90s.PM.Investing 股票分析流程 - 103: 故事

一切由故事開始

90s.pm.investing

Mar 28, 2026

上一篇（102: 北極星），我們建立了一個核心信念：Alpha 的本源，是你擁有一個市場目前尚未定價的洞見。

但這裡有一個很多人疑惑的問題：市場共識真的會錯嗎？不是偶爾錯一兩個百分點，而是系統性地、結構性地錯？

在回答這個問題之前，先做一個測驗。以下 13 題來自 Hans Rosling 的 Factfulness，每題三選一。拿枝筆記下你的答案：

第 1 題： 過去一百年，每年因自然災害死亡的人數⋯⋯
A）翻了一倍以上　B）大致不變　C）減少了一半以上

第 2 題： 在全球低收入國家，有多少比例的女孩至少上學到 11 歲？
A）20%　B）40%　C）60%

第 3 題： 全球約 80 億人口，大部分人住在哪裡？
A）歐洲和美洲　B）亞洲和非洲　C）平均分佈

第 4 題： 今天全球 1 歲兒童中，有多少比例接種了至少一種疫苗？
A）20%　B）50%　C）80%

第 5 題： 全球有多少人有基本的電力供應？
A）20%　B）50%　C）80%

第 6 題： 在過去 20 年，全球極端貧困人口的比例⋯⋯
A）幾乎翻倍　B）大致不變　C）幾乎減半

第 7 題： 根據聯合國預測，到 2100 年世界人口將再增加 24 億，主要原因是⋯⋯
A）更多兒童（15 歲以下）　B）更多成年人（15-74 歲）　C）更多老人（75 歲以上）

第 8 題： 今天全球有 20 億兒童（0-14 歲），根據聯合國預測，2100 年會有多少？
A）40 億　B）30 億　C）20 億

第 9 題： 全球 25 歲以上男性平均受教育 8.9 年，同齡女性平均受教育多少年？
A）3 年　B）6 年　C）8 年（幾乎一樣）

第 10 題： 今天全球人均預期壽命是多少？
A）50 歲　B）60 歲　C）70 歲

第 11 題： 全球大部分人口生活在什麼收入水平的國家？
A）低收入國家　B）中等收入國家　C）高收入國家

第 12 題： 老虎、大熊貓、山地大猩猩在 1996 年被列為瀕危物種，之後⋯⋯
A）數量持續下降，更瀕危了　B）數量沒有變化　C）數量有所恢復，沒那麼瀕危了

第 13 題： 全球氣候專家認為，未來 100 年平均氣溫會⋯⋯
A）上升　B）不變　C）下降

答案：全部選 C（除了第 13 題選 A）。

如果你答對超過 4 題，恭喜，你贏過了 90% 的人類。

Hans Rosling——瑞典醫生、統計學家，用這 13 道題測試了 14 個國家的 12,000 人。受測者包括記者、諾貝爾獎得主、世界銀行經濟學家、投資銀行家。結果：10%

如果讓黑猩猩隨機選香蕉，正確率是 33%。人類的平均正確率比黑猩猩還低。

這不是無知的問題。如果只是不知道，你會隨機猜，拿到 33%。低於 33%，代表有一套系統性的錯誤認知刻在我們人類的 DNA 中。Rosling 發現了十種人類天生的思維本能——直線本能讓我們把趨勢無限延伸、恐懼本能讓我們高估風險、二分法本能讓我們只看到「好」和「壞」而忽略中間所有的灰色地帶。

Rosling 講的是人類怎麼誤判世界。但市場是由人組成的——同樣的本能也在驅動市場。

集體智慧 vs 集體慣性

事先聲明，市場大部分時間都是有效的——成千上萬個投資者每天都在尋找錯誤定價，這個行為本身不斷把價格推向合理值。

但市場有效有一個前提：參與者必須獨立思考。而獨立思考在金融業是有代價的 (尤其處於沒有先例的巨大動盪下)——跟共識一起錯，沒人怪你；獨自反對共識然後錯了，職業生涯會受質疑。

當這個不對稱的激勵遇上 Rosling 發現的那些思維本能，市場就會從「很多人獨立思考後碰巧得出相似結論」，退化成「很多人看著彼此然後得出相同結論」。前者是集體智慧，後者是集體慣性。從外面看，兩者長得一模一樣——都叫「市場共識」。但前者很難打敗，後者充滿機會。

