DRAM ETF vs SMH:存储芯片 ETF 与半导体 ETF 有什么区别?

更新时间 2026-07-15 03:48:17
阅读时长: 4m
DRAM ETF vs SMH 是存储主题 ETF 与综合半导体 ETF 的对比,前者通过主动管理集中覆盖 HBM、DRAM、NAND、SSD 等存储公司,后者通过指数追踪覆盖美国上市的大型半导体设计、制造和设备企业。两只基金都能反映 AI 基础设施需求,但 DRAM 更直接暴露于存储价格与产能周期,SMH 则同时受到 GPU、晶圆代工、网络芯片和设备投资影响。

Roundhill Memory ETF 的基金代码为 DRAM,于 2026 年 4 月 2 日开始交易,采用主动管理,年度总费用率为 0.65%。VanEck Semiconductor ETF 的代码为 SMH,成立于 2011 年,追踪 MVIS US Listed Semiconductor 25 Index,官方费用率为 0.35%。

两者的核心区别不只是持仓名称不同,而是代表了半导体产业中的两种敞口。DRAM 聚焦数据如何被临时处理和长期保存,SMH 则覆盖从芯片设计、晶圆制造到制造设备的更完整价值链。VanEck 将 SMH 描述为覆盖 25 家最具流动性的美国上市半导体公司,范围包括设计、制造和半导体设备。

DRAM ETF vs SMH:存储芯片 ETF 与半导体 ETF 有什么区别?

DRAM ETF 是什么

DRAM ETF 是一只以全球存储芯片和数据存储公司为核心的主动管理型基金。其投资范围包括 HBM、DRAM、NAND、基于 NAND 的 SSD、NOR、HDD 及特殊和嵌入式存储,主要用于形成对 AI 内存、服务器内存和企业级存储产业的集中敞口。

根据基金文件,DRAM 正常情况下至少将 80% 的净资产及相关投资借款投入符合条件的存储公司或具有类似经济特征的金融工具。基金并不复制固定指数,而是由管理人主动筛选和调整持仓,组合换仓通常集中在季度再平衡阶段。

这种结构使 DRAM 的主题纯度较高。基金表现更容易受到 HBM 放量、DRAM 与 NAND 报价、企业级 SSD 需求以及少数大型存储厂商经营变化影响,而不会像综合半导体 ETF 那样由 GPU、晶圆代工或设备公司分散存储周期。

SMH ETF 是什么

SMH 是 VanEck 推出的指数型半导体 ETF,目标是在扣除费用前尽可能复制 MVIS US Listed Semiconductor 25 Index 的价格和收益表现。其投资范围面向美国上市的半导体公司,覆盖芯片设计、晶圆制造、存储、网络芯片和制造设备等多个环节。

与 DRAM 不同,SMH 不要求成分公司主要收入来自存储产品。只要公司属于半导体生产或设备产业,并满足指数规定的上市和流动性条件,就可能成为基金成分,因此其业务覆盖面明显更广。

SMH 仍然具有行业集中属性,但它将单一存储周期分散到更多技术环节。当存储价格疲弱时,GPU、晶圆代工、网络芯片或半导体设备公司可能形成部分缓冲;相反,存储行业表现强劲时,DRAM 通常会比 SMH 获得更直接的存储主题暴露。

持仓范围与行业集中度有什么区别

DRAM ETF 的持仓范围集中在存储公司,行业集中度通常高于 SMH。其组合核心逻辑是筛选收入或利润高度依赖 HBM、DRAM、NAND、SSD 等产品的企业,因此持仓数量和业务类型相对有限。

SMH 则覆盖半导体价值链中的多个环节。VanEck 官方将其描述为涵盖美国上市的大型半导体公司,产业跨度从设计与制造延伸到制造设备,因此并不由单一产品类别决定。

