核心理念
投資不是尋找「確定性」，而是尋找「錯誤定價的機率」。
本框架結合 因果推論 與 貝氏更新，旨在將模糊的市場雜訊轉化為結構化的決策過程，避免情緒化交易（System 1），強制啟動理性邏輯（System 2）。
實戰演示：HBM 與 AI 供應鏈的邏輯推演
我們先以 HBM 為例，演示如何從「敘事」轉向「機率」。
1. 建立因果鏈 (Causal Chain)
我們不直接預測股價，而是推論「現金流的驅動因子」。
核心提問：若 AI CapEx 持續，價值最終流向何處？
因果結構假設：
AI 模型參數量/推理需求 ↑ → GPU/加速卡需求 ↑ → HBM 頻寬/容量成為效能瓶頸 (關鍵節點) → DRAM 產能排擠 + 長約綁定 (ASP ↑) → 供應商 (SK hynix/Micron) 毛利結構質變 → 估值模型重測 (Re-rating)
2. 設定先驗機率 (Prior Beliefs)
在資訊不足時，根據現有認知設定初始機率（Base Rate）。
這不是信仰，而是暫時的基準錨點。
假設 A： 2026 年前 AI CapEx 維持高增長 → 60%
假設 B： HBM 持續作為算力瓶頸 → 70%
假設 C： 議價權完全掌握在供應商手中 → 50%
初步情境機率：
結論：這是一個值得列入觀察清單的機會，但尚不足以重倉。
3. 觀測新資訊
市場出現新訊號時，我們只關注「能驗證或推翻因果節點」的資訊。
4. 執行貝氏更新
根據新證據修正機率，而非情緒化追價。
AI CapEx 高增長： 60% → 70% (信心增強)
HBM 為瓶頸： 70% → 80% (技術確認)
議價權在供應商： 50% → 65% (合約確認)
更新後情境機率：
結論：機率顯著提升（由 21% → 36%），基本面支撐轉強，可考慮執行交易策略。
通用模板：貝氏投資日誌
建議將此模板作為每一筆核心持倉的標準文件。
Phase I: 建立假設
1. 投資論點
格式： 一個可被證偽的單一假設。
範例：「AI CapEx 的擴張與 HBM 的產能限制，將使記憶體供應商在 2026 年前享有結構性的超額利潤。」
2. 繪製因果圖
宏觀趨勢 → 產業供需 → 公司營收/毛利 → 現金流 → 估值
目的：確認每一個環節的邏輯傳導是否暢通。
3. 設定先驗機率
列出 3-5 個關鍵變數及其初始機率。承認不確定性是理性的開始。