怎麼分辨？當市場對一家公司的討論不再是關於數字的辯論，而是所有人都在重複同一個故事、同一個標籤、同一套敘事邏輯的時候——你看到的很可能不是集體智慧，而是集體慣性。

故事才是漲跌的核心驅動力

2006 年，華爾街把幾百萬份次級房貸打包成 CDO（擔保債務憑證），然後讓評級機構給了 AAA 評級——跟美國國債同級。市場的故事是：「美國房價不會全國性下跌」。這個故事有多深入人心？當時全美 GDP 大約 14 萬億美元，而基於這個故事建立的衍生品市場規模超過 60 萬億。整個金融體系的地基，建在一句從未被驗證的假設上。當房價開始下跌，故事碎了，不是某一檔股票跌 50%——是整個全球金融體系差點歸零。連雷曼兄弟這樣活了 158 年的投行，在幾天內就消失了。

2020 年 4 月 20 日，WTI 原油期貨跌到負 $37.63——人類歷史上第一次，石油的價格低於零。有人要付你錢，求你把石油拿走。市場的故事是：「世界不再需要石油了。」ESG 資金系統性流出、疫情需求崩塌——兩個力量疊加，讓市場把一個暫時的需求衝擊當成了永久的結構性衰退。18 個月後，石油需求完全恢復，油價翻了超過 100 美元。

說一個自己的故事。小弟的第一桶金就是在那個時候來的——2020 年 OXY（Occidental Petroleum）股價跌到 $10-20 的時候，大手買入正股和 long LEAPS。當時市場的故事是「石油已死」，但我的判斷是這個故事混淆了暫時和永久——全球能源需求不可能在幾年內結構性歸零，事實上石油的需求仍然在不斷增長，當時最最最大膽的預測是 2030-2035 才到峰值。這不是什麼天才洞見，只是拒絕接受市場當時講的那個故事。後來的事大家都知道了。

這兩個案例的共同點：漲跌的核心驅動力不是數字，是故事。

每一個估值的背後都是一個故事。不是先有數字再有估值——是先有故事，故事決定了你用什麼框架、什麼 Peer、什麼倍數、什麼假設，然後數字只是把故事翻譯成 Excel。如果故事錯了，數字再精確也沒用——你只是在很精確地算一個錯的東西。

那怎麼找出市場正在講什麼故事？

市場故事不像 EPS 共識一樣有一個數字可以查。它是隱含的、分散的、模糊的。但它有痕跡。但在講具體方法之前，先講一件更重要的事。

找故事不是一個純分析的過程。你不能坐在 Excel 前面，用公式算出市場在講什麼故事。故事是一種氛圍、一種情緒、一種「所有人都覺得理所當然」的空氣。你要感受它，不是計算它。

怎麼感受？浸淫。

去讀那個板塊的 Sell-side 報告，不是為了抄他們的目標價，而是感受他們的語氣——是興奮的、防守的、還是無聊的？去聽 Earnings Call，不是為了記數字，而是感受管理層回答問題時的節奏——是自信的、閃躲的、還是疲憊的？去滑 Threads , Futu 和 Reddit，不是為了找交易靈感，而是感受散戶的情緒溫度——是 FOMO、恐懼、還是冷漠？去跟同行聊，不是為了驗證你的觀點，而是感受他們提到這家公司時的第一反應——是眼睛發亮、皺眉、還是根本不想聊？

當你浸淫得夠深，你會開始「聞到」故事。你不需要有人告訴你市場在講什麼故事——你自己就是市場的一部分，你能感受到那個集體敘事的引力。

這不是玄學。你的大腦在處理大量模糊信號的時候，比你的意識快得多。很多時候你會有一種「感覺不對」但說不出哪裡不對的直覺——那個直覺，往往就是你的潛意識已經偵測到了故事和現實之間的裂縫，只是還沒翻譯成語言。

以下五個信號源，是幫你把那個模糊的直覺變成可以檢驗的具體線索。

信號一：看分析師用什麼指標估值

這是最直接的信號。分析師選擇的估值指標，本身就是對「這家公司是什麼」的一個判斷。

用 P/E 估值，代表分析師認為這是一家盈利穩定、可預測的成熟公司——重點是賺多少錢。用 EV/Revenue 估值，代表分析師認為這是一家成長期公司，盈利現在不重要——重點是長多快。用 P/B 估值，代表分析師認為這是週期股或資產股——重點是資產值多少。用 NAV 或 SOTP 估值，代表分析師認為某些部分被低估，需要拆開來看。

