظام نہیں۔

import requests
import pandas as pd
import numpy as np
from datetime import date, timedelta
import matplotlib.pyplot as plt

اس پیکیج میں وہ سب کچھ شامل ہے جس کی آپ کو یہاں ضرورت ہے۔

requests EODHD API کو کال کریں، pandas ہم میز پر کارروائی کریں گے، numpy اس سے آپ کو بنیادی حساب کتاب کرنے میں مدد ملے گی۔ ہم استعمال کریں گے date اور timedelta 1 سال کی قیمتوں کا تعین کرنے والی ونڈو کے لیے matplotlib چارٹ کے لیے۔

AI Capex Universe کی تعمیر

AI انفراسٹرکچر اسٹاک کا تجزیہ کرنے میں ایک مسئلہ ہے۔ AI کیپیکس ایکسپوزر ایک صاف مالیاتی شعبہ نہیں ہے۔

ایسا کوئی API نہیں ہے جو ہمیں براہ راست بتاتا ہو کہ کمپنی "AI ڈیٹا سینٹر کے اخراجات سے 30٪ بے نقاب ہے” یا یہ کہ "GPU انفراسٹرکچر سے بہت زیادہ منسلک ہے۔” لہذا ہمیں پہلے تحقیقی دنیا کی ضرورت ہے۔

اس مضمون میں، ہم نے AI capex چین کے پہلے ورژن کا مسودہ تیار کرنے کے لیے LLM کو بطور ریسرچ اسسٹنٹ استعمال کیا اور پھر EODHD سے بنیادی اور قیمتوں کا ڈیٹا نکالنے سے پہلے دستی طور پر کمپنیوں کا جائزہ لیا۔

کائنات کو کئی تہوں میں تقسیم کیا گیا ہے:

  • ڈیمانڈ سائیڈ ہائپر اسکیلر

  • AI کمپیوٹنگ اور چپس

  • سیمی کنڈکٹر کا سامان

  • سرورز اور اسٹوریج

  • نیٹ ورکنگ

  • ڈیٹا سینٹر

  • بجلی اور بجلی

  • کولنگ اور صنعتی نظام

  • کنسٹرکشن اینڈ انجینئرنگ

ai_capex_universe = [
    {'ticker': 'MSFT.US', 'company': 'Microsoft', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Major cloud and AI infrastructure spender through Azure'},
    {'ticker': 'AMZN.US', 'company': 'Amazon', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Large AI and cloud infrastructure spender through AWS'},
    {'ticker': 'GOOGL.US', 'company': 'Alphabet', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Major AI infrastructure spender across Google Cloud and internal AI systems'},
    {'ticker': 'META.US', 'company': 'Meta Platforms', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Large AI compute and data center spending program'},

    {'ticker': 'NVDA.US', 'company': 'NVIDIA', 'capex_layer': 'AI compute and chips', 'exposure_level': 'Very High', 'reason': 'Core GPU and accelerator supplier for AI training and inference'},
    {'ticker': 'AMD.US', 'company': 'Advanced Micro Devices', 'capex_layer': 'AI compute and chips', 'exposure_level': 'High', 'reason': 'AI accelerator and data center CPU exposure'},
    {'ticker': 'AVGO.US', 'company': 'Broadcom', 'capex_layer': 'AI compute and chips', 'exposure_level': 'High', 'reason': 'Custom silicon and networking exposure for AI infrastructure'},
    {'ticker': 'MRVL.US', 'company': 'Marvell Technology', 'capex_layer': 'AI compute and chips', 'exposure_level': 'High', 'reason': 'Custom silicon, networking, and data infrastructure exposure'},

    {'ticker': 'AMAT.US', 'company': 'Applied Materials', 'capex_layer': 'Semiconductor equipment', 'exposure_level': 'High', 'reason': 'Supplies equipment used in advanced chip manufacturing'},
    {'ticker': 'LRCX.US', 'company': 'Lam Research', 'capex_layer': 'Semiconductor equipment', 'exposure_level': 'High', 'reason': 'Semiconductor manufacturing equipment supplier'},
    {'ticker': 'KLAC.US', 'company': 'KLA', 'capex_layer': 'Semiconductor equipment', 'exposure_level': 'High', 'reason': 'Process control and inspection tools for chip manufacturing'},
    {'ticker': 'ASML.US', 'company': 'ASML', 'capex_layer': 'Semiconductor equipment', 'exposure_level': 'Very High', 'reason': 'Critical lithography equipment supplier for advanced chips'},

    {'ticker': 'DELL.US', 'company': 'Dell Technologies', 'capex_layer': 'Servers and storage', 'exposure_level': 'High', 'reason': 'AI server and enterprise hardware exposure'},
    {'ticker': 'HPE.US', 'company': 'Hewlett Packard Enterprise', 'capex_layer': 'Servers and storage', 'exposure_level': 'Medium', 'reason': 'Server, storage, and enterprise infrastructure exposure'},
    {'ticker': 'SMCI.US', 'company': 'Super Micro Computer', 'capex_layer': 'Servers and storage', 'exposure_level': 'High', 'reason': 'AI server systems and data center hardware exposure'},

