樹的組合 - IBKR 虛擬交易倉，一起共建
它不是我的選股清單。它是一套會出錯、會被推翻、也因此會不斷變好的系統
Draw Tree Porfolio是一項公開投資實驗，由我們與社群共同建構。
這項實驗仍在校準。證據指數尚未完整驗證，估值方法、配置規則與自動化流程都會繼續修改。我們已經犯過不少錯，之後也一定還會犯。
所有交易均透過 IBKR 模擬帳戶執行，不涉及真實資金。文中提及的公司、目標價、持倉及交易，只用作測試研究方法，不構成任何投資建議。
請不要跟單。
如果你想參與，我們真正需要的不是照着買賣，而是檢查數據、挑戰假設、質疑估值，並指出我們可能忽略的風險。
一、大部分研究報告，在完成的一刻已經開始過期
公司會公布新業績，管理層會改變資本配置，競爭對手會推出新產品。原本合理的假設，可能隨時被新證據推翻。
還有另一件事，股價會在毫無新聞的情況下靜靜改變。
你花了幾個星期研究一家公司，得出 100 元的牛市目標。當時股價是 50 元，潛在上行是 100%。
三個月後，公司沒有任何新消息。股價卻升至 85 元。
投資命題沒有改變。
但賠率已經不同了。
原本 50 元的潛在上行，如今只剩 15 元。跌回熊市目標的空間反而擴大了。這家公司仍然可能是好公司——但已經未必是一項同樣吸引的投資。
反過來也成立。
如果股價由 50 元跌至 30 元，賠率可能改善。但如果市場已經出現新的證據，令之前的假設被證偽，信念和目標股價也要跟着下調。
傳統研究擅長回答的是：
在特定時間點，這家公司應該值多少？
但組合真正需要持續回答的問題是：
以今天的證據和今天的價格，它還值得佔用多少資本？
這正是 Draw Tree 想補上的一段路。
二、Draw Tree 有甚麼不同
Draw Tree Portfolio 同時追蹤兩條變化。
第一條來自公司：
新證據 → 信念更新 → 估值更新
第二條來自市場：
股價變動 → 牛市上行改變 → 熊市下行改變 → 賠率更新
兩條路最後在同一個地方匯合：
信念 × 現價相對牛熊目標的位置
→ 初始注碼
→ 組合比較
→ 模擬交易
即使一家公司完全沒有新消息，股價大幅變動也可能令倉位需要調整。
同樣地，即使股價沒動，一份新業績或一項管理層指引，也可能改變信念與估值，繼而改變倉位。
研究不是更新一次便完成。價格也不是等到財報日才值得檢查。
Draw Tree 與舊式研究最大的分別，不在於有沒有使用 AI，而在於研究成果能不能被執行：
我們不是要消除錯誤，而是要讓錯誤無法長期躲藏。
三、系統如何運作
整套系統分成四層。
研究層。 每家公司都有一份結構化研究檔案，記錄核心投資論點、支持證據、牛市／基準／熊市估值、反證條件，以及目前的研究判決。這些內容不只是給人閱讀，也是後續檢查和計算的輸入。
檢查層。 可量化的條件由程式直接判斷——收入、每股盈利、訂單、股份數、估值倍數是否越過門檻。難以化約為單一數字的條件——例如管理層是否改變策略、產品延遲是否已影響商業化——則由 AI 判官閱讀原始資料後評定。最後再由一道端到端一致性核對把關，確保證據、判決與組合行動互相咬合。
配置層。 研究判斷不會停留在「高、中、低信心」。系統會同時計算證據指數、牛市上行與熊市下行，再經相關性折讓、單一持倉上限與再平衡門檻，得出目標倉位。
看好一家公司，不代表它應該成為最大的持倉。信念高，但熊市下行更深，注碼仍然可能較小。完整公式與配置規則全部放在 GitHub，正文不再逐條重寫。
紀錄層。 估值更新、判斷改動和模擬組合操作全部留下版本紀錄。舊判斷不會被刪除，而是由新判斷取代並存底；組合操作寫入只增不改的公開帳本，配合 Git 歷史與 SHA-256，保留可以核對的決策軌跡。
完整流程如下：
結構化研究檔案
↓
機器檢查 ＋ AI 檢查
↓
估值與反證判決
↓
Kelly 配置引擎
↓
模擬組合
↓
Git 歷史 ＋ 公開帳本
截至目前，系統覆蓋 69 隻股票、69 份研究檔案，登記了 2,151 條反證條件，每週六全數重審；模擬組合亦已接入 Kelly 配置與再平衡流程。