对比维度 Roundhill Memory ETF(DRAM) VanEck Semiconductor ETF(SMH)
核心主题 存储芯片与数据存储 综合半导体产业
管理方式 主动管理 指数追踪
主要产品敞口 HBM、DRAM、NAND、SSD、HDD GPU、CPU、网络芯片、代工、设备、存储
公司筛选逻辑 强调存储收入或利润占比 强调半导体行业归属、规模与流动性
行业集中度 更集中于存储生产商 覆盖多个半导体子行业
单一周期敏感度 对存储供需和价格更敏感 由多类芯片和设备周期共同驱动
再平衡方式 至少季度主动调整 按指数规则调整
官方费用率 0.65% 0.35%
成立时间 2026 年 4 月 2 日 2011 年 12 月 20 日

费用率、管理方式和成立时间均来自两家基金管理人的官方信息。

这意味着 DRAM 提供的是较窄但更纯粹的存储产业敞口,SMH 提供的是较广的半导体行业敞口。两只基金都可能集中在少数大型企业,但集中发生的原因不同:DRAM 受全球存储行业本身高度集中的结构影响,SMH 则受市值加权指数偏向大型半导体公司的影响。

存储芯片与综合半导体公司的业务结构有什么不同

存储芯片公司的核心业务是生产用于保存和传输数据的标准化产品。HBM 和 DRAM 主要负责高速内存,NAND 与 SSD 负责非易失性存储,其收入往往受到产品价格、库存、位元出货量、良率和产能利用率影响。

综合半导体公司覆盖的业务更复杂。芯片设计公司可能依赖 GPU、CPU、网络芯片或定制加速器收入;晶圆代工企业通过制造服务获得收入;设备企业则依赖晶圆厂资本开支和工艺升级,这些业务不一定与存储价格同步。

DRAM ETF 和 SMH 因此对应不同的盈利传导机制:

产业环节 主要收入来源 常见经营变量 在基金中的主要体现
HBM 与 DRAM 内存芯片销售 单价、容量、良率、客户认证 DRAM 的核心敞口
NAND 与 SSD 闪存和存储设备销售 库存、单位成本、企业需求 DRAM 的重要组成
GPU 与加速器 高性能计算芯片销售 AI 需求、产品迭代、软件生态 主要反映在 SMH
晶圆代工 芯片制造服务 产能利用率、工艺节点、客户订单 主要反映在 SMH
半导体设备 制造设备销售与服务 晶圆厂资本开支、制程升级 主要反映在 SMH
网络与定制芯片 数据中心连接及专用芯片销售 云资本开支、客户平台周期 主要反映在 SMH

DRAM 更像针对一个半导体子行业建立组合,而 SMH 则把不同半导体商业模式放入同一只基金。前者便于观察存储行业自身的盈利变化,后者更能反映整个半导体产业的综合景气度。

AI 需求如何通过不同路径影响两只 ETF

AI 需求影响 DRAM ETF 的主要路径是增加内存带宽、系统容量和长期存储需求。更多 GPU 和 AI 服务器通常需要更多 HBM 与服务器 DRAM,而更大的训练数据集、模型文件和推理记录也会增加企业级 SSD 与 NAND 容量需求。

AI 对 SMH 的影响范围更广。除存储需求外,SMH 还可能受到 AI 加速器销量、晶圆代工订单、先进封装、网络连接芯片以及半导体设备投资推动,因此其 AI 敞口覆盖计算、制造和基础设施多个层级。SMH 官方将基金定位为覆盖从设计、制造到设备的完整半导体价值链。

两条传导路径为:

  • DRAM的传导路径: AI 服务器数量增加后,HBM 与服务器 DRAM 需求通常会上升,进而影响存储产品结构、价格以及相关公司的收入和利润。

  • **SMH传导路径是:**AI 资本开支增加后,资金会同时流向 GPU、网络芯片、晶圆制造和半导体设备,并影响多类半导体公司的收入表现。

因此,两只 ETF 都可能受益于 AI 基础设施建设,但并不意味着表现同步。若 AI 支出主要流向 GPU 和先进制程,SMH 的传导范围更广;若 HBM 供应紧张、存储单价上升或服务器内存升级加快,DRAM 的敏感度通常更高。