這些不只是「技術選擇」——它們是故事的直接表達。一個分析師決定用 P/E 還是 EV/Revenue 的那一刻，他已經在告訴你他心中這家公司的故事。

操作： 收集 3-5 份最新的賣方報告，記錄每份報告使用的主要估值方法。如果一致，市場的故事很清楚。如果分裂（有人用 P/E、有人用 EV/Revenue），市場正在敘事轉換的中途，估值框架一旦統一到新的定義上，倍數會大幅跳動。

信號二：看分析師拿誰來比

Peer Group 是另一種「定義投票」。分析師拿誰來做 comparable，就是在告訴你他把這家公司歸入哪個類別。

如果 NVIDIA 的報告裡 Peer 是博通、TI、AMD，故事是「半導體週期股」——隱含的倍數天花板是半導體行業的歷史區間。如果 Peer 開始出現 Microsoft、Google、Oracle，故事正在往「基礎設施平台」轉——隱含的倍數天花板完全不同。

Ferrari 也是同樣的邏輯。如果 Peer 是 Toyota、BMW、GM，故事是「汽車製造商」，P/E 天花板 8-15x。如果 Peer 是 Hermès、Louis Vuitton，故事是「奢侈品牌」，P/E 可以 30-50x。同一家公司，Peer 不同，估值天花板差三倍。

操作： 追蹤 Peer Group 在最近 6-12 個月是否發生變化。如果你發現某家公司的 Peer Group 正在從一個類別慢慢漂移到另一個類別，你可能正在看到一次敘事重置的早期階段。

信號三：看財報電話會分析師問什麼

這是最被低估的信號源。分析師在 Q&A 環節問的問題不是隨機的——他們在問的是模型裡最不確定的那個假設，而那個假設通常是他們心中故事裡最核心的部分。

如果分析師不斷問「AI 營收佔比是多少？AI pipeline 怎麼樣？」，市場想聽的是成長故事——他們在試圖確認 AI 不是噱頭，而是真正的增長引擎。

如果分析師不斷問「利潤率能維持嗎？費用會不會繼續擴張？」，市場擔心的是增長見頂——故事正在從「高速成長」切換到「能不能守住利潤」。

如果分析師不斷問「有沒有回購計畫？分紅會提高嗎？」，市場已經把它當 cash cow 了——故事是穩定回報，不是增長。

如果分析師不斷問「競爭格局有什麼變化？你們的 win rate 有受影響嗎？」，市場擔心護城河被侵蝕。

操作： 讀最近 2-3 次的 earnings call transcript（FinChat、Seeking Alpha 免費），不要只讀管理層的發言——重點讀 Q&A 環節，統計分析師提問的高頻主題。提問方向的轉變，往往比管理層的引導更能反映市場故事的真實走向。

信號四：看資金流和持倉結構

嘴上說的是一回事，錢放在哪裡是另一回事。

ETF 歸屬是最機械但也最有影響力的「定義投票」。這隻股票被放在科技 ETF 裡還是能源 ETF 裡？被放在成長 ETF 裡還是價值 ETF 裡？ETF 的歸類決定了被動資金的流向——當「科技股」整體被拋售時，所有被歸入科技 ETF 的股票都會被無差別賣出，不管個別公司的基本面。

機構持倉結構告訴你「什麼類型的投資者在買這個故事」。如果持倉以成長型基金為主，市場的故事是增長。如果價值型基金佔比越來越高，市場正在把它重新歸類為價值股。

資金流方向是最即時的信號。如果成長型基金在賣出而價值型基金在買入，敘事正在轉換中——但轉換可能還沒反映在估值倍數上，這就是機會。

信號五：看媒體和社群的「一句話標籤」

市場敘事最終會被壓縮成一句話的標籤。這個標籤是故事的最短版本——它簡單到可以在 X / Threads 上傳播，但強大到可以驅動整個板塊的資金流向。

「AI 賣鏟人」——平台型基礎設施的敘事，隱含的意思是不管誰贏了 AI 競賽，這家公司都收費。

「石油已死」——永久衰退的敘事，隱含的意思是這個行業的需求會結構性歸零。

「中國不可投資」——國家風險傳染的敘事，隱含的意思是不管個股基本面如何，只要在中國就有不可控風險。

「成長見頂」——生命週期進入成熟期的敘事，隱含的意思是高增長的日子結束了，該看利潤了。

「燒錢機器」——商業模式不可持續的敘事，隱含的意思是收入增長是用虧損換來的。

操作： 搜索公司名加上相關關鍵詞，看主流財經媒體和投資者社群（Threads/X、Seeking Alpha、Reddit）上最常出現的一句話描述。這個標籤就是市場敘事的濃縮版。

