90s.PM.Investing 股票分析流程 - 102: 北極星

為什麼要自己做投資研究？

90s.pm.investing

Mar 24, 2026

∙ Paid

一、為什麼要做投資研究？

很多人的回答是：「賺錢啊。」

對一半。

如果目的只是「賺錢」，你根本不需要做研究。買一支追蹤 S&P 500 的 ETF，長期年化回報大約 8-10%，簡單、便宜、不費腦。你甚至不需要打開任何一份年報。事實上，根據 SPIVA 記分卡的數據，過去十五年，沒有任何一個股票類別的多數基金經理能跑贏指數——也就是說，不做研究、買指數，你已經贏了八成以上的「專業人士」。

所以如果「賺錢」就是全部答案，正確的做法反而是什麼都不做。

但你在這裡，說明你想要的不只是這個。

做投資研究的真正目的，是企圖獲得超額回報 (Beat the market) ——或者更精確地說，是企圖獲得超越市場的回報 / 風險比。

這句話很繞，但它是現代金融理論的起點。要理解它，必須先搞清楚一個字：Beta。

二、什麼是 Beta？

1964 年，經濟學家 William Sharpe 提出了一個改變金融世界的模型——CAPM（資本資產定價模型）。它的核心公式非常簡潔：

\(E(R i )=R f +β i ×(E(R m )−R f )\)

翻譯成人話：

Rf = 無風險利率（你把錢借給政府能拿到的回報，例如美國國債）
β = 你的投資對市場波動的敏感程度
E(Rm) = 市場的預期回報（例如 S&P 500 的長期回報）
E(Rm)−Rf = 市場風險溢酬（你承擔了市場波動的風險，理應比國債多拿到的回報）

Beta 就是市場給你擔波動的「薪水」。不多一分，不少一分。

β=1.0 : 你跟大盤一起漲跌。市場升 10%，你大約升 10%。
β=1.5：你比大盤波動更大。市場升 10%，你大約升 15%；市場跌 10%，你大約跌 15%。
β=0.5：你比大盤波動更小。市場升 10%，你大約升 5%。

CFA Institute 的回測數據也驗證了這一點：在 2010-2020 年間，CAPM 在 11 年中有 10 年準確預測了高 Beta 與低 Beta 投資組合的相對表現——高 Beta 組合年化回報約 15.5%，低 Beta 組合約 10.3%，差距大約 5 個百分點。blogs.cfainstitute

想多賺錢？上槓桿就行

聰明的你可能已經想到了：

如果 Beta 就是「承擔風險換取回報」，那你想要更高的回報，你只需要加大槓桿。

假設市場年化回報 10%，無風險利率 3%。根據 CAPM：

買一般大盤 ETF（β=1.0\beta = 1.0β=1.0）：預期回報 = 3% + 1.0 × 7% = 10%
用兩倍槓桿買大盤 ETF（等效 β=2.0）：預期回報 = 3% + 2.0 × 7% = 17%
用三倍槓桿（等效 β=3.0）：預期回報 = 3% + 3.0 × 7% = 24%

看起來很美對不對？但你也承擔了相應的風險。三倍槓桿意味著市場跌 10%，你跌 30%。市場跌 33%，你就歸零。

這就是 CAPM 的核心訊息：在一個有效的市場中，回報與風險是成正比的。你不可能在不增加風險的情況下增加回報。

或者換一個更直白的說法：在 Beta 的世界裡，沒有人能擊敗市場。每一分回報，都只能用風險換來。 你想多拿，就得多扛。你不想扛，就只能少拿。沒有例外。

這意味著，如果你做投資研究的目的只是「多賺錢」——加槓桿就好了，不需要研究。但槓桿只是把你推進更洶湧的水域，浪更大、翻船的機率更高。你並沒有創造任何額外的價值。

所以回到最初的問題：做投資研究的目的到底是什麼？

三、Alpha：超越市場的回報

但現實中，有小部份投資者的回報，遠高於 CAPM 預測的「應得」水平。(巴菲特合夥基金於 1957-1969 年度回報 29.5% vs 大市 7.4% , 而且回報波動率比大市本身還低 )

