第七章 解问题前先谈分类¶
现在这个时代， AI 这个议题很夯。但是，我个人虽然是资讯工程师，但是我并不太相信现在 AI 科学的水平。甚至认为觉得很多市面上 AI 所号称的成就是吹嘘。
怎麽说呢？现在绝大多数领域所称的 AI，我认为只能称上大数据。透过足够够大的历史数据，观察到数据一定的 pattern，从而进一步穷举未来的发展，进而对做出相对胜率高的决策。
以前我们所知的下棋机器人，多是类似的设计机制。输入大量棋谱，找到模式。或者是自我对下个几千万局，找到新解法。
理论上，我们希望AI 的终极完成品。发展出与人类相当，对任何环境变化皆能灵巧应变的通用人工智能 （Artificial General Intelligence，AGI），而不再侷限于特定的应用范围。
这点，未来机器能做到吗？我不敢打包票。
不过，我认为也无需慌张。因为现今的人类与 AI 都有同样的致命侷限上的问题。我的观点主要有二：
一、人类自我学习演化的演算法是 match 过去记忆，参考其他人答案，上网搜索，找到类似模式的答案。当今的 AI 也是类似如此，大量输入过去资料，然后预测未来。
而因为机器的算力与资料库远远大上人类。所以人类惧怕 AI 真能取代自己的岗位。
但是，我在书的前半章，已经解释这个资料库竞赛的问题。资料酷竞赛很有可能只会找到死胡同。真正解法根本不在同一个维度裡面。而是一个全新的解法。
二、资料库搜寻法还有一个真正最致命的问题，就是原始资料分类错误。
为什麽股市 AI 难以预测股价？¶
我朋友知道我在研究价值投资，精通拆解财报。也投资了一个财报分析网站。一直很希望我给网站加个功能，希望我去研究当今技术分析相关的技术。并且还给我推荐了一本用数学破解股市的书，给我参考。
我看了却很不高兴。认为这本书是胡扯。当然，如果你有研究股市，就会觉得我发这个飙莫名其妙，股市分析有分两派学说，一派分析财报经营数据推测股价（称财报数据），一派分析股市股价涨跌数据推测股价（称技术分析）。
江湖觉得这两派各有优胜劣弊。我却完全不这麽认为，甚至在我认真研究过后，我甚至觉得技术分析派很大部分的一帮人，是在胡扯。
为什麽我是念数学的，还觉得技术分析派用过去股价数据分析找出股价趋势是胡扯呢？
这要扯到股价是怎麽计算出来的。因为这本书不是股票书，我在书中尽量不用高深字眼，以免读者陷入五里雾，我会尝试用国中数学解释这个理论。
在财务理论裡面，有一个大家公认的股价推算法，叫做 DCF（现金流折算法）。具体公式我们这裡不展示，你只要理解这 F(x) = y。x 可能基于过去的营收、利润、现金流，透过一些微积分公式，最后会产称出 y 的股价。
假设所有公司都是用 F(x) 去估价，那理论上我们当然可以收集一大堆公司的 y 去跑大数据与统计，去逆推算 F(x) 的公式，然后再针对现在的营收、利润，看看 y 是否显然被低估。
但是，市面上所有的公司，并不是只有 F(x) = y 型。
更有
- G(A) = W
- H(B) = M
- J( Q) = R
- K( R) = S
- ....
（以上的英文代号是我随便诌的，只是让各位读者知道“每种”不同公司有不同类型，并不是同一个公式）
但是，如果我们把所有公司历史上的股价，都倒入 F(x) = y 的模型，去跑 AI 去逆推股价，那这不就是张飞打岳飞的好笑局面。
所以我认为现在号称 AI 算牌的，最好笑就是这样的设计。因为几千间公司怎麽可能都是用一个 F(X) = y 可以解释。
如果我们要预测数据。起码要分群才对。
比如说我们至少得将
- G(A) = W
- H(B) = M
- J( Q) = R
- K( R) = S
- ....