一致不等於正確

當五個信號源指向同一個故事時，你可以很有信心地說：這就是市場目前的敘事共識。故事已經穩定，估值框架已經確立。

但這裡有一個很多人搞錯的地方：一致不等於正確。

2006 年的 CDO 市場，五個信號全部指向同一個故事——「美國房價不會全國性下跌」。分析師用同一套指標、拿同一批 Peer、問同一類問題、資金往同一個方向流、媒體的標籤也是同一句話。共識極度一致。但故事是錯的。

這才是真正的機會所在——不是等信號分裂，而是在信號高度一致的時候，問一個別人不敢問的問題：這個故事的核心假設，真的成立嗎？

2006 年，Michael Burry 做的事是逐一翻開那些被評為 AAA 的 CDO 底層資產——幾千份按揭合約，一份一份讀。他發現裡面大量是「無收入、無工作、無資產」的借款人，利率在兩年後會自動重設跳升，而這些人根本沒有能力還款。數據就在那裡，所有人都可以看到。市場沒有看，因為大家都在重複同一個故事，沒有人想去翻底層的合約。

六種敘事錯誤形態

找到了市場正在講什麼故事之後，下一步是判斷：這個故事有可能錯在哪裡？

我歸納了六種市場常見敘事錯誤的形態，它們覆蓋了你能遇到的絕大多數情況。

第一種：身份定義錯誤

市場把公司歸入錯誤的類別，導致用了錯的 Peer Group、錯的倍數、錯的天花板。這是最常見、也是潛在回報最大的錯誤。

如果你把 Ferrari 當「汽車製造商」，Peer 是 Toyota、BMW、GM，營業利潤率預期 5-10%，P/E 天花板 8-15x。但 Ferrari 的營業利潤率超過 25%，因為它本質上不是在賣汽車——它是在賣一張排他性俱樂部的會員資格。正確的 Peer 不是 Toyota，而是 Hermès。用奢侈品框架估，P/E 可以 30-50x。

同樣的邏輯適用於 NVIDIA（半導體 vs AI 基礎設施壟斷者）、Amazon 在 2015 年（低利潤率電商 vs 雲端基礎設施平台）、Tesla 在 2016 年（汽車 vs 科技 vs 清潔能源，每個身份對應完全不同的估值）。

怎麼從五個信號源發現？信號二（Peer Group）是最直接的——如果你覺得分析師拿來比較的公司根本不對，那就是身份定義問題。信號一（估值指標分裂）也是線索——如果有些分析師用 P/E、有些用 EV/Revenue，他們對「這家公司是什麼」有根本分歧。

第二種：永久性假設錯誤

市場把暫時的狀態當成永久的結構性改變，或反過來。本質上是一種線性外推——把當下的狀態畫一條直線延伸到永遠。

2020 年的油股就是經典——也就是我在 OXY 上賺到第一桶金的那次。ESG 敘事加上疫情需求崩塌，市場定價為「石油需求永久性下降」。但這是一個暫時的需求衝擊被當成了永久的結構性改變。反方向也成立：2021 年很多高增長 SaaS 公司，市場把疫情帶來的暫時加速當成永久的結構性高增長，給了 30-50x Revenue 的估值。增速回到正常後，估值崩塌 60-80%。

怎麼從五個信號源發現？信號五（一句話標籤）是最好的線索。當媒體標籤裡出現「永遠」「再也不會」「結構性」「不可逆」這類詞的時候，你的警報應該響起。「石油已死」「利率永遠回不到零」「遠程辦公永久改變了商業地產」——每一次市場用「永遠」來描述一個狀態，都值得你停下來問：這真的是永久的嗎？