這個「多出來的部分」，就是 Alpha 。investopedia

經濟學家 Michael Jensen 把它寫成公式：

\(α=R i −[R f +β i ×(R m −R f )]\)

也就是：Alpha = 你的實際回報 − CAPM 說你「應得」的回報。

α>0：你賺到了超過你承擔的風險所「應得」的回報。你創造了價值。
α=0：你賺到的剛好等於你承擔風險。你只是隨波逐流。
α<0：你連你應得的都沒拿到。你在股海中翻了船。

Alpha 的本質

Alpha 不是「多賺錢」。Alpha 是「在不增加風險的情況下多賺錢」

這就是為什麼我說「做投資研究的目的是賺錢嗎？只對一半。」

你想多賺錢？加槓桿。那是 Beta。
你想在不增加風險的情況下多賺錢？那才需要研究。那是 Alpha。

用一個比喻來說：

Beta 是海洋的洋流。 每一艘在同一片海域的船，都被同一股洋流推著走。你可以選擇更洶湧的水域（承擔更高風險），洋流會更快，但代價是浪更大、翻船的機率更高。無論你是散戶的小帆船還是機構的航空母艦，洋流對所有人一視同仁。

Alpha 是航海術。 同一片海、同一股洋流、同一份天氣預報——但你看到了別人沒看到的暗礁，你讀懂了別人忽略的風向變化，你在所有人還在看羅盤的時候已經調整了航線。你比所有人更早到達，沒有撞上礁石，因為你找到了一條只有你才知道的航道。

這就是做投資研究的真正目的：不是換一片更危險的海（那是加槓桿），而是成為一個更好的航海者——在同樣的風險下，比市場走得更遠。

四、Alpha 為何越來越難？

理解了 Alpha 的定義之後，你必須知道一個事實：獲取Alpha 極難。

SPIVA 2025 年度報告顯示：79% 的美國大型股基金經理跑輸了 S&P 500，這是 25 年 SPIVA 歷史中第四差的一年。中型股有 55% 跑輸，全球型基金有 76% 跑輸。拉長到 15 年，沒有任何一個股票類別的多數基金經理能跑贏指數。Apollo 首席經濟學家 Torsten Slok 更直白地說：過去十年，80% 到 90% 的主動型基金經理跑輸了自己的基準指數——跨越所有策略 。

這些不是散戶。這些是擁有 CFA、彭博終端、公司拜訪、研究團隊、數十億美元資源的專業機構。他們中的絕大多數，連 Beta 都跑不贏——更別提產出 Alpha。

為什麼會這樣？

第一，Alpha 一旦被發現，就會自我毀滅。

學術界稱之為 Alpha Decay（阿爾法衰退）。機制很簡單：一個投資策略被發現有效，資金湧入，價格被推高，超額回報消失。McLean 和 Pontiff 在 2016 年的研究直接指出：學術論文發表後，論文中記錄的異象回報平均下降了 32% 。

更驚人的是，2025 年的研究發現：2015 年之後，這種衰退速度加快了。因子 ETF 的普及讓散戶也能輕鬆複製曾經只有機構才能操作的策略——因子投資的「民主化」反而加速了因子 Alpha 的死亡。

第二，擁擠交易把 Alpha 變成了炸彈。

當太多資金追逐同一個策略，你面對的不只是回報消失——而是崩盤風險急劇上升。研究顯示，擁擠交易與未來的崩盤風險呈正相關，而且在異象股中效果更強。2025 年連 Renaissance Technologies 都遭遇了罕見的「量化地震」，即便是世界上最聰明的對沖基金模型，也在敘事驅動的市場中失靈。

第三，市場本身正在變得更有效率。

曾經存在的異象正在消失。Greenwood 和 Sammon 的研究發現：連指數效應——股票被加入指數後價格上漲的現象——都已經消失了。市場在適應，在學習，在把每一個已知的 Alpha 來源定價掉。Andrew Lo 的「適應性市場假說」正被現實數據驗證：市場不是完美有效的，但它在變得越來越有效。

