看一本理財書、聽一位投資老師，最容易犯的錯不是「相信」，而是把一套聽起來合理的方法，直接當成已經被證明有效。
A957 比較想做的是另一件事：
先把作者的方法翻成可以測試的規則，再看資料支不支持。
先看白話版
一本書寫得好，不代表裡面的投資方法一定能打敗大盤。
反過來，一個方法沒有完整公開回測，也不代表它一定沒用。
比較合理的流程是：
理解方法 → 寫成規則 → 找資料 → 設定基準 → 回測 → 換期間驗證 → 才下結論
30 秒重點
- 先驗證，不先判輸贏。
- 作者舉的成功案例，不等於完整歷史績效。
- 回測要先固定規則，不能看完結果再改參數。
- 最後一定要跟簡單基準比較，例如同期大盤或指數 ETF。
- 如果資料不足，結論就應該寫「不知道」，而不是硬說有效或無效。
案例：Phil Town 的 Payback Time
Phil Town 的 Rule #1 方法目前仍把 Payback、Margin of Safety 等概念放在估值流程裡。
官方說明的核心想法之一，是把公司當成整間企業來看，利用現金流與成長假設，估計投入資金需要多久才能回收。
Rule #1｜How to Calculate the Buy Price of a Stock
這是一套估值方法。
但「有一套明確估值公式」和「這套公式長期能打敗某個指數」是兩個不同問題。
第一步：把方法拆成變數
例如 Payback / Rule #1 類方法，至少會碰到：
- 自由現金流或營運現金流
- 成長率
- 未來現金流假設
- 可接受回收期間
- 安全邊際
- 買入價格
只要其中一個輸入是主觀判斷，回測時就必須先寫清楚規則。
否則很容易發生：
看完歷史結果後，才挑一個最漂亮的成長率。
這樣測到的不是策略，而是 hindsight。
第二步：先定義比較基準
不能只問：
這方法有沒有賺錢？
因為長期多頭市場裡，很多方法都會賺。
更有意義的是比較：
- 同期市場指數
- 同風險資產
- 單純買進持有
- 定期定額
- 扣除成本後結果
如果一套複雜方法最後只得到和簡單大盤差不多的結果，那複雜度本身也是成本。
第三步：處理回測最常見的作弊點
Look-ahead bias
只能用當時已經公布的資料。
不能把後來修正的財報或後來才知道的成分股，放回過去。
Survivorship bias
不能只測今天還活著、還成功的公司。
如果當年的股票池裡有下市、併購、破產公司，也要按當時狀態處理。
Parameter fitting
如果不斷改 8 年、10 年、15% 或其他參數，直到結果變漂亮，就可能只是過度擬合。
所以規則最好先寫死，再看結果。
第四步：樣本內有效還不夠
可以把資料切成：
樣本內 → 找方法
樣本外 → 驗證方法
如果只在同一段歷史資料裡一直修正，很容易找到一套「完美解釋過去」但無法面對未來的模型。
AI 最適合幫忙的是什麼
AI 很適合：
- 把自然語言規則整理成明確條件
- 找出公式缺口
- 寫資料清洗程式
- 自動跑大量公司或年份
- 比較不同基準
- 找異常案例
但 AI 不應該代替你偷偷補假設。
如果原作者沒有說清楚成長率怎麼選、什麼時候賣，就應該標記為：
規則未完整定義
而不是 AI 自己補一個最漂亮的版本。
A957 之後怎麼驗證理財書
每看到一套可以量化的方法，我會先建立：
- 原始作者規則
- A957 可程式化版本
- 資料來源
- 測試期間
- 基準
- 成本
- 樣本外驗證
- 失敗案例
- 結論置信度
最後結果可能是：
- 有初步支持
- 效果只存在特定條件
- 和大盤差不多
- 資料不足
- 無法重現
這些都比先寫「有效」或「沒用」更有價值。
這篇是投資方法研究框架，不代表對任何作者、課程或策略做整體評價，也不保證回測結果能代表未來績效。
更新：2026-09-26