    {'ticker': 'ANET.US', 'company': 'Arista Networks', 'capex_layer': 'Networking', 'exposure_level': 'High', 'reason': 'Data center networking supplier tied to AI cluster buildouts'},
    {'ticker': 'CSCO.US', 'company': 'Cisco', 'capex_layer': 'Networking', 'exposure_level': 'Medium', 'reason': 'Networking and enterprise infrastructure exposure'},

    {'ticker': 'EQIX.US', 'company': 'Equinix', 'capex_layer': 'Data centers', 'exposure_level': 'Medium', 'reason': 'Global data center and interconnection infrastructure'},
    {'ticker': 'DLR.US', 'company': 'Digital Realty', 'capex_layer': 'Data centers', 'exposure_level': 'Medium', 'reason': 'Data center real estate exposure'},

    {'ticker': 'VRT.US', 'company': 'Vertiv', 'capex_layer': 'Power and electrification', 'exposure_level': 'High', 'reason': 'Power and thermal infrastructure for data centers'},
    {'ticker': 'ETN.US', 'company': 'Eaton', 'capex_layer': 'Power and electrification', 'exposure_level': 'Medium', 'reason': 'Electrical systems and power management exposure'},
    {'ticker': 'PWR.US', 'company': 'Quanta Services', 'capex_layer': 'Power and electrification', 'exposure_level': 'Medium', 'reason': 'Grid, power, and infrastructure construction exposure'},
    {'ticker': 'CEG.US', 'company': 'Constellation Energy', 'capex_layer': 'Power and electrification', 'exposure_level': 'Medium', 'reason': 'Power demand beneficiary from data center expansion'},

    {'ticker': 'TT.US', 'company': 'Trane Technologies', 'capex_layer': 'Cooling and industrial systems', 'exposure_level': 'Medium', 'reason': 'Cooling and climate systems exposure for buildings and infrastructure'},
    {'ticker': 'CARR.US', 'company': 'Carrier Global', 'capex_layer': 'Cooling and industrial systems', 'exposure_level': 'Medium', 'reason': 'Cooling, HVAC, and infrastructure systems exposure'},
    {'ticker': 'JCI.US', 'company': 'Johnson Controls', 'capex_layer': 'Cooling and industrial systems', 'exposure_level': 'Medium', 'reason': 'Building systems, controls, and cooling infrastructure exposure'},

    {'ticker': 'EME.US', 'company': 'EMCOR Group', 'capex_layer': 'Construction and engineering', 'exposure_level': 'Medium', 'reason': 'Electrical and mechanical construction exposure'},
    {'ticker': 'FIX.US', 'company': 'Comfort Systems USA', 'capex_layer': 'Construction and engineering', 'exposure_level': 'Medium', 'reason': 'Mechanical and electrical services for commercial infrastructure'}
]

universe = pd.DataFrame(ai_capex_universe)

universe.head()

یہ ہمیں تحقیق کی دنیا میں لاتا ہے۔

اہم بات یہ ہے کہ یہ میز بذات خود کچھ ثابت نہیں کرتا۔ یہ صرف نقشہ کی وضاحت کرتا ہے۔ اصل موازنہ بنیادی اور تاریخی قیمت کے اعداد و شمار سے ہوتا ہے، جسے ہم آپ کے سامنے لاتے ہیں۔

کہانی کے پیچھے مالیاتی ڈیٹا کو ننگا کریں۔

کائنات ہمیں ایک نقشہ فراہم کرتی ہے، لیکن نقشہ ایک تجزیہ نہیں ہے۔

اب ہمیں ہر کمپنی کے لیے اصل ڈیٹا کی ضرورت ہے۔ اس مقصد کے لیے، ہم EODHD کے بنیادی اصول اور تاریخی قیمتیں استعمال کریں گے۔

بنیادی باتیں آپ کی کاروباری طاقتوں کی شناخت میں مدد کریں گی۔ قیمتوں کا تعین کرنے والا ڈیٹا اس بات کا تعین کرنے میں مدد کرتا ہے کہ آیا مارکیٹ پہلے ہی کمپنی کو AI سرمایہ کاری تجارت کے حصے کے طور پر تسلیم کر چکی ہے۔

بنیادی ڈیٹا

سب سے پہلے، EODHD کے پرائمری اینڈ پوائنٹ کا استعمال کرتے ہوئے پرائمری حاصل کریں۔

api_key = 'YOUR EODHD API KEY'

def get_fundamentals(ticker):
    url = f'https://eodhd.com/api/fundamentals/{ticker}?api_token={api_key}&fmt=json'
    data = requests.get(url).json()
    return data

