透视美国 401(k) 养老金投资策略的世纪跃迁

marsbitPublicado a 2025-08-10Actualizado a 2025-08-11

2025 年 8 月 7 日,美国总统唐纳德·特朗普签署了一项行政令,允许 401(k) 退休储蓄计划投资更多元化的资产,包括私募股权、房地产以及首次引入的加密资产。

这一政策就像字面上看到的那样,很好解读

  • 为加密市场提供「国家级别」背书,释放推动加密市场成熟的信号。
  • 养老金拓展多元化投资和回报,但引入了更高波动和风险。

在加密领域,这已经足以载入史册。

纵观 401(k) 的发展历程,其关键转折点是在大萧条时期通过养老金改革允许投资股票。尽管历史和经济背景各异,这一变化与当前引入加密资产的趋势有着诸多相似之处。

1/6 · 大萧条前的养老金体系

20 世纪初至 1920 年代,美国的养老金主要以固定收益计划(Defined Benefit Plan)为主,雇主承诺为员工提供退休后稳定的月度养老金。这种模式源于 19 世纪末的工业化进程,旨在吸引和留住劳动力。

这个阶段养老金资金的投资策略高度保守。当时的主流观念认为,养老金应追求安全性而非高收益,受「法律清单」(Legal List)法规限制,主要被限定在政府债券、优质公司债券和市政债券等低风险资产。

这种保守策略在经济繁荣期运行顺利,但也限制了潜在回报。

2/6 · 大萧条的冲击与养老金危机

1929 年 10 月的华尔街股灾标志着大萧条的开端,道琼斯指数从峰值下跌近 90%,引发全球经济崩溃。失业率飙升至 25%,无数企业破产。

虽然养老金基金当时极少投资股票,但危机仍通过间接渠道打击它们。许多雇主企业倒闭,无法履行养老金承诺,导致养老金支付中断或缩减。

这引发了公众对雇主和政府养老金管理能力的质疑,推动了联邦干预。1935 年,《社会保障法》(Social Security Act)出台,建立全国性养老金体系,但私营和公共养老金仍由地方主导。

监管者强调,养老金应避免股票等「赌博」资产。

......

转折开始:危机后经济复苏缓慢,债券收益率开始下降(部分因联邦税收扩张),这为后续变革埋下种子。此时收益率不足的情况逐渐显现,难以覆盖承诺的回报。

3/6 · 后大萧条时期的投资转向与争议

大萧条结束后,特别是二战期间和战后(1940s-1950s),养老金投资策略开始缓慢演变,从保守债券转向包括股票在内的权益资产。这一转变并非一帆风顺,而是伴随着激烈争议。

战后经济复苏,但市政债券市场停滞,收益率降至 1.2% 低点,无法满足养老金的担保回报。公共养老金面临「赤字支付」压力,纳税人负担加重。

同时,私人信托基金开始采用「谨慎人规则」(Prudent Man Rule),该规则源于 19 世纪的信托法,但 1940s 被重新诠释为只要整体「谨慎」,就允许其进行多元化投资以追求更高回报。这一规则最初适用于私人信托,但逐步开始影响公共养老金。

1950 年,纽约州率先部分采纳谨慎人规则,允许养老金投资高达 35% 的权益资产(如股票)。这标志着从「法律清单」向灵活投资的转变。其他州跟进,如北卡罗来纳州在 1957 年授权投资公司债券,并在 1961 年允许 10% 股票配置,到 1964 年增至 15%。

这一改变引发了较大争议,反对者(主要是精算师和工会)认为,股票投资重蹈 1929 年股灾覆辙,将退休资金置于市场波动风险中。媒体和政治家称其为「拿工人血汗钱赌博」,担心经济 downturn 时养老金崩盘。

为缓和争议,投资比例被严格限制(初始不超过 10-20%),并优先投资「蓝筹股」。后面的一段时间,受益于战后牛市,争议逐渐消失,证明了其回报潜力。

4/6 · 后续发展与制度化

到 1960 年,公共养老金非政府证券占比超 40%。纽约州市政债券持有率从 1955 年的 32.3% 降至 1966 年的 1.7%。这一转变减少了纳税人负担,但也使养老金更依赖市场。

1974 年《雇员退休收入保障法》(ERISA)出台,将谨慎投资者标准应用于公共养老金,尽管初期争议,股票投资最终被接受,但也暴露出一些问题,如 2008 年危机中养老金损失惨重,重燃类似辩论。

5/6 · 信号释放

当前 401(k) 引入加密资产与之前引入股票投资的争议高度相似,两者均涉及从保守投资向高风险资产的跃迁。显然加密资产目前的成熟度更低而波动性更高,这可视为一种更为激进的养老金改革,从这里也释放出一些信号。