那麼，面對一個 Alpha 不斷消失的世界，普通人還有什麼路可以走？讓我們逐一檢視三條最常見的方法——然後你會發現，它們全都走不通。

五、傳統方法與量化：三條走不通的路

傳統價值投資：一個正確的原理，一套失效的方法

價值投資的核心原理非常簡單，簡單到不可能是錯的：如果一支股票的價格低於它的內在價值，買入後等價格回歸，你就賺錢。

這是一個永恆的原則。沒有人能反駁它。

但問題來了：你憑什麼確信你知道一支股票的「內在價值」是多少？

這才是真正困難的地方。而 Benjamin Graham——價值投資之父——對這個問題的回答，不是「我比別人更聰明」，而是「我承認我不知道，所以我用統計學來解決」。

Graham 的做法是這樣的： 他不試圖精確計算任何一家公司的內在價值。相反，他用一個極其保守的篩選器——淨流動資產價值（即流動資產減去所有負債）——找出那些股價低於清算價值三分之二的公司，然後一次買一大籃子這類股票。他的邏輯是：我不知道哪一支會漲，但如果我買夠多支，統計上這一籃子的平均回報會顯著跑贏大盤。

這套方法在早期確實產出了驚人的 Alpha。

Graham 最著名的門徒之一 Walter Schloss，用這套「菸蒂投資法」在 47 年間（1955-2002）實現了接近 21% 的年化毛回報率。他一輩子投資了大約 1,000 支股票，任何時候持倉大約 100 支，全是不起眼的低 P/B 深度價值股。Buffett 對他的評價是：Schloss 的策略不涉及任何真正的風險（即永久性資本損失），卻大幅超越了 S&P 500，而且他的成功不是靠幾支大贏家，而是靠整體統計優勢。

Buffett 本人在早期的合夥基金時代也用同樣的方法，年化回報率 29.5%（扣費前）。1984 年，他在哥倫比亞大學的著名演講〈葛拉漢與陶德村的超級投資者〉中，列舉了九個獨立的價值投資基金，每一個都長期大幅跑贏大盤，而且彼此之間的持股幾乎沒有重疊。這是一個強有力的統計論證：不是一個人碰巧贏了，是一整群用同一套原則但獨立操作的人都贏了。

所以，Graham 的方法在他的時代不只是理論上正確——它在實踐中產出了真實的、統計顯著的 Alpha。

那為什麼現在不行了？

兩個原因。

第一，菸蒂消失了。 Schloss 自己的職業生涯就是一部 Alpha 衰退史：1950 年代他買淨流動資產價值以下的股票；當這類股票太稀少後，他改為買帳面價值一半以下的；再後來放寬到帳面價值三分之二；最後只能買帳面價值附近的。篩選標準不斷放寬，意味著安全邊際不斷縮小。boolefund

第二，P/B 本身作為「價值」的代理變量已經失效。 2025 年發表在《Financial Analysts Journal》的研究指出了核心問題：隨著利率長期下降，企業價值中「未來經濟利潤」的佔比越來越高，而帳面價值只反映歷史資產。用 P/B 來排序股票的「便宜程度」，在 1960 年代和內在價值的排名相關性接近 80%；但到了近年，這個相關性已經跌到不足 40%。換句話說：低 P/B 越來越不代表「被低估」，它越來越只是代表「沒有未來」。tandfonline

用航海的比喻說：Graham 的篩選器曾經是一張精確的海圖，能帶你找到別人看不見的航道。但這片海已經變了——暗礁的位置不同了，洋流的方向也不同了。你還拿著六十年前的舊地圖在航行，難怪會觸礁。

價值投資的原理永遠是對的：價格低於價值就買入。但「知道價值是多少」這件事，本身並不科學。 Graham 用統計學繞過了這個問題，在資訊稀缺的年代成功了幾十年。但當菸蒂消失、篩選器被所有人複製、P/B 不再代表真實價值之後，這條捷徑就走到了盡頭。