存储价格周期与晶圆制造周期有什么区别

存储价格周期主要由标准化产品供需变化驱动。DRAM 和 NAND 厂商可能在需求旺盛时扩大资本开支,但新增产能和库存随后可能造成供应过剩,推动价格下降;当企业削减产量和投资后,供需又可能重新收紧。

晶圆制造和综合半导体周期的驱动因素更多。除终端需求外,还包括先进制程迁移、客户新品发布、晶圆厂利用率、设备交付和地缘供应链安排,因此同一时期内不同半导体子行业可能处于不同阶段。

DRAM ETF 对存储周期的反应通常更集中:

  • DRAM 与 NAND 平均售价变化会影响多只核心持仓。

  • 库存调整可能同时影响出货量和毛利率。

  • HBM 等高价值产品能够改善产品组合,但无法完全消除传统存储周期。

  • 少数厂商的减产或扩产决策可能改变全球供需。

SMH 的周期则更具组合性。存储行业下行时,GPU、晶圆代工或设备企业可能仍保持增长;但当整个半导体资本开支和终端需求同步放缓时,广泛持仓也不能完全避免行业波动。

费用、波动性与适用场景有什么不同

DRAM 的官方年度总费用率为 0.65%,高于 SMH 的 0.35%。这一差异与主动管理、全球证券和可能使用衍生工具有关,而 SMH 通过指数追踪实施组合,费用结构相对较低。

从结构上看,DRAM 可能对单一存储周期更加敏感,原因是其行业和成分集中度更高。SMH 的子行业覆盖更广,但其指数仍偏向大型半导体公司,因此也可能受到少数高权重成分和 AI 资本开支变化影响。

两只 ETF 的主要使用场景可以按研究目的区分,而不是按收益高低判断:

观察目的 DRAM ETF SMH ETF
关注 HBM 与内存升级 敞口更直接 通过部分存储持仓间接覆盖
关注 NAND 与企业级 SSD 覆盖程度较高 在整体组合中占比较低
观察综合半导体产业 覆盖不足 覆盖更完整
关注 GPU 与 AI 计算芯片 不属于核心范围 属于重要组成
关注晶圆代工与设备 基本不属于核心范围 提供相关敞口
分散单一存储周期 能力有限 相对更强
控制基金管理费用 费用率较高 费用率相对较低
需要长期历史数据 基金成立时间较短 拥有更长运行历史

“适用场景”描述的是基金所代表的产业范围,不构成针对个人的选择建议。基金价格还会受到成分股表现、汇率、流动性、买卖价差和市场情绪影响,不能仅根据主题名称判断风险。

总结

DRAM ETF 与 SMH 都提供半导体行业敞口,但聚焦范围和运行方式不同。DRAM 是主动管理的存储主题 ETF,集中投资 HBM、DRAM、NAND、SSD 等相关公司;SMH 是指数型综合半导体 ETF,覆盖芯片设计、制造、代工、设备和存储等多个环节。

DRAM 更直接反映内存价格、库存、产能和 AI 存储需求,SMH 则更全面反映 AI 计算、晶圆制造和半导体资本开支。前者主题纯度较高但行业集中度更高,后者分散范围更广但仍受大型半导体公司权重影响。

FAQ

DRAM ETF 和 SMH 最大的区别是什么?

DRAM 集中投资存储芯片公司,SMH 覆盖设计、制造、设备和存储等更完整的半导体产业链。

DRAM ETF 是否只投资 DRAM 内存公司?

不是。DRAM ETF 还覆盖 HBM、NAND、SSD、NOR、HDD 和嵌入式存储相关企业。

SMH 是否持有存储芯片公司?

