年初至今SaaS公司收入预期提升。
SaaS公司整体营收表现平稳，预期有所提振。对比2024年初及当前时点对SaaS企业2024年全年收入的一致预期，大多数公司本年度收入一致预期相对年初有所上调（占比约60%），营收一致预期中值变化为提高0.2%。 公司股价与业绩预期变化正相关。大部分市值表现较好的公司集中在左侧部分，即公司2024年营收一致预期有所上调，而右侧部分公司股价表现相对较弱。总体来看，公司股价表现与其营收表现呈现较强关联性，偏离中位线较多的公司往往与股价表现的方向一致。
进入2024年后，美国稳定的宏观经济环境为企业提供了信心。随着新一轮降息周期开启、选举后的政治环境维持稳定以及生成式人工智能进入实际应用阶段，企业投资开始逐步转向软件领域，从而加速数字化转型推进以优化其业务流程和服务质量。 据Morgan Stanley数据，截至24Q3，约有31%的企业已提高了本年度在软件领域预算，为预算提升占比最高的领域，约有23%的企业缩减了在软件领域的预算，软件领域整体投资意向提升。硬件方面，约有16%的企业提高了本年度在硬件领域投资的预算，而本年度硬件投资预算缩小的企业占比达35%，全球IT投入开始向软件领域迁移，这一趋势或将在2025年延续。
回顾SaaS板块三季度业绩，整体收入情况迅速回暖。所有公司收入端增速均达到一致预期，其中收入增速中位数超出一致预期幅度达2.4%，在过去两年当中，达到一致预期公司占比平均为90%，中位数超出幅度平均为1.5%。说明SaaS板块在三季度表现有着明显回暖，收入增速、超预期幅度均为近两年当中最佳表现。四季度指引方面，公司延续三季度积极预期，四季度约有71%的公司指引超出一直预期，超出幅度中位数为0.3%，过去两年当中，四季度业绩指引超预期公司占比平均约为50%，超出幅度中位数约为0。本季度业绩展望为2022年来最好季度，同时SaaS公司对于未来收入增速的预期明显提振。
从本季度新增净年度经常性收入（Net New ARR）的角度来看，24Q3行业整体ARR同比环比均大幅提升。24Q3，行业整体ARR新增22.2亿美元，同比增长30.74%，环比接近翻倍。目前，美股SaaS板块延续估值提升趋势，主要基于以下原因：1）宏观经济环境趋于稳定，企业恢复数字转型方面投入，或将继续推动SaaS公司收入增速提升；2）受24Q3美国市场AI应用收入集体放量驱动，市场重塑对AI软件的价值评估，目前AI导入尚处于早期，预期AI相关的收入将在明年进一步反映在软件公司中，为板块业绩增长带来全新动力；3）市场普遍预期利率将继续下探，当前国债收益率对风险资产估值的压制或将缓解，以SaaS公司为首的高增长公司估值将继续提升。
SaaS企业全面切入AI
目前传统SaaS企业开始全面切入AI，各场景AI应用蓬勃发展，随着下游企业客户需求回暖，SaaS企业有望迎来AI应用爆发。
AI应用基座：API调用价格下降，模型交互方式拓展
大模型API调用价格下降：根据OpenAI和谷歌官网API调用价格数据，24年10月双方主力模型API调用价格均出现大幅下降，其中GPT-4o输入API调用价格为2.5美元/百万Tokens（下降50%），输出API调用价格为10美元/百万Tokens（下降33%）；谷歌Gemini1.5 Pro输入API调用价格为2.5美元/百万Tokens（下降64%，超过128k），Gemini 1.5 Pro输出API调用价格为10美元/百万Tokens（下降52%，超过128k），大模型API调用价格下降利好AI应用厂商成本下降，进而传导至终端AI应用消费者费用的下降。
模型交互方式拓展：随着模型多模态能力持续提升，人与模型的交互方式不再局限于文本交互，用户可实现通过上传图片或视频来询问内容相关问题、通过语音指令与模型进行交流等能力，极大的扩展了AI使用的场景，AI从单一任务执行者逐步向智能体进化。OpenAI：目前已将ChatGPT深度整合至Apple Intelligence中，支持通过Siri调用ChatGPT来实现语音交互，可通过相机调用视觉智能分析信息、调用写作助手对现有文档档进行分析、总结，还可以基于文档直接生成图像，并可通过最新版搜索功能调用地图等应用程序，实现从搜索商店到直接导航的无缝体验。在Mac中，用户可调用ChatGPT与正在使用的应用协同，实现代码编写、写作协同等功能，并支持语音交互；增强版高级语音模式支持实时视频通话、屏幕共享等功能，用户可将屏幕内容分享给ChatGPT，以获取ChatGPT提供的技术支持或协助处理屏幕内容。谷歌：基于Gemini2.0对Project Astra进行了更新，可在手机、眼镜等多种端侧设备使用，支持语音、视频等多种交互方式，并可直接调用谷歌搜索、谷歌地图等应用程序。
AI应用基座：微调方式迭代，行业模型落地加速
通用大模型基于公开文献和网络信息训练，缺乏专业知识和行业数据的积累，在行业针对性和精准度方面存在不足，阻碍在垂类行业领域应用的进程。此时需要使用行业数据对大模型进行调优，从而构建行业专家模型，以提高模型在具体使用场景中的表现。目前，随着模型在垂类行业应用的需求不断提升，模型的微调技术正在经历从传统的监督微调向强化微调和偏好微调等方向发展。
强化微调（RFT）：不同于监督微调让模型模仿它在输入文本或图像中找到的特征，强化微调不仅会教模型模仿其输入，更是会让其学会在特定领域以新的方式进行推理。当模型发现问题时，要为它提供思考问题的空间，然后再对模型给出的响应进行打分。之后，利用强化学习，可以强化模型得到正确答案的思维方式并抑制导向错误答案的思维方式。强化微调允许开发者仅通过数十个高质量任务的数据集来实现领域专家模型的定制，较之前需要大量数据的微调方法有了极大提高，为领域垂直模型开辟了极大的空间。
偏好微调（PFT）：偏好微调允许开发者通过提供成对的响应来训练模型，其中一个响应比另一个响应更受欢迎，模型可自行学习，并减少不受欢迎的输出结果。与监督微调（提供确切的输入和输出）不同，偏好微调侧重于优化模型以捕获用户偏好中的细微差别。通过微调，开发者可以利用自己的数据集对模型进行训练，从而提高模型在特定场景下的性能和准确性。偏好微调使模型在金融等专业领域能够更准确的响应，达到远超监督微调的效果。