技術分析：一門無法證偽的偽科學

如果說傳統價值投資至少有統計學作為根基，技術分析連這個都沒有。

科學哲學家 Karl Popper 提出過一個判斷標準：一個理論要具有科學性，它必須是可證偽的——它必須做出一致的、可以被實驗推翻的預測 。

技術分析不符合這個標準。

問題一：不可證偽。 當一個技術指標失效時，技術分析師的回應永遠是「在目前的市場環境下，你應該看另一個指標」。頭肩頂沒有跌？那是因為你沒有結合 RSI 看。RSI 也失效了？那是因為你忽略了成交量。永遠有下一個指標可以解釋失敗，但沒有任何一組條件可以「殺死」整套技術分析理論。一個永遠不能被推翻的理論，不是科學——它跟占星術用同一套邏輯運作。

問題二：充斥認知偏誤。

確認偏誤：你看到的「成功案例」都是你事先相信的形態碰巧成立了。你不會記得那些形態出現但沒有按劇本走的無數次。
存活者偏差：你看到的技術分析「大師」都是碰巧對了幾次的人。那些用同樣方法但虧損離場的人，你永遠不會聽到他們的故事。
事後合理化：任何一段走勢，事後都能找到一個「完美吻合」的技術形態。但這是事後敘事，不是事前預測。

問題三：沒有因果機制。 技術分析告訴你「什麼時候買賣」，但從不告訴你「為什麼」。它觀察的是價格的統計形態，但價格是結果，不是原因。你不知道股價「為什麼」會從支撐位反彈，你只知道「上次它反彈了」。這就像看到每次下雨前路上的人都撐傘，然後得出結論：「只要我撐傘，就會下雨。」

它沒有假設，沒有可證偽條件，沒有商業邏輯的支撐，也不能產出 Alpha——它只能產出一種「看起來像是方法論」的心理安慰。

有人會說：「但我用技術分析賺過錢啊。」當然。你擲硬幣連續正面十次也是會發生的。問題不是「有沒有人賺過錢」，而是「這套方法是否能系統性地、可重複地產出超額回報」。學術界對此的回答非常一致：當你控制了交易成本、樣本外測試和不同市場環境之後，技術分析策略沒有統計顯著的超額回報 。newtrading

量化投資：普通人的死路

有人說：去學量化交易不就好了？

這個想法的吸引力很直觀：既然 Alpha 來自於比市場更早發現定價錯誤，那用電腦去掃描、用算法去執行，不就是終極解法嗎？

理論上沒錯。問題是：量化投資的門檻，不是「學會寫程式」——而是你根本進不了這場比賽。

第一道門檻：基礎設施的軍備競賽

量化交易不是在家裡用筆電跑個 Python 腳本。一個最低限度的高頻交易（HFT）運營需要以下基礎設施：

數據：高頻策略需要逐筆成交級別（Level 3）的數據。單一數據供應商的費用從每月 5,000 美元起跳，最高可達每月 50,000 美元。如果你做外匯市場，至少需要接入 3-4 個主要平台，光數據費用就是每月 70,000 美元 。
主機代管（Colocation）：你的伺服器必須放在離交易所盡可能近的數據中心裡，因為光速傳輸的距離差異——200 公里外用微波需要 1,064 微秒，用光纖需要 1,594 微秒——這 530 微秒的差距就足以決定你賺錢還是虧錢。機架空間加上交叉連接費用，每月約 8,000 美元 。
軟體：交易系統的「大腦」——價格聚合器、訂單管理系統（OMS）、執行管理系統（EMS）、智能訂單路由（SOR）、風險管理系統（RMS）——所有運算必須在 5 到 30 微秒內完成。買現成方案每月 10,000-20,000 美元；自建方案則超過 100 萬美元，而且開發週期超過一年。
人力：你需要軟體工程師、量化分析師、研究員、伺服器技術支援。入門級的人力預算是每人每年 150,000 美元起 。而頂尖量化基金的薪酬遠不止於此——總薪酬（含績效分成）輕鬆達到七位數，因為你的競爭對手是從 Google、Meta 和頂尖物理系搶人的對沖基金。

