算力正在金融化，GPU 小时可能成为新的可交易“类电力”资产

概览

报告讨论 AI 资本开支周期下 GPU 算力市场的金融化趋势。现货算力市场提供即时 GPU 容量租赁，衍生品则让买方锁定训练和推理成本，让卖方提前销售未来容量，并让贷款方对冲 GPU 建设融资敞口。作者认为，算力市场正在复制成熟大宗商品市场的关键层级：交易所、参考指数、流动性参与者、现金结算与实物交割基础设施。

核心观点

核心观点是，算力并非传统意义上的可储存商品，但这并不阻止其形成金融市场。与电力类似，未使用的 GPU 小时会永久消失，远期价格更多反映未来稀缺预期而非库存持有成本。算力市场能否发展，关键取决于两个因素：一是基准指数能否把异质化的 GPU 租赁价格转化为可交易参考价格；二是交易所和分销网络能否把自然买方、自然卖方、贷款方、做市商和套利者带入同一市场。

分析框架

报告采用大宗商品市场类比框架分析算力金融化，先检验算力是否具备商品化条件，再拆解指数构建、产品形态、现金与实物结算机制，并列举 Silicon Data、Ornn、Kalshi、CME、ICE、Architect 和 ComputeDesk 等参与者的不同路径。

方法论与常识提炼

• 资产类别类比电力市场类比

  不可储存资产的远期市场

  算力与电力类似，无法储存且交付质量受地点、硬件和服务条款影响；因此远期曲线主要表达未来稀缺预期，而不是库存成本。

• 市场结构分析交易所-指数-流动性-结算框架

  算力资本市场分层

  报告将算力金融化拆成交易撮合、参考指数、参与者流动性和结算方式四个层级，判断市场是否具备可扩展交易基础。

• 基准构建数据采集、标准化、指数、远期曲线

  GPU 小时参考价格

  指数提供方需要定义标准 GPU 单位，并对不同硬件、地区、租赁期限、供应商和服务质量差异进行标准化，才能形成市场可交易的参考价格。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• GPU compute capacity

  底层实物资产

  优势

  AI 训练和推理需求带来天然买方，GPU 供给和代际变化带来价格波动，对冲需求真实存在。

  劣势

  算力高度异质，受芯片型号、地点、网络、SLA、租期和供应商质量影响，完全可替代性有限。

  对比

  最接近电力而非石油；两者都难以储存，远期价格主要反映稀缺预期。

  风险

  基准价格不透明、供给快速扩张、硬件折旧和技术换代可能导致价格曲线大幅变化。

• Index-settled compute futures

  现金结算对冲工具

  优势

  易清算、易保证金管理、可扩展，适合金融参与者和不需要实际 GPU 交付的对冲需求。

  劣势

  高度依赖底层指数代表性；若现货市场仍以私下谈判为主，指数可能难以充分反映真实成交。

  对比

  类似现金结算股指或商品衍生品，以参考指数而非实物交割完成结算。

  风险

  监管审批、指数可信度、初期流动性不足和基差风险。

• Compute perpetual futures

  连续期限价格敞口工具

  优势

  无到期日，通过资金费率追踪现货指数，适合对单一到期日不敏感的买方或卖方。

  劣势

  早期流动性可能主要来自投机资金，且部分离岸结构不在 CFTC 监管范围内。

  对比

  结构借鉴加密资产永续合约。

  风险

  资金费率波动、离岸监管风险和价格偏离指数风险。

• Compute event contracts

  概率型远期价格表达工具

  优势

  可把市场对未来 GPU 租赁价格的观点转化为隐含概率，并辅助形成远期曲线。

  劣势

  合约为二元支付，风险敞口不等同于传统连续价格对冲。

  对比

  类似预测市场事件合约，而非标准期货。

  风险

  事件定义、流动性深度和监管约束会影响价格信号质量。

• ComputeConnect / exchange-for-physical

  金融头寸与真实 GPU 容量交付之间的转换机制

  优势

  为需要实际芯片或算力的参与者提供物理交割路径，有助于锚定期货与现货价格。

  劣势

  需要双边协商等级、时间、地点和配置，扩展难度高于现金结算。

  对比

  类似大宗商品市场中的 exchange-for-physical 机制。

  风险

  交付网络覆盖、合同标准化、容量可用性和履约风险。

关键数据

• Silicon Data 数据覆盖约 150K 条每日验证价格记录，覆盖 50 个地区/国家和 50-100 个平台用于构建 GPU 租赁价格指数，并对租赁结构、供应商、位置和硬件配置进行标准化。
• 待推出的监管期货CME 和 ICE 计划在 2026 年末推出受监管 GPU 算力期货，仍需 CFTC 审查报告强调重要性不只在单个期货合约，而在围绕合约形成的市场结构。
• 事件合约示例例如 NVIDIA B200 到 2026 年底价格是否高于 $7Kalshi/Polymarket 类型事件合约可通过交易价格隐含未来 GPU 租赁价格概率分布。
• 实物交割示例H100 期货多头可按 $2.3/GPU 小时通过 ComputeConnect 协商转换为真实容量实物交割可把金融头寸与真实 GPU 交付连接起来，但需要复杂的等级、时间和地点协商。
• 主要跟踪指标现货算力价格曲线、远期算力价格曲线、token 成本曲线报告认为这些指标仍处早期，依赖有限且异质化的算力定价数据。

影响与含义

如果算力资本市场成熟，AI 实验室和企业可以更稳定地管理训练与推理成本，neocloud 和云运营商可以提前锁定未来容量销售，GPU 融资方可以对冲抵押品价值风险。对投资者而言，算力价格曲线、GPU 租赁指数和 token 成本指数可能成为观察 AI 资本开支、供需紧张度和硬件折旧压力的新信号。

风险

• 算力现货市场仍碎片化，私下谈判交易较多，透明价格和可验证成交数据不足。
• 不同 GPU 型号、地区、网络、SLA、租期和服务质量使算力标准化难度较高。
• CME、ICE 等监管期货仍需 CFTC 审查，产品推出时间和规则存在不确定性。
• 早期产品流动性仍处萌芽阶段，可能由投机流主导，未必能马上满足大规模产业对冲需求。
• 若未来 GPU 供给大幅释放或硬件快速折旧，远期曲线和对冲需求可能明显变化。
• 现金结算产品依赖基准指数，若指数代表性不足，可能产生较大基差风险。

后续跟踪

• CME 和 ICE 的 GPU 算力期货是否按计划在 2026 年末推出并获得监管通过。
• Silicon Data、Ornn、ComputeDesk 等指数和数据平台能否扩大覆盖范围并提升价格透明度。
• Kalshi 事件合约和远期曲线的成交深度、隐含概率变化和 GPU 型号覆盖。
• Architect AX 永续合约与 ComputeConnect 实物交割网络的实际流动性和履约能力。
• H100、B200、A100 等 GPU 租赁价格的现货曲线、远期曲线和不同供应商价差。
• LLM Token Expenditure Index 等 token 成本指标是否成为衡量 AI 推理成本的新基准。