不過，這套架構並不是一次過設計出來的。
它是在一次又一次真實錯誤中逐步建立的。
四、反證條件：我們如何失守
我們把全部反證條件分成三種形態。每一種都有不同的執行機制——因為每一種，我們都曾以不同的方式失守。
量化門檻
例如：
季度非 GAAP 每股盈利低於 2.00 美元。
這類條件帶有明確指標、方向與數字。財報一出，引擎便會機械比對；一旦越線，便永久鎖存，不容任何解釋。約三分之一的條件屬於這一類。
我們曾經遇過這樣的情況：一家公司的財報數字早已跌破預先登記的門檻，判決卻繼續維持「看好」超過一個月。
AI 用「這個指標其實不算數」之類的說辭把龍門移走。觸發數字其後又超出新聞更新的時間窗，系統再也引用不到。
最後我們加上三重防線：
機器鎖存：一旦越線便永久記錄，不受新聞時間窗影響。
每週整體重審：判官必須逐條交代每個條件的狀態。
硬性校驗閘：已觸發的條件之上，不得存在正面判決，除非附有公開的明文推翻理由。
時間死線
例如：
合併後六個月內未見新訂單公告。
這類條件的本質是時限：承諾的事件沒有如期發生，缺席本身就是證據。
約一成的條件屬於這一類。死線到期後，引擎會自動把狀態翻為「逾期未兌現」，注入證據流，判官必須在同一週處理。
我們曾經讓一個交叉銷售的死線靜靜過期，判決卻仍然停在正面。
原因很簡單：「沒有發生的事」不會出現在任何新聞裡。
現在它會。
定性條件
例如：
管理層公開描述需求放緩。
競爭對手獲得旗艦客戶。
這類條件無法化約為單一數字，約佔全部條件近六成。它們由 AI 判官每週對照證據評定。
我們刻意不把它們硬塞成假數字。拒絕假精確。
不過，AI 判官的權力同時受兩道限制。
第一，判決只能落在六級量尺之上。分支與根命題的滾算全屬機械，AI 碰不到分數。
第二，每條定性條件的評定，都必須引用具體證據，留檔可查。
還有一種錯：方向寫反了
審查時我們發現，超過十棵樹的「反證條件」欄，寫的竟然是驗證性的好消息。
也就是說，這些條件永遠不可能被觸發，證偽形同虛設。
我們逐條把它們改寫成帶有門檻與時限的不利事件，並立下一條修訂規則：
反證條件若要修改，原文必須保留存底，並公開註明原因。
連「修改反證條件」這個動作本身，也要可以被審計。
五、枝幹權重：鏈，還是並列？
子假說，也就是葉子，每週各自獲得判決後，還要合成分支與根命題。
這裡有一個問題：
葉子應該加權嗎？
答案是：要看分支的內部邏輯。兩種答案都可能成立。
如果葉子構成一條邏輯鏈——每一環都必須成立，斷一環便全斷——加權就是錯的。
一條鏈的強度，等於最弱的一環。因此，分支判決應取所有葉子中的最低分，不加權。任何一葉被證偽，整條分支便隨之證偽。
Amazon：一條真正的鏈
Amazon 自研晶片的「製造」分支有三塊葉子：
拿到台積電先進製程產能。
買到足夠的 HBM 記憶體。
搶到 CoWoS 封裝檔期。
造一顆晶片，三樣缺一不可。產能再充裕，沒有記憶體仍然出不了貨。
因此，這條分支的判決，永遠等於三塊葉子中最弱的一塊。
但如果葉子是並列的業務驅動——彼此獨立，也可以互相補位——取平均，或按重要性加權，才比較接近現實。
一個引擎失靈，其他引擎仍然可以推進。
Samsung：被我們錯標成鏈
Samsung 的「技術護城河」分支也有三塊葉子：
HBM4E 工程樣品如期交付客戶。
自家 2nm 製程良率爬坡。
頻寬規格維持性能溢價。
三者彼此支撐。然而，即使良率暫時落後，Samsung 仍然可以找台積電代工，樣品仍然可以交付，性能溢價也可能繼續存在。分支不應因一葉受挫而全軍覆沒。
分辨兩者，只有一條判準：
最弱一環失敗時，有沒有替代或回收路徑？
有替代——例如外包、第二供應商、互替管線——就是並列。
沒有替代，才是鏈。
這條判準，是一次內部抽查逼出來的。
當時我們批量把二十二條分支標成「鏈」，其中包括 Samsung 這一條。它最弱的一環，是「自家先進製程製造關鍵晶粒」。
隨後，我們用同一判準覆核其餘二十一條「鏈」。十四條站得住，七條改回並列。