میمو: تبدیلی YOUR EODHD API KEY اپنی اصلی EODHD API کلید استعمال کریں۔

یہ فنکشن ایک ٹکر کے لیے ڈیفالٹ اینڈ پوائنٹ کو کال کرتا ہے اور مکمل JSON جواب واپس کرتا ہے۔

چونکہ ہمیں اس تجزیہ کے لیے مکمل جوابات کی ضرورت نہیں ہے، اس لیے ہم صرف دلچسپی کے شعبے نکالیں گے۔

def extract_fundamental_fields(ticker, data):
    general = data.get('General', {})
    highlights = data.get('Highlights', {})
    valuation = data.get('Valuation', {})
    technicals = data.get('Technicals', {})

    return {
        'ticker': ticker,
        'sector': general.get('Sector'),
        'industry': general.get('Industry'),
        'market_cap': highlights.get('MarketCapitalization'),
        'revenue_growth_yoy': highlights.get('QuarterlyRevenueGrowthYOY'),
        'profit_margin': highlights.get('ProfitMargin'),
        'operating_margin': highlights.get('OperatingMarginTTM'),
        'return_on_equity': highlights.get('ReturnOnEquityTTM'),
        'pe_ratio': highlights.get('PERatio'),
        'forward_pe': valuation.get('ForwardPE'),
        'beta': technicals.get('Beta')
    }

یہ فیلڈز ہمیں ترقی، منافع، تشخیص، اور کمپنی کی صورت حال کا فوری نظریہ حاصل کرنے کی اجازت دیتے ہیں۔

اب ہم اسے پوری کائنات میں چلا سکتے ہیں۔

fundamental_rows = []

for ticker in universe['ticker']:
    try:
        data = get_fundamentals(ticker)
        row = extract_fundamental_fields(ticker, data)
        fundamental_rows.append(row)
        print(f'{ticker} DONE')

    except Exception as e:
        fundamental_rows.append({
            'ticker': ticker,
            'sector': np.nan,
            'industry': np.nan,
            'market_cap': np.nan,
            'revenue_growth_yoy': np.nan,
            'profit_margin': np.nan,
            'operating_margin': np.nan,
            'return_on_equity': np.nan,
            'pe_ratio': np.nan,
            'forward_pe': np.nan,
            'beta': np.nan
        })
        print(f'{ticker} ERROR')

fundamentals = pd.DataFrame(fundamental_rows)

fundamentals.head()

بنیادی ڈیٹا (مصنف کی تصویر)

اگر ایک ٹکر ناکام ہوجاتا ہے تو ٹرائی بلاک اسکیننگ جاری رکھتا ہے۔ یہ ضروری ہے کیونکہ دنیا مختلف قسم کی کمپنیوں کا مرکب ہے اور ایک لاپتہ ردعمل پورے تجزیے کو نہیں روک سکتا۔

تاریخی قیمت کا ڈیٹا

اس کے بعد، ہم ایک سال کی تاریخی قیمتیں حاصل کرنے کے لیے EODHD کا تاریخی قریبی اختتامی نقطہ استعمال کرتے ہیں۔

price_start = date.today() - timedelta(days=365)
price_end = date.today()

def get_price_history(ticker):
    url = f'https://eodhd.com/api/eod/{ticker}?api_token={api_key}&fmt=json&from={price_start.isoformat()}&to={price_end.isoformat()}&period=d'
    data = requests.get(url).json()
    prices = pd.DataFrame(data)

    if prices.empty:
        return pd.DataFrame()

    prices['date'] = pd.to_datetime(prices['date'], errors="coerce")
    prices['adjusted_close'] = pd.to_numeric(prices['adjusted_close'], errors="coerce")

    prices = prices.dropna(subset=['date', 'adjusted_close'])
    prices = prices.sort_values('date').reset_index(drop=True)

    return prices[['date', 'adjusted_close']]

ہم ایڈجسٹ کلوز کا استعمال کرتے ہیں کیونکہ یہ تقسیم اور ڈیویڈنڈ کے بعد کمائی کا حساب لگاتا ہے۔

اب قیمت کی تاریخ کو کچھ مارکیٹ سگنلز میں تبدیل کرتے ہیں۔

def calculate_market_signals(prices):
    if prices.empty or len(prices) < 60:
        return {
            'return_1y': np.nan,
            'return_6m': np.nan,
            'return_3m': np.nan,
            'volatility_1y': np.nan,
            'max_drawdown_1y': np.nan
        }

    prices = prices.copy()
    prices['daily_return'] = prices['adjusted_close'].pct_change()

    latest_close = prices['adjusted_close'].iloc[-1]

    return_1y = (latest_close / prices['adjusted_close'].iloc[0]) - 1
    return_6m = (latest_close / prices['adjusted_close'].iloc[-126]) - 1 if len(prices) >= 126 else np.nan
    return_3m = (latest_close / prices['adjusted_close'].iloc[-63]) - 1 if len(prices) >= 63 else np.nan

    volatility_1y = prices['daily_return'].std() * np.sqrt(252)

    running_high = prices['adjusted_close'].cummax()
    drawdown = (prices['adjusted_close'] / running_high) - 1
    max_drawdown_1y = drawdown.min()

    return {
        'return_1y': return_1y,
        'return_6m': return_6m,
        'return_3m': return_3m,
        'volatility_1y': volatility_1y,
        'max_drawdown_1y': max_drawdown_1y
    }

