EP691 | 🎂

• 節目連結： https://www.youtube.com/watch?v=J-e9oxqLzpc
• EP691_2026-08-26 逐字稿： https://digitalgarden-five-azure.vercel.app/gooaye-transcripts/ep691
• 部落格好讀版： https://digitalgarden-five-azure.vercel.app/gooaye-notes/ep691

提及公司

• 美股：Nvidia、Meta、Google
• 其他：Perplexity、Anthropic、X、金十
• 概念股：AI、記憶體、電力、光通訊

三句話總結

• AI 拉高研究基準：AI 大幅壓縮 財報、產業、情境 分析時間，但工具已普及，研究效率提升逐漸變成進場門檻，而非持續性的超額報酬來源。
• 人類判斷仍主導交易：孟恭以 量價、題材敏感度、市場資金判斷 尋找訊號，再讓 AI 快速完成後端研究，真正決定績效的仍是訊號識別、買點、部位與風控。
• 市場反應持續加速：大量投資人使用 AI 後，資訊更快反映進價格，傳統資訊優勢縮短，交易節奏、市場效率 同步提高。

投資觀點

• 人機協作優於全自動化：AI 最適合擴張研究頻寬，而非取代投資決策，真正差異仍來自 訊號辨識、資訊差、交易執行、風控，未來更值得量化的是這些人類直覺，而不是單純增加 AI 使用量。

AI 改變投資競爭

AI 拉高基本門檻

• 工具普及削弱優勢：AI 原先被期待形成壓倒性生產力差距，但競爭者同樣能使用，甚至降低不在投資領域的人跨界門檻，AI 更像進入市場的基本配備。
• 動態市場限制自動化：市場同時受 資訊速度、情緒、政策、突發事件 影響，並非可由固定模型完全描述的靜態環境，因此分析能力提升無法直接轉換成穩定績效。
• 生產力未換取自由：AI 將部分工作從數小時壓縮至數分鐘，但也讓人能研究更多議題、使用更多工具，實際工時反而可能增加，產出、報酬 未必同比例成長。

研究優勢轉向判斷

• Jarvis 成為標配：每個人都有 AI 管家協助 整理資料、準備公式、分析情境，缺乏 AI 甚至難以維持競爭力，但真正上場後的判斷仍取決於使用者自身能力。
• 資訊差仍有價值：公開資訊適合辨識長期趨勢，但 微觀題材、特殊標的 若缺乏 較快、較特殊 的資訊來源，單靠 AI 從公開資料搜尋很難形成即時優勢。

社群負責即時資訊

• 社群優於 AI 找新題材：X、Facebook、金十 更適合即時掌握正在發生的事件，透過 追蹤高品質帳號、篩選訊息，可比主動詢問 AI 更快取得市場線索。
• 即時資訊仍需過濾：社群可以快速提供正在發生的 事件、交易靈感，但錯誤訊息仍存在，使用者必須自行判斷 來源可信度、市場意義。

AI 接管財報研究

• 財報閱讀大幅加速：孟恭目前大量使用 Perplexity Computer 搭配 AI 模型處理 財報、年報、財務數字，尤其切入陌生產業時，可快速辨識 合約資產、合約負債、付款條件 等產業特有的會計重點。
• 跨產業成本下降：題材交易經常需要快速進入陌生產業，過去必須自行翻找資料理解 商業模式、財務結構，現在只要模型能力足夠，即可快速建立產業閱讀框架。
• 固定搜尋仍靠人工：已知數字或格式固定的資訊直接 Ctrl+F 通常比 AI 更快，若 AI 需要 重新讀檔、確認需求、生成答案，反而增加 時間、Token 成本。

盤中研究工作流

人類先識別交易訊號

• 盤面觀察仍由人主導：孟恭不依賴 AI 尋找當日最強族群，而是自行觀察 盤中價格、成交量、族群強弱、事件驅動 尋找正在發生的故事，而非先請 AI 篩選標的，這是目前績效差異的重要來源。
  • 盤中資訊來源改變：過去常透過 XQ 等看盤軟體追蹤 盤中新聞、自結數字，現在較少依賴新聞流，改由量價先找出異常標的，再用 AI 快速補研究。
• 市場敏感度難以取代：Nvidia 電力白皮書、記憶體由 12-High 轉向 8-High 等線索，需要長期觀察 股票、產業 才能迅速辨識交易含義，目前 AI 對這類訊號的敏感度仍不足。
• 市場經驗難被模型複製：AI 能整理大量資訊，但缺乏真實交易中的 虧損、追價、停損、籌碼 感受，因此目前對市場訊號的重要性排序仍不如有經驗的交易者。