分支之上，各分支再按重要性砝碼——遞減的費氏數列 8、5、3、2、1——加權滾算出根命題判決與證據指數。
砝碼在建樹時定案並附上理由，同樣不得靜默改動。
六、三情境估值：我們在這裡犯過最尷尬的錯
每家公司建立三個情境：
牛市：哪些條件同時成立。
基準：最合理、但不保證發生的路徑。
熊市：核心假設失效後的結果。
結構性破壞不需要第四個情境。反證條件一旦觸發，判決便轉為「已證偽」，信念歸零，倉位由公式自動壓向零。
估值方法按公司特性選擇：市盈率、EV/Revenue、EV/EBITDA、分部加總、市銷率或市賬率。
我們同時禁用現金流折現與股利折現模型。原因不是它們永遠沒有價值，而是它們很容易把幾十個假設藏進一個看似精確的數字——這正是我們想逃離的黑盒。
但規則寫得漂亮，不代表執行得乾淨。
全面審計時，我們在自己的估值檔案裡找到兩類錯。
第一類：循環錨定
好幾棵樹的「基準每股盈利」，追查來源後發現並不是任何人的預測，而是用現價除以一個假設倍數反推出來的。
表面上是：
我們估計 EPS 為 7.43 美元。
實際上，這個數字唯一的出處就是當時的股價。
目標價看似是獨立判斷，其實只是把市場價繞一個圈，再還給市場。
發現一棵樹出事後，我們清查全隊。結果好幾家公司的盈利、股份數和淨現金都中招。
由此立下兩條硬規則：
每個輸入必須追溯至已公布的財報實績或具名機構共識，嚴禁用「現價除以倍數」反推。
同一家公司必須以第二種估值方法交叉檢查，兩者的收斂誤差須在 5% 以內。
第二類：熊市錨在自己的想像
早期部分熊市目標，只是「我們覺得已經夠保守」的數字，沒有任何外部參照。
開倉前的審計，把它們逐一重錨到具名的歷史低谷倍數。
例如 Alibaba 的熊市，錨在它自己於 2024 年 12 月真實出現過的約 12 倍前瞻市盈率。
市場曾經給過這個價，就不能假裝它不可能再給。
同一次審計亦暴露了一個尚未解決的問題：同屬韓國記憶體，SK Hynix 的熊市下行是 38%，Samsung 卻只有 15%。
深度相差超過一倍，是否合理？
我們沒有假裝有答案，而是把它編號掛在公開爭議帳 OQ-1，歡迎任何人拿證據來結案。
七、系統也可以犯錯
錯誤不一定報錯。
系統可以順利完成運算，卻使用了錯誤的股份數目。
ONDS 原本被系統記錄為 2.796 億股，實際應為 6.115 億股。單是這個錯誤，已足以令每股目標價接近減半。
系統也可以使用過期的淨現金。一家公司帳上原本寫着二十億美元，實際只剩約一億四千七百萬美元。
它甚至可以用淨利潤層面的指標，去證偽一條營運利潤率的命題。數字本身沒有錯，口徑卻完全不同，判決仍然會失真。
最危險的錯誤，不是系統停止運作。
而是系統帶着錯誤，繼續運作。
所以我們定下一條原則：
問題寧可吵鬧地失敗，也不要安靜地出錯。
股份數與市值不在同一個量級，流程便中止。
口徑無法對應，判決便不能通過。
送入配置引擎的標的，若沒有出現在配置或剔除名單，整次運算便失敗。
現價若跌穿熊市目標，標的會被隔離，等待人工檢查——因為系統無法自行分辨，是資料錯了，還是市場真的開出一個比我們最壞情境更低的價格。
八、這不是一個人的樹
建立了這些規則，不代表我們已經解決投資問題。
我們仍然可能用錯數據、選錯估值對標、把熊市情境定得太淺、高估證據指數的預測能力，或者在股價大升後仍然高估剩餘賠率。
數學不會令判斷自動變得客觀。
AI 也可以用很流暢的語言，替錯誤辯護。
所以這項實驗真正要測試的，不是模型看起來有多聰明，而是：
如果每項假設都可以被檢查，每次價格變動都會重算賠率，每個錯誤都留下紀錄，而所有改變都會重新傳到倉位——這個組合能否比同一股票池的等權組合，產生更好的風險調整後回報？
我們已經預先登記測試期限、基準和證偽條件。
如果結果不支持它，我們便要承認它沒有增加價值。畫樹這套哲學也沒帶存在的必要了。
來一起建造
單一作者有盲點，單一模型也有盲點。
為了讓大家更加容易理解估值背後的邏輯和指出其中的盲點，由本週開始，每個星期六的 Slack Channel 自動更新，訊息開首第一段都會放上研究快照：這隻股票憑甚麼進入組合，又為甚麼得到這個權重。
