2026/08/21
333
投資的本質是預測：但我們其實很少學過怎麼預測
在 sell-side 做網路與軟體股研究快十年，大概到第五年才意識到一件事：我們花很多時間學怎麼分析，卻幾乎沒正式學過怎麼預測。這兩件事聽起來很像，其實差很多。
以前在 K 券商當產業分析師，工作內容是預測用戶數、ARPU、take rate、未來幾年的營收成長跟 operating margin，然後把這些數字放進模型算出 EPS，再判斷市場該給 20 倍、30 倍還是 50 倍本益比。法人圈的訓練會讓人愈來愈擅長這套流程。但我很少問自己一個問題：
當我在模型裡打上「未來五年營收 CAGR 30%」，這個 30% 到底是從哪來的？
最近看到一個例子。OpenAI 2024 年營收約 37 億美元，公司預測 2029 年做到 1,450 億美元，換算下來五年 CAGR 超過 100%。
如果是幾年前的我，大概會很自然地開始拆 TAM：生成式 AI 市場多大、ChatGPT 用戶還能成長多少、付費滲透率、enterprise adoption、API 跟 agent 能貢獻多少營收，然後打開 Excel 建模型。
Michael Mauboussin 的做法完全不一樣。他先去翻歷史：找出所有營收落在 20–50 億美元區間的公司，看它們接下來五年的營收成長率通常長什麼樣子。樣本涵蓋 1950 到 2024 年，18,897 個公司期間觀察值。 結論是，這裡面沒有一家公司達到過 OpenAI forecast 所隱含的成長速度。
這不能證明 OpenAI 做不到，但它換掉了要回答的問題。原本問的是「OpenAI 能不能做到 1,450 億美元」，現在變成「OpenAI 必須在哪些地方真的跟過去所有公司都不一樣，才做得到 1,450 億美元」。
分析師的工作不該只是證明一個 forecast 有可能發生。如果這個 forecast 落在歷史分布很極端、甚至從未出現過的位置，至少要先知道自己押的是多罕見的結果，再拿出足以支持自己偏離 base rate 的證據。 這就是 forecasting literature 講的 outside view：
在說「這次不一樣」之前，先看看以前通常發生什麼。
這件事對成長股研究特別困難。分析師的日常就是累積 company-specific information：訪談管理層、參加法說、追競爭者、研究產品 roadmap。研究做得愈深，眼前這家公司就顯得愈特殊。有時候它確實特殊，但市場上每一家最後失敗的成長股，在某個時間點看起來也都很特殊。
最近在準備 Hahow 的課程， 加上讀到 Verdad 那篇談 evidence-based forecasting 的文章，重新翻了一些 Philip Tetlock、Mauboussin 跟 forecasting science 的研究，然後回頭想：
過去十年我做過那麼多 financial forecast，有多少真的是在預測，又有多少只是把一個聽起來合理的故事填進 Excel。
整理成一篇文章，裡面談到幾件事：做了近十年模型之後，為什麼我反而愈來愈不信任模型呈現出來的精確；如果覺得市場錯了，為什麼不能只寫一句 we disagree with consensus，而要回答「我跟市場到底差幾個百分點」；為什麼 AI 在投資研究裡最好用的地方之一，是拆自己的模型而不是幫忙證明 thesis；以及 investment committee 或許該倒過來，先各自 forecast 再開會。
還有一件，是我現在最希望九年前就開始留的東西：一份自己的 forecasting record。投資業很習慣保存績效紀錄，卻很少保存預測紀錄。但如果績效本來就是一連串對未來判斷累積出來的結果，能告訴我們判斷有沒有真的變好的，其實是後者。
.
🧠 10 年機構經驗分析師 Freddy 教你「由上而下」拆解商模與競爭格局，建立一套結合量化篩選與質化論述的專業投資體系。
👉🏻 雙週更新｜Freddy 的法人級選股實戰：從競爭優勢到估值架構的 24 堂課
募資優惠中，結帳輸入 hhfreddy88 再享折上折
Hi，我是 Freddy。 我在機構法人的研究部門待了大約十年，主要看美股，也長期追蹤台灣的新經濟公司。工作內容說穿了就是一件事：在資訊不完整、時間永遠不夠、答案不會自己浮出來的情況下，做出一個可以被質疑、而且禁得起質疑的投資判斷。
2319