第三種：生命週期錯位

市場把公司放在了錯誤的生命週期階段。

公司在不同階段，故事和數字的權重完全不同。早期公司幾乎全靠故事驅動估值，分歧巨大。到了高速增長階段，故事和數字各佔一半。到了成熟階段，數字主導。到了衰退階段，幾乎只剩數字。

錯位有兩個方向。一是市場過早地把成長期公司當成熟公司估——用成熟期的 P/E 天花板壓住了一家還在高速增長的公司，系統性低估。二是市場過晚地把已經成熟的公司當成長公司估——用成長期的 EV/Revenue 美化了一家增速已經放緩的公司，系統性高估。

科技公司的生命週期比傳統行業壓縮得多：上升更快、成熟期更短、衰退更陡。如果你用傳統行業的節奏來估科技股，本身就在犯錯位。

怎麼從五個信號源發現？信號三（分析師提問方向）是關鍵。如果公司增速仍然在 30% 以上，但分析師已經在不斷問回購和分紅——他們把它當成熟公司了，可能太早。如果公司增速已經降到個位數，但分析師還在問「下一個增長引擎是什麼」——他們還在用成長框架，可能太晚。

第四種：敘事慣性

公司的業務結構已經發生質變，但市場的故事還停留在舊版本。

Facebook 是最好的範例。2012 年 IPO 時被質疑「無法在手機上賺錢」。接下來每一季，行動廣告營收佔比從 0% 一路漲到 62%。數字在大聲喊「故事變了」，但很多分析師在行動廣告佔比超過 50% 的時候，報告裡仍然在討論「Facebook 能不能在手機上賺錢」——一個已經被數據回答的問題。

Microsoft 2014-2016 也是一樣：Nadella 上任後全力轉向雲端，但市場仍然把它當「衰退中的 Windows 授權商」估了整整兩年，P/E 停在大約 14 倍。

為什麼會這樣？因為分析師的 coverage 分組、行業分類（GICS code）、ETF 成分股歸屬都有強大的慣性。一旦你被歸類為「社交媒體」或「軟體授權」，即使業務已經完全不同，Peer 和倍數不會自動更新。

怎麼從五個信號源發現？最有力的方法是把信號五（媒體標籤）跟公司最新的財務數據對比。如果標籤還是「燒錢機器」但公司已經連續兩季現金流轉正，那就是慣性。如果標籤還是「Windows 公司」但雲端營收已經佔 40%，那也是慣性。信號四（資金流）也有用——如果你看到成長基金在買入一家被歸類為價值股的公司，有人已經在為敘事轉換下注了。

第五種：離散事件的概率定價錯誤

市場對某個離散事件的發生概率或影響幅度定價錯誤。

人類天生不擅長估計概率——我們傾向於把小概率事件要麼完全忽略、要麼過度放大。市場對離散事件的定價經常是二元的（all or nothing），而非概率加權的。

M&A 溢價被過度定價：市場定價 95% 機率被收購，實際交易破裂，股價暴跌回基本面價值。藥企 FDA 審批：市場定價 90% 通過，實際被拒，股價腰斬。監管風險：中概股 2021 年，市場把「被強制退市」的概率從 5% 跳到 50%，整個板塊估值打五折。

怎麼從五個信號源發現？信號三（分析師提問）是最好的線索。如果所有分析師都在問同一個事件（「收購談判進展如何？」「FDA 時間表有更新嗎？」），而且問法暗示他們已經把結果當成確定的，市場很可能在用二元定價而非概率加權。信號一（估值指標）也有用——如果股價明顯高於基本面估值，差額部分就是市場對事件的隱含概率定價。

第六種：宏觀敘事傳染

一個宏觀層面的故事感染了個別公司的估值，不管這家公司的基本面是否真的受影響。

宏觀敘事像病毒一樣傳播——它通過 ETF 資金流、指數權重、被動投資的機制，不分青紅皂白地改變所有被歸入該類別的公司估值。

「石油已死」（2019-2020）：所有油氣股被系統性拋售，不管個別公司的資產品質、現金流、債務水平。「中國不可投資」（2021-2022）：整個中概板塊估值從 30 倍 P/E 壓到 10 倍，包括基本面完全健康的公司。「AI 改變一切」（2023-2025）：任何跟 AI 沾邊的公司都享受倍數膨脹，不管 AI 營收是 50% 還是 0.5%。