یہ اشارے ہمیں بتاتے ہیں کہ مارکیٹ نے پہلے ہی ہر کمپنی پر کتنا سخت ردعمل ظاہر کیا ہے۔

اب ہم تمام ٹکرز کے لیے ایک ہی منطق چلاتے ہیں۔

market_rows = []

for ticker in universe['ticker']:
    try:
        prices = get_price_history(ticker)
        signals = calculate_market_signals(prices)
        signals['ticker'] = ticker
        market_rows.append(signals)
        print(f'{ticker} DONE')

    except Exception:
        market_rows.append({
            'ticker': ticker,
            'return_1y': np.nan,
            'return_6m': np.nan,
            'return_3m': np.nan,
            'volatility_1y': np.nan,
            'max_drawdown_1y': np.nan
        })
        print(f'{ticker} ERROR')

market_signals = pd.DataFrame(market_rows)

market_signals.head()

مارکیٹ سگنلز (تصویر از مصنف)

آخر میں، ہم کائنات، بنیادی اصولوں، اور مارکیٹ سگنلز کو ایک ڈیٹا سیٹ میں ضم کر دیتے ہیں۔

capex_data = universe.merge(fundamentals, on='ticker', how='left')
capex_data = capex_data.merge(market_signals, on='ticker', how='left')

print(capex_data.columns)
capex_data.head()

Capex ڈیٹا کالم (مصنف کی تصویر)

Capex ڈیٹا (تصویر بذریعہ مصنف)

کاروباری طاقت اور مارکیٹ کی آگاہی کو الگ کریں۔

اب وہ حصہ آتا ہے جو تجزیہ کو مفید بناتا ہے۔

جب آپ صرف اسٹاک کی واپسی کو دیکھتے ہیں، تو آپ اس چیز کا پیچھا کر رہے ہیں جو پہلے سے منتقل ہو چکا ہے۔ صرف بنیادی باتوں کو دیکھنے سے یاد آتا ہے کہ مارکیٹ اصل میں اس موضوع کو کیسے ہینڈل کر رہی ہے۔

لہذا میں نے تجزیہ کو دو آسان اشاروں میں تقسیم کیا:

سب سے پہلے، ہمیں ہر میٹرک کو معمول پر لانے کے لیے ایک مددگار فنکشن کی ضرورت ہے۔

def min_max_score(series):
    series = pd.to_numeric(series, errors="coerce")

    if series.isna().all():
        return pd.Series(0, index=series.index)

    min_val = series.min()
    max_val = series.max()

    if min_val == max_val:
        return pd.Series(0.5, index=series.index)

    return (series - min_val) / (max_val - min_val)

یہ تمام میٹرکس کو 0 سے 1 رینج میں لے آتا ہے، جس سے آپ حقیقی اقدامات کو ملائے بغیر ترقی، مارجن، آمدنی اور کمی کا موازنہ کر سکتے ہیں۔

بنیادی سگنل

اب ہم بنیادی سگنل بناتے ہیں۔

capex_data['revenue_growth_score'] = min_max_score(capex_data['revenue_growth_yoy'])
capex_data['profit_margin_score'] = min_max_score(capex_data['profit_margin'])
capex_data['operating_margin_score'] = min_max_score(capex_data['operating_margin'])
capex_data['roe_score'] = min_max_score(capex_data['return_on_equity'])

capex_data['fundamental_signal'] = (
    capex_data['revenue_growth_score'] * 0.35 +
    capex_data['operating_margin_score'] * 0.30 +
    capex_data['profit_margin_score'] * 0.20 +
    capex_data['roe_score'] * 0.15
) * 100

capex_data['fundamental_signal'] = capex_data['fundamental_signal'].round(2)
capex_data[['ticker', 'company', 'capex_layer', 'revenue_growth_yoy', 'operating_margin', 'profit_margin', 'return_on_equity', 'fundamental_signal']].sort_values('fundamental_signal', ascending=False).head(10)

بنیادی سگنل (تصویر از مصنف)

اس سگنل کا مقصد بہترین کمپنی کا انتخاب کرنا نہیں ہے۔ یہ صرف اس بات کو یقینی بنانے کی بات ہے کہ آپ کا کاروباری ڈیٹا آپ کی AI سرمایہ کاری کی کہانی کو سپورٹ کرتا ہے۔

