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。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——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，說明你想要的更多。
做投資研究的目的，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。這句話有點繞，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。
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。
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，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）：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，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。
CAPM 要表達的是：在一個有效的市場中，回報與風險成正比，你不可能在不增加風險的情況下增加回報。在 Beta 的世界裡，每一分回報都要用風險換來。想多拿，就得多扛；不想扛，就只能少拿。
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，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？
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，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的風險。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 多出來的是甚麼？
Alpha 指的是你在沒有多承擔風險的情況下，多賺到的回報。所以，「做投資研究的目的是賺錢嗎？」這個答案只對一半。
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，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，讀懂了別人忽略的風向變化，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。
研究讓你在同樣的風險下比市場走得更遠。
加槓桿只是把船駛進風浪更大的海域。
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 ：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，回報會消失，崩盤風險也會急劇上升。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。
面對一個 Alpha 不斷消失的世界，普通人還有什麼路可以走？
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：你憑什麼確信自己知道一支股票的「內在價值」是多少？Benjamin Graham（價值投資之父）承認自己不知道，於是用統計學處理這個問題。
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，而是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：不知道哪一支會漲，但如果買夠多支，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 的策略不涉及永久性資本損失這種風險，卻大幅超越了 S&P 500，他的成功靠的是整體統計優勢，不是幾支大贏家。
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。這個統計論證的份量，在於一整群獨立操作的人都靠同一套原則跑贏了，而非由單一贏家撐起結果。
Graham 的方法在他的時代理論上正確，在實踐中也產出了真實的、統計顯著的 Alpha。
那為什麼現在不行了？
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%。低 P/B 越來越不代表「被低估」，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。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。它跟占星術用同一套邏輯運作。
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。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。
問題二：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。
倖存者偏差：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，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。要問的是「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。但學會寫程式，只是量化投資最外圍的一道門檻。普通人連參賽所需的基礎設施都很難負擔。
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）：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：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，而且第一筆盈利可能要 6 到 12 個月後才會出現。這還是假設策略有效，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，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。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。
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。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。
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。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。
量化的護城河包括更聰明的公式、更快的速度、更多的數據和更低的交易成本。智力只佔其中一部分，其餘大多要靠資本堆出來。普通人試圖在這條賽道上跟機構競爭，就像騎腳踏車上高速公路：你再努力踩，也補不了交通工具的差距。
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，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。但剝掉方法論的外殼，它們成功的本源是同一件事：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，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，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」，也是同一個原因：當認知優勢消失——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，跟用哪種方法論無關。要問的問題是：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。
Peter Lynch：史上最成功的基金經理
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，講的不是怎麼選股：
「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。「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。」基金經理首先要避免做出看起來愚蠢的決定，尋找最佳投資反而排在後面。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。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。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
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 自己也反覆強調：「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？是拿鐵的味道、門市的裝潢。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，但股價最終由整片森林決定。人類大腦偏偏習慣抓住眼前最熟悉的部分，再自行補完其餘故事。
心理學家 Daniel Kahneman 花了一輩子研究人類如何作判斷。他形容人腦像一台「故事生成器」，很容易找出一套讓自己感覺良好的敘事，卻未必會繼續追問真相。當你以為自己「了解」一家公司，大腦通常會出現幾種偏誤：
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。
Lynch 所說的日常經驗和行業知識，只負責把一家公司送進研究清單。從發現到投資之間，還要經過一道嚴格的過濾程序。你要盡力找出自己可能看錯的地方，因為大腦總會主動蒐集支持原有看法的理由。
你的行業知識讓你有能力提出分析師未必看得到的假設。每個假設都需要被結構化地驗證，也要容許證據把它推翻。即使今天通過驗證，明天仍可能出現新的數據、競爭動態或管理層決策，逐步瓦解你當初的投資論點。因此，研究框架還要包括持續追蹤。
大多數人虧錢，未必源於初始假設有誤。世界變了，假設卻停留在原地，同樣足以造成損失。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。
投資研究需要持續更新。每一份新證據，都可能要求你修改甚至放棄原來的判斷。
Alpha 來源：認知不對稱
現在把整個邏輯串起來。
Alpha 是什麼？是你超越市場的回報。它「多出來」，代表市場的定價在某個地方出了錯，而你發現了這個錯誤。Alpha 的本源，是你擁有一個市場目前尚未定價的洞見，並且能結構化地論證：市場的共識在某個關鍵節點上是錯的。
Lynch 告訴我們的是：普通人獲得這種洞見的路徑，天然比機構更短。一個在半導體業工作了十年的工程師，對晶圓產能、良率、客戶排單的理解，遠遠超過任何一個坐在辦公室裡讀研究報告的分析師。一個在軟件公司做了五年的產品經理，對年度經常性收入增長背後的真實驅動力，有著教科書裡找不到的直覺。一個在零售業做了十五年的店長，對消費者行為轉變的嗅覺，比任何衛星圖像數據都靈敏。
你每天上班八小時、浸泡在行業裡十幾年——這就是 Lynch 所說的「你了解的東西」。這是你的認知資本。問題是，大多數人從來不知道自己手上握著這種東西。
而且，你不只有行業知識的優勢，還有 Lynch 指出的結構性優勢：沒有短期考核、沒有規模限制、沒有羊群壓力、可以集中持股。當你的產業知識（洞見的原材料）× 結構性自由（沒有機構的枷鎖）× 分析框架（把直覺變成可驗證的假設樹），你就擁有了今天這個時代仍然能產出 Alpha 的完整路徑。
但這三者缺一不可：
產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。
結構性自由給你執行的空間——你能持有三到四年，等待市場糾錯。
分析框架把直覺變成系統——你要結構化地驗證一個可證偽的論點，考慮所有重大因素和可能性，並持續追蹤新的證據有沒有推翻原來的假設。
前兩者，你天然就有。第三者——分析框架——就是這個系列接下來要教的事。
投資不是選美比賽，是找錯比賽。而你，比你以為的更有能力找到那個錯誤。
但找到錯誤只是開始。你的大腦會騙你以為自己找到了，其實你還未看清事實的全貌。所以你需要一套系統，嚴謹地證明你的假設是完整且正確的——然後持續監控，確保現實沒有悄悄改變。
以上內容僅為個人研究與觀點分享，不構成任何投資建議或買賣邀約。所有數據及案例均引用自公開資料，不保證絕對準確或完整。投資涉及風險，過去表現不代表未來結果，讀者應自行判斷並承擔投資決策的後果，必要時請諮詢專業財務顧問。