AI 壓縮後端研究

• 研究流程縮至盤中：盤中發現 光通訊、電力、連接器、記憶體 標的後，先用 AI 建立產業 Overview，再搜尋 Google Drive 中累積的 報告、Memo，接著密集追問 供應鏈、P×Q、估值、不同情境，最後搭配社群確認市場討論程度。
• 即時交易占比提高：盤中估計 (30~50)% 交易屬於臨機應變，發現訊號後立刻研究，只要判斷 資訊深度、估值 優於市場，再搭配 籌碼、突破形態 就可能直接進場。
  • 目前部分交易採取：盤面訊號 → AI 補研究 → 社群確認 → 財務估算 → 建立部位，許多決策在盤中完成。
• AI 加速買後驗證：過去盤中先買進後，常需等到盤後再花時間補做研究，現在可透過 AI 在 10~20 分鐘內完成初步驗證，但 AI 加速的只是研究流程，真正影響交易結果的仍是取決於前端的 訊號識別、進出場判斷。
  • 先建倉再研究：Druckenmiller 曾分享 Soros 的「Invest first, investigate later」觀念，市場快速變動時可先建立可承受的小部位，再持續驗證投資假設。

執行能力決定結果

• 擁擠度決定空間：找到題材後還要判斷 市場是否已充分理解、籌碼是否過度擁擠，以及 自身資訊、市場預期 是否存在落差。
• 資金行為決定成敗：買進後 是否有市場資金跟進、賣壓大小、形態是否延續、部位如何調整，仍高度依賴人的 盤感、實際交易經驗。

人機協作

人類保留最終決策

• AI 不負責開槍：AI 可以 整理資訊、建立情境、補齊研究，但 辨識訊號、選擇買點、配置資金、承擔風險 的仍是交易者本人。
• 直覺需要量化：開始思考將過去 10 多年累積的盤感轉換為 可驗證、可重複 的量化規則，避免歷史績效只是特定市場環境下的暫時優勢。
• Hybrid 模式較務實：短期內不適合完全偏向 人工／AI，而是由人處理 市場敏感度、交易決策，AI 負責 後端資料處理、研究擴張。

AI 提高決策信心

• 研究完整度增加信心：過去可能先買再補研究，現在能在短時間完成大量驗證，因此進場時心理更踏實，但部分效果接近 Placebo Effect (安慰劑效應)。
• 信心不等於正確：即使 產業、估值、買點 研究充分，震盪盤仍可能觸發 停損／事後減碼，AI 無法消除市場的不確定性。
• 槓桿仍能摧毀優勢：即使對特定領域具極深理解，只要槓桿過大仍可能爆掉，降低槓桿後，長期績效又可能只略優於指數，必須衡量 研究投入、超額報酬 是否匹配。
  • Situational Awareness 的 Leopold Aschenbrenner 即使具備高度 AI 專業，旗下基金仍曾因集中 AI 部位、槓桿壓力 重挫約 67%，並被迫 去槓桿、處分公開股票。

市場效率持續提升

• 資訊優勢快速衰減：AI 普及使更多投資人能快速完成研究，過去需要時間發酵的題材現在可能一次反應，資訊領先者反而可能因等待回檔而錯失行情。
• 交易節奏明顯加快：市場價格更早反映 基本面、事件，AI 提升的不只是個人效率，也同步提高所有競爭者效率，使單純研究速度更難構成持久 Alpha。

節目金句

• 「孩子的成長只有一次，所以雖然問題很多，很多有的沒有的事情，盡可能陪他聊天，希望自己可以做得更好大概這樣。」
• 「你覺得說你過去需要花兩個小時做的事情，你現在花幾分鐘都可以做完，你覺得你省下很多的時間，但每個人都摸著自己左邊的軟蛋去思考一下，你真的有省下比較多的時間嗎？」
• 「所以我覺得 AI 對我們工作最大的一個影響是，你發現你不太需要去跟人對話了，你只要多跟機器講話就好。」
• 「其實我覺得不管男生或是女生都一樣，最後面發現說你給人家，他們俄國的諺語，你給他你的手掌，最後面你整隻手都被吃下去，就軟土深掘，所以有些底線應該要踩住，然後有些想法就算可能，看起來是比較不正確一點，但是它就是你的想法，每個想法都是值得被聽到的。」
• 「我覺得就是說，溝通，你要直接把你真正的想法講出來，當然可能還是用一點修飾，可是你該講的一定要講，因為你演你最後面是沒有辦法持久的，就是你終有一天是要坦誠相見的，然後到那一天，如果說前面累積的能量太多，都沒有釋放反而會大爆炸。」
• 「確實就是在可能飯後，或者說剛睡醒，然後或者是在壓力很大的時候，去來一根就覺得非常的輕鬆。但最終就發現說，其實那個輕鬆感，你可以很簡單的透過深呼吸，就去交換到，其實你會發現說，你喜歡抽菸的一個主因，蠻多人會以為說是抽菸本身很爽，不是，其實你喜歡的，可能是在壓力過後，然後可能是在辛苦過後的深呼吸。」