میری دوڑ میں، NVIDIA واضح طور پر نمایاں تھا کیونکہ اس کی آمدنی میں اضافہ اور مارجن مختلف سطحوں پر تھے۔ لیکن یہ صرف NVIDIA ہی نہیں تھا جو دلچسپ تھا۔ KLA، Arista، Broadcom، Microsoft، Meta، Lam Research، Alphabet، اور Super Micro جیسے نام بھی مختلف وجوہات کی بنا پر سرفہرست ہیں۔

یہ ہمیں پہلے ہی کچھ اہم بتاتا ہے۔ اے آئی کیپیکس چین میں مختلف قسم کے فاتح ہیں۔ کچھ اعلی مارجن پلیٹ فارم کاروبار ہیں۔ کچھ سیمی کنڈکٹر آلات کے نام ہیں۔ کچھ پتلے مارجن کے ساتھ اعلی نمو والے ہارڈ ویئر کے نام ہیں۔

مارکیٹ بیداری کے اشارے

اب ہم مارکیٹ بیداری کے سگنل بناتے ہیں۔

capex_data['return_1y_score'] = min_max_score(capex_data['return_1y'])
capex_data['return_6m_score'] = min_max_score(capex_data['return_6m'])
capex_data['return_3m_score'] = min_max_score(capex_data['return_3m'])
capex_data['drawdown_score'] = min_max_score(capex_data['max_drawdown_1y'])

capex_data['market_recognition_signal'] = (
    capex_data['return_1y_score'] * 0.40 +
    capex_data['return_6m_score'] * 0.30 +
    capex_data['return_3m_score'] * 0.20 +
    capex_data['drawdown_score'] * 0.10
) * 100

capex_data['market_recognition_signal'] = capex_data['market_recognition_signal'].round(2)
capex_data[['ticker','company','capex_layer','return_1y','return_6m','return_3m','max_drawdown_1y','market_recognition_signal']].sort_values('market_recognition_signal', ascending=False).head(10)

مارکیٹ بیداری کے اشارے (تصویری کریڈٹ: مصنف)

یہیں سے کہانی مزید دلچسپ ہو جاتی ہے۔

مارکیٹ بیداری کی فہرست صرف ہائپر اسکیلر یا چپ کے ناموں سے نہیں بھری ہوئی ہے۔ کمفرٹ سسٹمز، ورٹیو، کوانٹا سروسز، ڈیل، اپلائیڈ میٹریلز اور لیم ریسرچ مضبوط تھے۔ یہ پہلی واضح علامت ہے کہ AI سرمایہ خرچ کرنے کے سودے عام سپر سائز AI ٹوکری کے اندر نہیں رہ رہے ہیں، بلکہ فزیکل انفراسٹرکچر پرت میں پھیل رہے ہیں۔

AI Capex میٹرکس: جہاں ٹریڈنگ واقعی ظاہر ہوتی ہے۔

اس مقام پر دو الگ الگ لینز ہیں۔

اب آپ دونوں کو ایک ہی چارٹ میں ڈال سکتے ہیں۔

plt.figure(figsize=(12, 8))

plot_data = capex_data.dropna(
    subset=['market_recognition_signal', 'fundamental_signal', 'market_cap']
).copy()

plot_data['bubble_size'] = np.sqrt(plot_data['market_cap']) / 5000

for layer in plot_data['capex_layer'].unique():
    layer_data = plot_data[plot_data['capex_layer'] == layer]

    plt.scatter(
        layer_data['market_recognition_signal'],
        layer_data['fundamental_signal'],
        s=layer_data['bubble_size'],
        alpha=0.6,
        label=layer
    )

for _, row in plot_data.iterrows():
    if row['market_recognition_signal'] > 55 or row['fundamental_signal'] > 45:
        plt.text(row['market_recognition_signal'] + 0.8, row['fundamental_signal'] + 0.8, row['ticker'].replace('.US', ''), fontsize=10)

plt.axvline(plot_data['market_recognition_signal'].median(), linestyle="--", linewidth=1)
plt.axhline(plot_data['fundamental_signal'].median(), linestyle="--", linewidth=1)

plt.text(median_market + 2, median_fundamental + 55, 'Strong fundamentals,nmore recognized',fontsize=10)
plt.text(4, median_fundamental + 55,'Strong fundamentals,nless recognized',fontsize=10)
plt.text(median_market + 2, 4, 'High market recognition,nweaker fundamentals',fontsize=10)
plt.text(4, 4, 'Less clear in this framework', fontsize=10)

plt.title('AI Capex Matrix: Fundamentals vs Market Recognition')
plt.xlabel('Market Recognition Signal')
plt.ylabel('Fundamental Signal')
plt.legend(bbox_to_anchor=(1.05, 1), loc="upper left")
plt.tight_layout()
plt.show()

AI Capex میٹرکس: بنیادی باتیں اور مارکیٹ کی آگاہی (تصویری کریڈٹ: مصنف)