加密资产的推广、监管、教育都将前进一个等级,以辅助人们对这类新兴资产的接纳程度、风险意识。

从市场层面来说,股票纳入养老金计划在美股的长牛态势中受益, 加密资产要复制这条路也必须走出稳定向上的市场。同时,由于 401(k) 资金相当于被锁定,

养老金买入加密资产相当于「囤币」,等于另外一个「加密资产战略储备」。

无论从哪个层面来解读,这对于 Crypto 都是巨大的利好。

以下为资料补充,专业人士可跳过

6/6 · 附 - 401(k) 的含义与具体运作机制

401(k) 是美国《国内税收法典》第 401(k) 条下的一种雇主赞助的退休储蓄计划,1978 年首次引入。它允许员工通过税前工资(或税后工资,视具体计划而定)存入个人退休账户,用于长期储蓄和投资。

401(k) 是一种「固定缴款计划」(Defined Contribution Plan),与传统的「固定收益计划」(Defined Benefit Plan)不同,其核心在于员工和雇主共同供款,投资收益或损失由员工个人承担。

6.1 供款

员工可以从每期工资中扣除一定比例作为 401(k) 供款,存入个人账户。雇主提供「匹配供款」,即根据员工供款的一定比例追加资金,匹配金额视雇主政策而定,非强制性。

6.2 投资

401(k) 不是单一基金,而是一个由员工控制的个人账户,资金可投资于雇主预设的「菜单」选项。常见包括:标普 500 指数基金、债券基金、混合配置基金等。2025 年行政令允许加入私募股权、房地产和加密资产。

员工需从菜单中选择投资组合,或接受默认选项。雇主只提供选项,不负责具体投资。

  • 收益归属:投资收益完全归员工所有,无需与雇主或他人分享。
  • 风险承担:若市场下跌,损失由员工自行承担,无兜底机制。

Lecturas Relacionadas

Tres años después: Una revisión de mis predicciones sobre ChatGPT en 2023

Tres años después: Revisando mis predicciones sobre ChatGPT en 2023 En marzo de 2023, tras el lanzamiento de ChatGPT, Wang Jianshuo hizo 20 predicciones intuitivas sobre la IA. Ahora, en mayo de 2026, un sistema con 41 agentes de IA las ha reevaluado con datos actuales. **Resultados clave:** * **Aciertos (dirección general):** La arquitectura RAG se convirtió en estándar para integrar conocimiento. La Interfaz de Usuario de Lenguaje (LUI) creó una nueva capa de interacción (ej. protocolo MCP). Surgieron redes de agentes autónomos que se comunican. China desarrolló modelos grandes útiles (ej. DeepSeek), cerrando la brecha técnica. Los LLM no tienen conciencia; el Test de Turing solo mide la apariencia. * **Errores/Matices:** La predicción de que GPT-4 tendría 100 billones de parámetros fue incorrecta (≈1.8B). Los LLM **sí** pueden hacer matemáticas complejas sin herramientas externas (ej. medallas IMO 2025). El valor no migró solo a la capa de aplicación; NVIDIA (capa de hardware) capturó gran parte. El contenido generado por IA no evade automáticamente los derechos de autor (multas multimillonarias). La IA personalizada crea, no reduce, "cámaras de eco". Los costes de entrenamiento de modelos líderes superaron con creces la estimación de 5-10 mil millones de dólares. **Lecciones aprendidas:** 1. Predecir **mecanismos y direcciones** es más fiable que dar cifras o declaraciones absolutas. 2. Se tiende a **sobreestimar la velocidad** de cambio a corto plazo y **subestimar su magnitud** a largo plazo. 3. Los promedios generales (ej. "no habrá desempleo masivo") pueden ocultar **impactos distributivos** severos (ej. en jóvenes). 4. Las afirmaciones con **matices y limitaciones** envejecen mejor. 5. Tres años no son suficientes para resolver debates fundamentales (ej. valor final, consciencia de la IA). Este ejercicio subraya la dificultad de hacer predicciones precisas en un campo en rápida evolución y la importancia de la humildad al proyectar el futuro.

marsbitHace 1 hora(s)

Tres años después: Una revisión de mis predicciones sobre ChatGPT en 2023

marsbitHace 1 hora(s)