不同类型的公司，先分群然后再去看他们的特徵才对。
而且，当今现在不论是财报分析派又或者是技术分析派，对于公司的分类一开始就分错。比如说一个经典的错误，就是拿台积电与鸿海分在同一类，因为他们看起来“都是电子类”。
实际上台积电是 F(X) = Y，而鸿海是 G(Y) = Z。鸿海在财务结构上，其实跟 COSTO 这间公司更像才是。
而跑数据分析最致命的问题是。
如果一开始数据不分类，或分错类。就会是 Garbage in Garbage Out，用 AI 再算一百年都算不出来。
股票要如何分类¶
每种股票，背后其实都代表的是一间公司。其实股价的方程式远不止
- G(A) = W
- H(B) = M
- J( Q) = R
- K( R) = S
- ....
更精确的拆分下去。公司大体上还分成三种类型：
- 利润型
- 周转型
- 槓杆型
利润型的公司，主要人拼技术竞争力，赚智商税，而智商税就显示在高毛利上，有一定的技术领先力，才能赚取超级高的利润。
周转型的公司，如 COSTCO、Amazon，就是跟人拼渠道与资金谈判、周转力。这一类的公司淨利薄，但是可以一年做很多趟生意。鸿海为什麽跟 COSTCO 更像，因为鸿海本身做的是苹果的统包整合组装厂商生意，鸿海本质的生意模型是跟各上游厂商进货，组装成手机出货买给苹果。所以本质是批发商的生意。
然而 Amazon 为什麽可以节节增长，鸿海却不行这几年节节败退呢？这是因为 Amazon 卖的是杂货，面对的是广大消费者。而鸿海的出货对象却只有苹果而已，当苹果出货衰退，鸿海的业绩就自然也跟著衰退了。
而槓杆型公司，代表如地产公司、航空业公司。这一类公司的具体特徵，就是资本大、重资产。利润则可能大可能小。但是相同特徵都是需要拼资产抵押借贷、拼银行交情，开槓杆玩超大资本游戏挤利润。
而这类型的公司，就是受景气影响很大。当景气好时，能赚很多钱。当景气低迷时，赔破裤杈都很有可能。比如说 COVID-19。就几乎搞死航空业。因为这类型行业，槓杆都开得太大了。
当你打开这三类型的公司的 ROE 的结构组成（ ROE = 淨利率x周转率x槓杆倍数）。就会发现这三类型的数据起伏形状，是差别很大的。
因为利润组成非常不一样。为什麽又可以拿 F(x) = y 去逆推算呢？
再来。这三种是有存货类型的公司。
接下来我们要谈的是两类特殊公司。前者是网路业，没有存货，几乎大部分的支出都是营业费用。后者是银行、保险、金融特殊产业，这类公司的存货就是现金。
前者没有存货，所以只能看收款天数与毛利率去推估竞争力。后者的公司，因为法规的关係，大多数利润有法令上限，利润多半跟规模有关係。
这两类公司的行为与前面三种又是不一样的。
再来，还有公司的战法，不是用利润扩张的，而是用现金流扩张的，如 Amazon。Amazon 的战法并不是尽量赚取利润，而是尽量投资到能够快收客户现金，慢付给供应商的新生意模型裡面，利用中间付款的时间差与现金，扩大生意规模的玩法。
我可以再继续讲下去。不过这裡花了这麽多篇幅去叙述，只是为了让读者知道，股价与利润产生模式可以很不一样，我在这裡举例的，甚至是很粗的分类。
更不用说股市裡面，还有一堆垃圾公司。而且大公司中公司小公司（比如说千亿、百亿、十亿三种不同规模）的成长曲线为很不一样。所以怎麽可以用同一种模型去推算。
听到这裡你可能会觉得好像超複杂。
但其实也没有那麽複杂。
其实，在实务上，某些经营一定年限、并且一定规模的某些类型的公司，股价函数真的是可以逆向预测的。而且可以测到非常准。
只是这些公司的名字，一般投机者都会觉得无法在几天内致富，不想投资而已。