یہ مطالعہ میں سب سے مفید چارٹ ہے۔

ایک چیز واضح ہے: AI سرمایہ خرچ ایک صاف کلسٹر میں ظاہر نہیں ہوتا ہے۔

NVIDIA واضح طور پر ایک بنیادی outlier ہے۔ یہ سمجھ میں آتا ہے. اس کی نمو اور مارجن کا کائنات میں کسی بھی چیز سے موازنہ کرنا مشکل ہے۔

لیکن چارٹ کا دائیں جانب وہ جگہ ہے جہاں سے وسیع تر کہانی شروع ہوتی ہے۔ AMD, Marvell, Vertiv, Comfort Systems, Dell, Lam Research, Applied Materials, and Quanta Services مارکیٹ کی مضبوط موجودگی کا مظاہرہ کرتے ہیں۔ یہ بہت مختلف کمپنیوں کا مرکب ہے۔ کچھ چپ سے متعلق ہیں۔ کچھ آلات سے متعلق ہیں۔ کچھ فزیکل انفراسٹرکچر کے نام ہیں۔

یہ اہم ہے کیونکہ یہ ظاہر کرتا ہے کہ مارکیٹ نہ صرف سب سے نمایاں AI کمپنیوں کو انعام دے رہی ہے۔ یہ ان کمپنیوں کو بھی انعام دیتا ہے جو اپنی AI سرمایہ کاری کو حقیقی انفراسٹرکچر میں ترجمہ کرنے میں مدد کرتی ہیں۔

یہ مضمون میں بنیادی تبدیلی ہے۔ AI سرمایہ خرچ کرنے کے سودے ٹیکنالوجی کی ٹوکریوں کی بجائے تعیناتی زنجیروں کی طرح نظر آنے لگے ہیں۔

مارکیٹ میں سب سے زیادہ فائدہ مند AI انفراسٹرکچر ٹائرز کیا ہیں؟

میٹرکس کمپنی کی سطح پر مفید ہیں۔ تاہم، AI سرمایہ کاری کے لین دین کو بھی تہہ کے لحاظ سے دیکھنے کی ضرورت ہے۔

تو اگلا ہم نے کمپنیوں کو گروپ کیا۔ capex_layer حساب شدہ میڈین ریٹرن اور میڈین سگنل سکور۔

layer_performance = capex_data.groupby('capex_layer').agg(
    company_count=('ticker', 'count'),
    median_return_1y=('return_1y', 'median'),
    median_return_6m=('return_6m', 'median'),
    median_fundamental_signal=('fundamental_signal', 'median'),
    median_market_recognition=('market_recognition_signal', 'median')
).reset_index()

layer_performance = layer_performance.sort_values('median_return_1y', ascending=False)

layer_performance

پرت کی کارکردگی کا خلاصہ (مصنف کی تصویر)

پھر ہم نے بنیادی ڈھانچے کے درجے کے لحاظ سے اوسط ایک سال کی شرح منافع کی منصوبہ بندی کی۔

plt.figure(figsize=(11, 6))

plt.barh(layer_performance['capex_layer'], layer_performance['median_return_1y'] * 100)

plt.gca().invert_yaxis()

plt.title('Median 1Y Return by AI Infrastructure Layer', fontsize=14, pad=12)
plt.xlabel('Median 1Y Return (%)')
plt.ylabel('')

plt.grid(axis="x", alpha=0.25)

plt.tight_layout()
plt.show()

AI انفراسٹرکچر ٹائر کے ذریعہ اوسط ایک سال کی واپسی (تصویر بذریعہ مصنف)

اس چارٹ میں کہانی بہت کم واضح ہو جاتی ہے۔

اوسط ایک سال کی واپسی کے لحاظ سے کنسٹرکشن اینڈ انجینئرنگ پہلے نمبر پر ہے، اس کے بعد سیمی کنڈکٹر آلات، AI کمپیوٹنگ اور چپس، اور سرورز اور اسٹوریج۔ یہ وہ عام طریقہ نہیں ہے جو لوگ AI ٹریڈنگ کے بارے میں بات کرتے ہیں۔

بات یہ نہیں ہے کہ تعمیرات اور انجینئرنگ خود بخود AI سرمائے کے اخراجات کے اعلی درجے ہیں۔ چھوٹے نمونے کے سائز کی وجہ سے، نتائج کو دشاتمک کے طور پر پڑھنا چاہیے۔ لیکن یہ پھر بھی ہمیں کچھ مفید بتاتا ہے۔ مارکیٹ نہ صرف چپس یا کلاؤڈ سروسز بیچنے والی کمپنیوں کو بلکہ AI انفراسٹرکچر کے فزیکل بلڈنگ پہلوؤں کو بھی نواز رہی ہے۔