Tres años después: Volviendo a mis juicios sobre ChatGPT en 2023

En marzo de 2023, Wang Jianshuo hizo veinte predicciones sobre ChatGPT. Tres años después, en 2026, un análisis con múltiples agentes de IA evalúa su precisión. Aciertos clave: predijo correctamente el auge de RAG como arquitectura estándar para conocimiento y reducir alucinaciones, la LUI (interfaz de lenguaje natural) como nueva capa de interacción (aunque no reemplaza a la GUI), y la aparición de redes de agentes autónomos con nuevos protocolos de direccionamiento. También acertó en que China desarrollaría modelos de IA útiles (como DeepSeek) cerrando rápidamente la brecha, y en que ChatGPT carece de consciencia real, pasando el test de Turing por mera apariencia. Otras predicciones válidas fueron que no causaría desempleo masivo (aunque afectó a jóvenes), que 2023 sería un gran año para startups de IA, y que el momento fue similar al del navegador web en 1994. Errores notables: su estimación de que GPT-4 tendría 100 billones de parámetros fue incorrecta (tuvo ~1.8 billones). Se equivocó al declarar que era "imposible" que los LLM hicieran matemáticas complejas sin herramientas, ya que luego ganaron medallas en la Olimpiada Internacional de Matemáticas. También erró al sugerir que el valor se capturaría en la capa de aplicación y no en la base, subestimando el dominio de NVIDIA (capa de hardware), y al pensar que el contenido generado por IA "evitaría" problemas de copyright, cuando han surgido multas históricas. Además, la idea de que los LLM promoverían un "consenso mundial" al promediar opiniones se volvió incorrecta, ya que ahora priorizan la personalización y pueden crear nuevas cámaras de eco. Conclusiones: Sus predicciones sobre mecanismos y direcciones fueron mayormente acertadas, pero falló en números específicos (costes, parámetros) y en subestimar la complejidad de la distribución del impacto (ej. quién gana o pierde con la IA). Tendió a ser demasiado optimista a corto plazo pero conservador sobre los límites a largo plazo. El ejercicio subraya la importancia de predecir tendencias en lugar de cifras exactas y de dejar margen para la incertidumbre.

链捕手Hace 4 hora(s)

Tres años después: Volviendo a mis juicios sobre ChatGPT en 2023

链捕手Hace 4 hora(s)

La reducción del 99% en el precio del Xiaomi MiMo no es una estrategia de marketing. Luo Fuli publica en X respondiendo a los pesimistas.

**Resumen: El descenso del 99% de Xiaomi MiMo: Una victoria de la ingeniería, no del marketing** El anuncio de Xiaomi de reducir hasta un 99% el precio de las API de su modelo MiMo-V2.5 generó escepticismo, interpretado como una guerra de precios o una maniobra desesperada. Luo Fuli, responsable de MiMo, respondió con un blog técnico detallado, demostrando que la rebaja es el resultado de seis optimizaciones de ingeniería sistemáticas, no una táctica de marketing. La clave es el descuento del 99% aplicado específicamente a la entrada de tipo "Cache Hit" (contexto histórico re-leído). Para lograrlo, el equipo implementó: 1. **Arquitectura Híbrida SWA:** 60 de las 70 capas del modelo solo atienden a los 128 tokens más recientes, reduciendo el volumen de la "memoria" del modelo (KVCache) a 1/7. 2. **Gestión de Memoria en Dos Piscinas:** Asigna memoria por separado para las capas con atención completa y las de ventana deslizante (SWA), liberando realmente la capacidad ahorrada y quintuplicando los usuarios concurrentes por GPU. 3. **Cache de Prefijos Mejorado:** Un nuevo sistema garantiza que solo se reutilicen fragmentos de contexto completos y válidos, logrando una tasa de acierto en caché del 93-95% para peticiones de usuarios frecuentes. 4. **Almacenamiento en SSD Integrado (GCache):** La caché distribuida se aloja en los discos SSD de las propias máquinas con GPU, eliminando costes adicionales de almacenamiento. 5. **Sistema de Enrutamiento Inteligente (LLM-Router):** Dirige peticiones similares a la misma máquina y prioriza las que aciertan en caché, mejorando el rendimiento y la latencia. 6. **Predicción Multi-Token (MTP):** Acelera la generación de respuestas del modelo prediciendo varios tokens a la vez, reduciendo también el coste de la parte de "salida". En conjunto, estas innovaciones redujeron el tiempo de GPU por petición en más de un orden de magnitud, haciendo posible el descuento del 99% manteniendo márgenes positivos. Luo Fuli subraya que este es un logro de ingeniería sistémica, un modelo de reducción de costes verificable que trasciende la mera competencia por precios.

marsbitHace 7 hora(s)

La reducción del 99% en el precio del Xiaomi MiMo no es una estrategia de marketing. Luo Fuli publica en X respondiendo a los pesimistas.

marsbitHace 7 hora(s)

Trading

Spot
Futuros
活动图片