把這些加起來：一個最小可行的量化交易運營，初始投入在 30 萬到 100 萬美元之間，每月營運成本數萬到數十萬美元——而且你的第一筆盈利可能要 6 到 12 個月後才會出現。這還是假設你的策略有效。如果無效，這些錢全部沉沒。

第二道門檻：容量上限

即使你有錢、有技術、有團隊，你還有一個無法突破的物理限制：量化 Alpha 的容量極其有限。

Renaissance Technologies 的 Medallion Fund 是人類歷史上最成功的對沖基金——1988 年至 2018 年間，年化毛回報率 66%，扣除 5% 管理費和 44% 績效費後，投資者淨回報仍高達年化約 39.9% 。2020 年全球崩盤，Medallion 毛回報 149%，淨回報 76% 。三十多年來從未虧損過一年。

但 Simons 做了一個大多數人不理解的決定：他把基金規模刻意限制在約 150 億美元，並且從 2003 年起退還所有外部投資者的資金 。為什麼要把錢推出去？因為 Medallion 的策略是超短期交易（持倉期 1-2 天），一旦規模超過容量上限，交易本身就會移動市場價格，Alpha 就消失了。

最諷刺的是 Renaissance 開放給外部投資者的基金。 同一家公司、同一批天才——但 Medallion 的魔法無法複製。Renaissance Institutional Equities Fund（RIEF）和 Renaissance Institutional Diversified Alpha（RIDA）的表現簡直是另一個世界：

2020 年，Medallion 淨賺 76%。同一年，RIEF 虧損 19.9%，RIDA 虧損 31.9% 。同一家公司，同一年，一個賺 76%，一個虧 32%。
資金大逃亡：RIEF 管理規模從 2020 年初的 358 億美元，萎縮到約 200 億美元以下；RIDA 和 RIDGE 更慘，從合計 293 億美元暴跌到僅剩 36 億美元，最終被迫合併。
2025 年繼續失靈：RIEF 在十月單月暴跌 14.39%，全年轉為虧損 7.5%；RIDA 十月跌 15.6%，全年虧損 10.3% 。這發生在同年股票量化對沖基金整體錄得雙位數正回報的背景下。

為什麼會這樣？因為對外基金的規模遠大於 Medallion，被迫尋找更長期的信號，而這些信號的 Alpha 遠不如短期信號——更容易被市場定價掉，也更容易在黑天鵝事件中失靈。換句話說，連 Renaissance 自己都無法把 Alpha 複製到第二支基金上 。

第三道門檻：世界上最激烈的競爭

Alpha 衰退的速度也在加快。當一個 Alpha 信號被發現，最先行動的交易者拿走大部分利潤，遲到者幾乎沒有邊際收益。2026 年的行業報告顯示，74% 的量化交易公司在高波動市場中經歷過數據基礎設施故障——即使是專業機構，基礎設施的可靠性都是一場持續的戰爭。

而學術研究揭示了一個更深層的問題：「紙面上」的因子回報和「實際可交易」的因子回報之間存在巨大鴻溝。 做空費用和交易成本就吃掉了 58% 的落差。也就是說，即使你找到了一個「有效」的量化策略，實際執行後，超過一半的理論利潤會被交易摩擦吞噬。而機構的交易成本遠低於散戶——你用同一個策略，他們賺錢，你虧錢。

量化的護城河不只是「更聰明的公式」——也需要更快的速度、更多的數據、更低的交易成本。 這些全是資本門檻，不只是智力門檻。普通人試圖在量化賽道上跟機構競爭，就像騎腳踏車上高速公路——不是你騎得不夠努力，是這條路根本不是為你設計的。

三條路都走不通。那普通人還剩什麼？

六、為什麼普通人比大機構更有優勢？

講了這麼多「不行」，到底什麼才「行」？

在回答之前，讓我們先退一步，問一個更根本的問題：價值投資和量化投資在它們的黃金時代，為什麼曾經「行」？

表面上看，這兩條路完全不同——一個讀財報，一個跑模型。但如果你剝掉方法論的外殼，它們成功的本源其實是同一件事：它們各自找到了一種方法，能系統性地、大規模地識別市場定價錯誤。