SMH 可以持有存储公司,但存储只是其综合半导体组合的一部分,基金还覆盖 GPU、代工和设备企业。

哪只 ETF 与 HBM 需求联系更直接?

DRAM 与 HBM 需求的联系更集中,因为其核心投资范围直接包含 HBM 和主要存储生产商。

DRAM 与 SMH 的费用率分别是多少?

Roundhill DRAM 的官方总费用率为 0.65%,VanEck SMH 的官方费用率为 0.35%。

DRAM ETF 与 SMH 的波动来源有什么不同?

DRAM 更受存储价格、库存和产能周期影响;SMH 同时受 AI 芯片、晶圆代工和设备投资等因素影响。

作者: Carlton
免责声明
* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。
* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。

相关文章

GateClaw 与 AI Skills:Web3 AI Agent 的能力体系解析
中级

GateClaw 与 AI Skills:Web3 AI Agent 的能力体系解析

GateClaw AI Skills 是一种面向 Web3 AI Agent 的模块化能力体系,用于将市场数据分析、链上信息查询以及交易执行等功能封装为可调用的智能模块,使 AI Agent 能够在统一系统中执行自动化任务。通过 AI Skills,复杂的 Web3 操作逻辑可以被转化为标准化能力接口,从而让 AI 模型不仅能够分析信息,还可以直接执行市场相关操作。
2026-03-24 11:58:44
GateClaw 的核心功能:Web3 AI Agent 工作站能力解析
中级

GateClaw 的核心功能:Web3 AI Agent 工作站能力解析

GateClaw 是一种面向 Web3 生态设计的 AI Agent 工作站,通过整合 AI 模型、模块化 Skills 与加密交易基础设施,使智能体能够在统一环境中执行数据分析、自动化交易和链上监控等任务。与传统 AI 工具主要用于信息处理不同,GateClaw 更强调 AI Agent 的执行能力,使其能够在真实市场环境中运行自动化流程。
2026-03-24 17:51:06
一文盘点 Top 10 AI Agents
中级

一文盘点 Top 10 AI Agents

纵观市场上的诸多 AI Agents,尽管在功能上同质化现象严重,但也会在某些方面独辟蹊径,为用户带来独特体验。本文将基于市场热度、项目创新、代币市值和交易量等多个维度总结出目前市场上的 Top10 AI Agents(排名不分前后),以供用户参考。
2026-04-04 17:18:46
解读 Vana 的野心:实现数据货币化,构建由用户主导的 AI 开发生态
新手

解读 Vana 的野心:实现数据货币化,构建由用户主导的 AI 开发生态

通过将数据民主化和货币化,Vana 正试图从根本上重新定义个人私有数据的归属和价值分配,创建一个真正由用户主导,并收益的 AI 开发生态系统。本文将从 Vana 的核心技术架构、测试网生态建设、团队背景及融资等方面解读该项目,并附上用户参与 Vana 生态的交互指南。
2026-04-05 05:04:14
什么是 TAO?Bittensor 代币经济学、供应模型与激励机制详解
新手

什么是 TAO?Bittensor 代币经济学、供应模型与激励机制详解

TAO 是 Bittensor 网络的原生代币,在去中心化 AI 生态中承担激励分配、网络安全与价值捕获的核心作用。通过通胀发行、质押机制与子网激励模型,TAO 构建了一个围绕 AI 模型竞争与评估的经济系统。
2026-03-24 12:23:21
Bittensor 是如何运作的?Subnet 架构、Miner 与 Yuma 共识解析
新手

Bittensor 是如何运作的?Subnet 架构、Miner 与 Yuma 共识解析

Bittensor 是一个去中心化 AI 网络,通过 Subnet、Miner 与 Validator 构建开放的机器学习市场,并利用 Yuma 共识机制实现模型评估与 TAO 激励分配。与传统中心化 AI 平台不同,Bittensor 将模型能力转化为可定价资产。
2026-03-24 12:24:56