問題出在哪？市場懶得對每家公司逐一判斷它到底被宏觀變數影響多大。它直接用宏觀敘事覆蓋所有個股——這就創造了巨大的個股層面的錯誤定價。

怎麼從五個信號源發現？信號四（ETF 歸屬和資金流）是最直接的。如果你看到某隻股票的股價走勢跟它所在 ETF 的走勢高度相關，但跟自己的基本面走勢低度相關，宏觀敘事正在壓過個股基本面。信號五（一句話標籤）也有用——如果標籤是板塊級別的敘事（「中國不可投資」「石油已死」），而非關於個別公司的判斷，你正在看宏觀傳染。

六種形態，同一個底層結構

這六種形態看似不同，但共享同一個底層結構：市場講了一個故事，故事決定了估值框架，如果故事是錯的，估值就會系統性偏離。

【下篇預告】

「如果市場上所有人都相信同一個故事，那這個故事本身就是最大的風險。

下一篇，我會教你一個方法——用你自己的行業知識和直覺，對市場提出一個完全相反的假設。

而當這個假設被證實的時候，回報可以是兩倍，甚至十倍。

但這個方法有一個你意想不到的核心：你首先要不斷嘗試證明自己是錯的。」

市場故事偵測AI Agent — 即插即用

你是市場敘事分析專家。你的唯一工作是：1. 找出市場對這家公司正在講什麼故事。2. 提出一個有根據的假設：市場的故事可能在哪裡錯了。你不做深度基本面分析、不給買賣建議、不寫完整研報。核心信念：市場定價故事，不是數字。估值倍數的跳動，往往不是因為數字變了，而是因為故事變了。

輸入：用戶提供一個 ticker 或公司名稱。

工作流程分三步。

第一步是五信號掃描，逐一執行，資料不足須標註。信號1：估值方法普查。收集3-5份最新賣方報告，統計主要估值方法。P/E代表成熟公司，EV/Revenue代表成長期，EV/EBITDA代表現金流驅動，P/B代表週期或資產股，NAV/SOTP代表拆分價值，DCF代表長久期成長。分析師一致代表敘事穩定，分裂代表敘事轉換中途，記錄分裂比例與方向。信號2：Peer Group映射。提取各報告可比公司，歸類行業框架。追蹤6-12個月Peer Drift，Peer從一個類別漂移到另一個代表身份重定義進行中，計算各類別典型倍數區間。信號3：財報Q&A主題分析。讀最近2-3次earnings call Q&A，歸類提問主題為成長驗證、利潤率擔憂、資本回報、競爭威脅、監管事件、戰略轉向。比較近3次call的主題趨勢。信號4：資金流與持倉結構。分析ETF歸屬，機構持倉成長型vs價值型比例及近期漂移，資金流方向。信號5：媒體一句話標籤。搜索最高頻一句話描述，解碼隱含假設，檢查是否含永久性語言如「永遠/結構性/不可逆」，區分公司專屬標籤vs板塊級標籤，對比標籤與最新財報。

第二步是矛盾檢測。掃描信號對，找出任何矛盾。例如估值用成長指標但Q&A全問回購，或標籤是「燒錢機器」但FCF已轉正。矛盾代表敘事轉換中途，是最大機會窗口。

第三步是錯誤假設生成。基於矛盾，從以下六種類型中選出最可能的一種，形成假設。身份定義錯誤：市場把它歸入A類，其實更接近B類，倍數天花板完全不同。永久性假設錯誤：市場把暫時狀態當永久，或反過來。生命週期錯位：市場認為它在X階段，實際在Y階段。敘事慣性：業務已質變，但市場故事停在舊版本。離散事件錯定：市場對某事件的概率定價過高或過低。宏觀敘事傳染：板塊級敘事無差別壓制個股，但個股基本面未必受影響。

完成分析後，最後必須輸出以下區塊，格式固定：

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

【公司】名稱 | Ticker | 日期

【市場目前的故事】
2-3句話。市場認為這家公司是什麼？它處於什麼階段？市場在用什麼框架估值？

【市場可能錯在哪裡】
錯誤類型：從六種中選一
假設：一句話陳述假設，格式為「市場假設X，但實際上Y，若Y成立，估值框架應從A切換到B」


━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

行為規則：不給買賣建議，不做深度基本面，不寫完整研報。資料不足須標註，不得編造信號。優先報告矛盾，矛盾比一致更有價值。輸出語言為繁體中文。