Graham 的淨流動資產篩選器，本質上是一台「錯誤定價探測機」——它不需要理解任何一家公司，只需要機械地掃描整個市場，找出那些股價低於清算價值的股票。在資訊不透明的年代，這台機器能找到大量被遺忘的、被忽略的、被錯誤定價的公司。

量化投資的 Alpha 策略和 Alpha 因子，本質上也是同一件事——它用數學和算力，在海量數據中系統性地識別出被市場錯誤定價的模式，然後在這些模式消失之前大規模套利。舉一個經典的例子：盈餘公告後漂移（Post-Earnings Announcement Drift, PEAD）。學術研究早在 1968 年就發現，當一家公司公布的盈餘大幅超出市場預期時，股價不會一步到位地反映這個好消息——它會在接下來的 60 到 90 天內持續向上「漂移」。這意味著市場對盈餘驚喜的反應太慢了，定價出了錯。量化基金把這個發現變成了一個系統性的策略：每個財報季機械地買入盈餘超預期最多的股票、賣空最差的，大規模重複操作。

一個用會計規則做篩選器，一個用統計模型做篩選器。但兩者成功的底層邏輯完全一致：在市場還沒意識到錯誤的時候，比市場更早、更準確地發現這些錯誤。

這些方法之所以後來「不行了」，也是因為同一個原因：當你的認知優勢消失——篩選器被複製、信號被套利、菸蒂被撿光——你就不再比市場知道得更多了。 Alpha 從來不屬於某種方法，它屬於認知差距本身。方法只是把認知差距變現的工具。

換句話說：Alpha 的本源，從來不是某種特定的方法論。Alpha 的本源，是投資者在某件具體的事情上，擁有比市場共識更正確的理解。

所以真正的問題不是「哪種方法能產出 Alpha」，而是：在今天這個市場裡，普通人還有可能在某件事上比市場知道得更多嗎？

答案是：可以。而且在某些維度上，普通人天然比大機構更有優勢。

要理解為什麼，讓我先介紹一個人。

Peter Lynch：史上最成功的基金經理，卻叫你別聽基金經理的話

Peter Lynch 在 1977-1990 年間管理富達麥哲倫基金，年化回報率 29.2%，將基金規模從 2,000 萬美元做到 140 億美元，是公募基金史上最輝煌的紀錄之一。

但他最著名的一句話，不是在教你怎麼選股。而是：

「我的第一條規則是：別聽專業人士的話。二十年的從業經驗讓我確信，任何一個正常人，只要用上大腦慣常使用的那 3%，選股就能跟華爾街專家一樣好，甚至更好。」

這不是雞湯。這是一個管理過上百億美元、跑贏幾乎所有同行的人，用他整個職業生涯得出的結論。

機構的三重枷鎖

Lynch 在《彼得林區選股戰略》裡，花了大量篇幅解釋為什麼基金經理天生被結構困住:

第一，激勵機制錯位。 Lynch 自己說得很直白：「成功是一回事，但失敗時『不要看起來很蠢』更重要。華爾街有一條不成文的規則：你不會因為買 IBM 虧了客戶的錢而丟掉工作。」這意味著基金經理的激勵不是「找到最好的投資」，而是「不要做出看起來愚蠢的決定」。結果就是羊群效應——所有人買同樣的大型股，因為即使虧了，至少大家一起虧。

第二，短期考核壓迫。 「勝負每三個月被審視一次，客戶和老闆都要求即時成果。基金經理通常花四分之一的工作時間在解釋自己剛剛做了什麼。」一個必須每季交差的人，不可能有耐心持有一支需要三到四年才會兌現的投資。而 Lynch 自己說過：「我賺最多錢的，是持有某支股票的第三或第四年。」

第三，規模扼殺了勇氣。 Lynch 觀察到，即使是罕見的、有勇氣的基金經理，也很難買進無名小公司。因為對一個管理幾百億的基金來說，一支小型股即使漲了十倍，對整體組合的影響也微乎其微。所以機構天然被吸向大型股——而那恰恰是被研究得最透徹、定價最有效率、Alpha 空間最小的地方。