یہی بڑا نکتہ ہے۔ جیسے ہی AI سرمایہ کاری حقیقی بنیادی ڈھانچہ بن جائے گی، آلات، سرورز، برقی کام اور تعمیرات سے متعلق کمپنیوں میں سودے ظاہر ہونا شروع ہو جائیں گے۔

فزیکل انفراسٹرکچر پرت اب پوشیدہ نہیں ہے۔

یہ وہ حصہ ہے جو مجھے AI سرمایہ کاری ٹریڈنگ کے بارے میں سب سے زیادہ مفید لگتا ہے۔

ناقابل تردید AI کہانی چپس اور ہائپر اسکیلرز سے شروع ہوتی ہے۔ لیکن جب اخراجات اصل بنیادی ڈھانچہ بن جاتے ہیں، فہرست وسیع تر ہو جاتی ہے۔ AI ڈیٹا سینٹرز کو سرورز، نیٹ ورکنگ کا سامان، پاور سسٹم، کولنگ، گرڈ آپریشنز، بجلی کی تعمیر، اور جسمانی صلاحیت کی ضرورت ہوتی ہے۔

لہذا ہم نے کم واضح بنیادی ڈھانچے کی تہوں پر توجہ مرکوز کرنے کے لیے ڈیٹاسیٹ کو فلٹر کیا۔

physical_layers = ['Power and electrification', 'Cooling and industrial systems', 'Construction and engineering',
                   'Data centers', 'Servers and storage', 'Networking']

physical_infra = capex_data[capex_data['capex_layer'].isin(physical_layers)].copy()
physical_infra = physical_infra.sort_values(['market_recognition_signal', 'fundamental_signal'], ascending=False)
physical_watchlist = physical_infra[['ticker', 'company', 'capex_layer', 'revenue_growth_yoy', 'operating_margin',
                                     'return_1y', 'return_6m', 'fundamental_signal', 'market_recognition_signal']].head(12)

physical_watchlist.head(10)

فزیکل انفراسٹرکچر واچ لسٹ (تصویر بذریعہ مصنف)

Comfort Systems, Vertiv, Dell, Quanta Services, Cisco, HPE, EMCOR, Equinix, Johnson Controls اور Digital Realty سبھی جسمانی تعمیر کے مختلف حصوں میں واقع ہیں۔ کچھ سرورز سے جڑے ہوئے ہیں۔ کچھ کا تعلق بجلی اور بجلی سے ہے۔ کچھ ڈیٹا سینٹرز، کولنگ یا کنسٹرکشن سے متعلق ہیں۔

کلید سادہ ہے۔ مارکیٹ اپنی AI سرمایہ کاری کی کہانی کے حصے کے طور پر پہلے سے ہی کچھ فزیکل انفراسٹرکچر پرت کا احاطہ کر رہی ہے۔

اس کا مطلب یہ نہیں ہے کہ یہاں تمام ناموں کا معیار یا ایک جیسی طاقت ہے۔ بنیادی سگنل بہت متنوع ہیں۔ لیکن یہ جدول دکھاتا ہے کہ صرف "AI سافٹ ویئر” یا "AI chips” کے ناموں کو دیکھنے سے ہی اخراجات کے سلسلے کا ایک بڑا حصہ کیوں چھوٹ جاتا ہے۔

جو مارکیٹ پہلے ہی دیکھ چکی ہے۔

یہ حصہ اہم ہے کیونکہ تمام AI سرمائے کے اخراجات کے نام نوزائیدہ نہیں ہیں۔

سلسلہ میں کچھ کمپنیاں پہلے ہی جارحانہ انداز میں آگے بڑھ چکی ہیں۔ اس سے یہ ایک کمزور کمپنی نہیں بنتی، لیکن یہ سوال بدل دیتی ہے۔ اس وقت، سوال اب صرف یہ نہیں ہے کہ آیا کمپنی کے پاس AI انفراسٹرکچر کی نمائش ہے۔ ایک بہتر سوال یہ ہے کہ کیا مارکیٹ نے پہلے ہی اس نمائش کے زیادہ تر حصے کی قیمت لگا دی ہے۔

یہ جاننے کے لیے، ہم نے مارکیٹ کی آگاہی کی بنیاد پر کائنات کو منظم کیا۔

market_already_noticed = capex_data.sort_values('market_recognition_signal', ascending=False).head(10).copy()

market_already_noticed['return_1y'] = (market_already_noticed['return_1y'] * 100).round(2)
market_already_noticed['return_6m'] = (market_already_noticed['return_6m'] * 100).round(2)
market_already_noticed['return_3m'] = (market_already_noticed['return_3m'] * 100).round(2)
market_already_noticed['max_drawdown_1y'] = (market_already_noticed['max_drawdown_1y'] * 100).round(2)

market_already_noticed = market_already_noticed[['ticker', 'company', 'capex_layer', 'return_1y', 'return_6m', 'return_3m', 
                                                 'max_drawdown_1y', 'market_recognition_signal', 'fundamental_signal']]

market_already_noticed

ان چیزوں کی فہرست جو مارکیٹ پہلے ہی دیکھ چکی ہے (تصویر بذریعہ مصنف)