📐 研究快照 · 🔬 校準中
🧮 組合定倉（為何是這個權重）：
證據 p 0.75 · 上行 b +99% · 下行 a 38%
→ 邊際優勢 edge +65%
↳ edge 為正 → 納入組合
折讓前權重 ∝ edge÷(a·b) ＝ 1.74
再經相關性折讓與 33% 上限，定出實際倉位
🎯 情境目標：
🐂 4,340,000（+99%）
⚖️ 2,810,740（+29%）
🐻 1,360,000（−38%）
現價：KRW 2,180,000
我們也重新整理了 /tree val 估值卡。
在相關頻道輸入這個指令，你不會只看到一個目標價，而會看到牛市、基準與熊市情境；各情境使用的財務數字、估值方法與倍數；具名對標公司；以及現價相對三個情境的位置。
📐 估值卡 · BABA · USD 112.33
🏷️ 三層估值框架
T1 純電商 P/E
JD ~8x · PDD ~9–10x
估值帶：8–12x
T2 混合平台 P/E
騰訊 ~16–17x · 美團 ~14–15x
估值帶：13–17x
T3 雲＋AI 分部加總（SOTP）
Alphabet 8.4x · Microsoft 7.3x
（NTM EV/Revenue）
📍 現價隱含 P/E ≈ 17.5x
正處於混合平台 → SOTP 過渡
🐂 Bull 175.76（+56%）
SOTP：雲 EV/Revenue 8.0x
電商 P/E 12x
折讓 −15%
⚖️ Base 102.85（−8%）
整體 P/E 16x
對標：騰訊／美團
🐻 Bear 60.89（−46%）
整體 P/E 12x
對應 2024-12 forward 低谷
你看到了覺得不合理的話，歡迎在 SLACk 頻道裡直接説出來，我會立刻處理。
我們不相信一套投資系統會因為用了更多數學、更多程式或更多 AI，就自然變得可靠。
它只有被攤在陽光下，讓人逐項檢查、反駁和找錯，才有機會變得更可靠。
所以，我們把研究方法、預先登記的實驗協議、估值紀錄、判決變動、模擬組合帳本，以及曾經犯過的錯，全部公開在 GitHub。
你可以由任何一個位置開始：核對一個數字、質疑一個估值倍數、挑戰一條反證條件，或者指出一項我們尚未看見的風險。
這棵樹還遠未完成。
把它放在陽光下，正是我們打算繼續建造它的方法。
附錄一：2026 年 7 月 13 日第一版組合預覽
以下是 7 月 12 日以生產引擎，按週五收市價，對全部 69 棵樹進行試算的結果。
正式執行時間為週一 21:45 。屆時引擎會按即市價格與最新相關性重新計算，因此最終權重可能與以下預覽有小幅出入。
這是模擬組合的預計開倉名單：
由 69 棵樹到第一批倉位
整個篩選結果如下：
69 棵樹
→ 68 隻合資格
→ 61 隻獲配置
→ 7 隻被引擎剔除
→ 首日預計實際開倉 37 隻
TSLA-OPTIMUS 與 TSLA 指向同一標的，因此依照協議剔除其中一項，留下 68 隻合資格標的。
其中 61 隻獲得正權重，7 隻被引擎剔除。
由於單筆調倉設有 1% 門檻，首日只會為目標權重達 1% 或以上的標的建立模擬倉位。因此，首日預計實際開倉 37 隻，合計約佔組合 85%。
其餘 24 隻的目標權重介乎 0.1% 至 1.0%，資金暫時保留為現金。日後權重漂移越過門檻，才會正式建倉。
附錄二：每週節奏與頻道指引
這項實驗以固定節奏運轉。每一步都有時間表，也有紀錄。
頻道分工
組合層問題——例如倉位、權重、剔除原因、相關性與實驗設計——請在 #draw-tree-portfolio 討論。中英文兩個 workspace 都已開設同名頻道。
個股層問題——例如估值、證據、反證條件及公司假設——請到對應的股票頻道提出。
你亦可以隨時輸入：
/tree val
查看該股票最新的估值卡與定倉分解。
你戳破的每一個錯誤，都會寫進公開修正帳。
我們每週六重新審判，每週一調整模擬組合。
下一版，等你一起。
謝謝，這個幫助很大，系統越做越好！