你沒有這些枷鎖

然而，普通人天然免疫於上述所有結構性劣勢 。

你沒有客戶。 你不需要每季向任何人交差。你可以持有一支股票三年、五年，等待你的投資論點被市場驗證。
你沒有「看起來愚蠢」的壓力。 你可以買一支沒人聽過的公司，不需要在投資委員會上解釋為什麼你沒有買 Nvidia。
你沒有規模限制。 一支小型股漲十倍，對機構是噪音，對你是改變人生的回報。
你不需要分散到失去意義。 機構為了合規和風控，被迫持有幾十甚至上百支股票，直到沒有任何一支能對組合產生有意義的影響。你不需要這樣。

但自由不等於能力：大腦所編織的故事是最大的敵人

Lynch 最常被引用的一句話是「投資你了解的東西」。但這句話也是被誤解最嚴重的一句。

大多數人以為 Lynch 是在說：「你喝星巴克，所以就買星巴克的股票。」這是嚴重的誤讀。 Lynch 自己寫得很清楚：「我不建議你僅僅因為喜歡某間店就買它的股票。喜歡一個品牌是把公司放上研究清單的好理由，但不足以成為持有股票的理由。」

為什麼 Lynch 要特別加上這句免責聲明？因為人們會把「熟悉」當成「理解」。

你每天去星巴克，你覺得你「了解」星巴克。但你了解的是什麼？你了解的是拿鐵的味道、門市的裝潢 ?。那有去了解星巴克的同店銷售增長率正在放緩嗎？中國市場的擴張策略是否如預期？原材料成本的對沖策略是什麼？管理層的資本配置——回購、分紅、併購——是否明智？市場是否已經Price-in 了你的看法? 這些問題構成的，才是整片森林。

你看到的那棵樹可能是真的。但你沒看到的那片森林，才決定了股價的走向。

這不是你的錯。這是人類大腦的出廠設定。

心理學家 Daniel Kahneman 花了一輩子研究這件事。他的結論是：人腦不是一台理性的計算機——它是一台「故事生成器」。它的本能不是尋找真相，而是尋找一個讓自己感覺良好的敘事。當你「了解」一家公司的時候，你的大腦會做以下幾件事：

確認偏誤：你會不自覺地只注意支持你觀點的資訊，忽略反對的證據。你在那家公司工作了十年，你「知道」它的產品很好——但你可能從來沒有認真看過競爭對手的產品更好的可能性。
過度自信：你的行業經驗讓你覺得自己「比分析師更懂」。這可能是真的——但你的大腦會把「我在某個面向比分析師更懂」偷偷替換成「我對這支股票的所有面向都比市場更懂」。這兩句話之間，隔著一個巨大的鴻溝。
敘事謬誤：你會把零散的觀察編織成一個「完美的故事」——新產品很棒、管理層很強、行業在增長——然後把這個故事當成投資論點。

所以 Lynch 真正說的是什麼？

你的日常經驗和行業知識是「起點」，不是「終點」。 它讓你比華爾街更早發現一個值得研究的公司——但從發現到投資之間，你必須經過一道嚴格的過濾程序。這道程序的目的不是「證明你是對的」，而是盡全力證明你是錯的——因為你的大腦會拼命幫你找理由相信自己是對的，你需要一個系統來對抗這個本能。

你的行業知識給你提出假設的能力——你能看到分析師看不到的東西。但假設不是真理。假設是一個需要被結構化地驗證或推翻的命題。 而且，即使你今天驗證了假設，明天可能出現新的證據推翻它。所以你不只需要一個驗證系統，你還需要一個持續追蹤的機制——時刻監控：有沒有新的數據、新的競爭動態、新的管理層決策，正在悄悄瓦解你當初的投資論點？

大多數人虧錢不是因為他們的初始假設是錯的，而是因為世界變了，但他們的假設沒有跟著變。 他們愛上了自己的故事，拒絕接受反面證據，直到市場用虧損強迫他們面對現實。

這就是為什麼投資研究不是一次性的動作，而是一個持續的、對抗自我欺騙的過程。