یہ فہرست ایک مفید حقیقت کی جانچ ہے۔

Comfort Systems, AMD, Marvell, Vertiv, Lam Research, Dell, Applied Materials, Quanta Services, Cisco, and Alphabet سبھی کی مارکیٹ میں مضبوط موجودگی ہے۔ مکس اہم حصہ ہے۔ ان میں چپس، سیمی کنڈکٹر آلات، سرورز، نیٹ ورکنگ، پاور، کنسٹرکشن اور ہائپر اسکیلرز شامل ہیں۔

اس کا مطلب ہے کہ AI کیپٹل خرچ کرنے کے سودے پہلے ہی قیمت کے عمل میں پھیل چکے ہیں۔ یہ صرف پس منظر میں خاموشی سے انتظار کرنا نہیں ہے۔

لیکن اس کا مطلب یہ بھی ہے کہ آپ کو "چھپے ہوئے فائدہ اٹھانے والے” کے بارے میں محتاط رہنا ہوگا۔ کچھ بنیادی ڈھانچے کے ناموں نے پہلے ہی ایک سال کا بہت بڑا منافع دیا ہے۔ تو ایک ہوشیار فالو اپ سوال یہ ہوگا:

"کون سی کمپنیاں بے نقاب ہو رہی ہیں؟”

کہ:

"اس نمائش میں سے کتنے کو مارکیٹ نے پہلے ہی پہچان لیا ہے؟”

یہ مطالعہ کیا ظاہر کرتا ہے۔

AI سہولت سرمایہ کاری کی تجارت کو سمجھنا آسان ہے اگر آپ اسے ‘AI اسٹاک’ میں سے ایک نہیں سمجھتے ہیں۔

ڈیٹا واضح طور پر تین چیزیں دکھاتا ہے۔

سب سے پہلے، واضح نام اب بھی اہم ہیں۔ NVIDIA دنیا کا سب سے صاف ڈیفالٹ آؤٹ لیئر ہے، اور اس کے چپ کے نام AI بنیادی ڈھانچے کی کہانی کے مرکز کے قریب رہتے ہیں۔

دوسرا، ٹریڈنگ پہلے ہی چپ کی سطح سے آگے بڑھ چکی ہے۔ سیمی کنڈکٹر کا سامان، سرورز، نیٹ ورکنگ، پاور، تعمیراتی نام، وغیرہ سبھی مارکیٹ بیداری کے ڈیٹا میں ظاہر ہوتے ہیں۔ یہ سمجھ میں آتا ہے. AI انفراسٹرکچر صرف ماڈل ٹریننگ سے زیادہ ہے۔ جسمانی صلاحیت، برقی نظام، کولنگ، ڈیٹا سینٹرز اور تعمیرات کی ضرورت ہے۔

تیسرا، مارکیٹ بیداری اور کاروباری طاقت ہمیشہ ایک ساتھ نہیں چلتی۔ کچھ کمپنیوں کے پاس مضبوط بنیادیں ہیں لیکن قیمت کی کارروائی خاموش ہے۔ دوسرے پہلے ہی جارحانہ انداز میں آگے بڑھ چکے ہیں، یہاں تک کہ اگر بنیادی سگنل اتنے مضبوط نہ ہوں۔ اسی لیے "AI بینیفشری” کا سادہ لیبل کافی نہیں ہے۔

نتیجہ

AI سرمایہ کاری بڑی کمپنیوں کے لیے صرف ٹیکنالوجی کی کہانی نہیں ہے۔ اخراجات کا سلسلہ۔

ایک بار جب آپ اس سلسلہ کو ٹریس کر لیتے ہیں، تو موضوع وسیع اور زیادہ دلچسپ ہو جاتا ہے۔ یہ چپس سے سیمی کنڈکٹر آلات، سرورز سے نیٹ ورکنگ، اور ڈیٹا سینٹرز سے پاور، کولنگ اور کنسٹرکشن میں منتقل ہوتا ہے۔

اس مطالعے کا مقصد بہترین AI انفراسٹرکچر انوینٹری تلاش کرنا نہیں تھا۔ خیال یہ تھا کہ ایک واضح نقشہ تیار کیا جائے جہاں پہلے سے سودے ہو رہے تھے۔

یہ نقشہ اہم ہے کیونکہ AI کہانی کا اگلا مرحلہ اس بارے میں نہیں ہو سکتا کہ کون AI کے بارے میں سب سے زیادہ بات کرتا ہے۔ یہ اس بارے میں بھی ہو سکتا ہے کہ AI کو قابل بنانے والے بنیادی ڈھانچے کے قریب ترین کون ہے۔

Related Posts

Scroll to Top