在我研究财报时，我发现因为股市牵涉到大量的数据资料，而且这个领域的人，在过去没有太强的计算机，而且切入角度错误，连正确的分类都做不到。所以反而这个领域大部分的资料，都长期处于张飞打岳飞的状态。如果在这个领域裡面死瞌，简直是死胡同一条。
反而是跳脱财报书籍，重新对资料分类，反而能看出很多有意思的产业趋势以及在数学上“证明常识”。（比如说我在用大数据研究相同类型公司股价时，反而发现利润与存货天数、收现天数有非常大的正相关。但在财报书上，这两个数据却常被人忽视，甚至觉得不重要。大家反而觉得毛利率、淨利率比较重要。但试问如果货卖不出去，钱收不回来。货卖不出去，于是把货卖成三倍价钱。卖一个顶以前三个。那麽毛利率其实是不变的。淨利率甚至也可不变的。在财报上看不出来，但是生意却是变烂了。这就解释你明明开始觉得某些公司的产品变烂没人买了，但是财报上数据依旧亮丽。）
从李约瑟问题谈分类的重要性¶
我在 Bilibili 上非常喜欢一个经济学家。陈平老师。他本身是物理学家背景出身的经济学家。
陈平老师的特点，在于近年来预言中美关係以及外交、经济进展，屡讲屡中。其实以一般观点来说，他的影片非常政治不正确，经常在Youtube 上得到红叉（限流）。但是屡讲屡中的背后，却往往扎实的理论。
最近几个月的更新，他提了一个很有意思的问题：“科学与资本主义为什麽诞生于西欧而非中国？”这个问题，俗称李约瑟问题。
一直以来。学界对这个问题非常疑惑。照理来说，中国是五千年的古国，人口数量又多于欧美国家数倍，人才倍出。加上语言文字又统一，国力相对强大。为何偏偏在明清时代停滞、科技落后，反而败给了欧美诸国。直至最近，才勉强赶上。
坊间很多有很多理论，却都无法好好解释这个问题。
为什麽欧美重科技与资本发展，还有专业分工。然而中国却多年以来，重点在于自给自足。
他从战争型态找到了答案。
欧美与中国的战争型态自古以来是非常不同的。欧美的战争，规模更是比中国小了许多。
其中最值得一提的是，如果你近距离观看，你会发现两者本质战争型态的不同。中国的战争本身是围绕著亚洲大陆的佔地。欧美多数的战争是围绕著佔交通要道。
古代战略有“兵马未到，粮草先行”。为什麽？因为中国实在太大了，人也太多了。所以战争本身打的是补给线战争。甚至有屯田策略，派兵过去，无战时耕田，战争时是士兵。中国围绕著是佔地。本身是农业民族VS 游牧民族的内战。
但欧美因为人少，不是玩佔地的战争。所以它们主要是控制交通枢纽，打下来做生意。因为人少，要以少击多，拼的就是科技，拼的就是资本操作。
所以欧美国家要维持自己国家的优势，必定是提高自己国家的科技水平，进行槓杆操作。而中国因为本身地够大，资源也多，但几千年以来，目光锁在内部的资源攻防消长，而完全无视拓展广阔的海外资源。
当这样一分类后。你会发现，其实就国家发展与战略方向，欧美与中国是非常不同的。
当然，你会觉得废话，“不同”是当然的。但是“有那麽当然吗？”
很多时候，我们会认为“民主”会带来“富足”。但是这句话是真的吗？我们看看“南非”的例子，菲律宾的例子，好像不是这样。我们再看看新加坡的例子，又发现又再反了一次，说不太通。其实，就连美国本身的强大也不是民主所带来的。而是美国的战略位置与国家资源太好，加上诞生在一个特殊的时代，才有现在的局面。
但是我们却会因为美国当今的强大，以为“民主”等于“强大”等于“富足”等于“现代化”。
但美国是因为地太大，玩不来，所以才搞的民主。中国是因为人太多，如果搞民主太容易因为一个动乱，搞到灭国大爆炸，才搞的专制。每种国家，因为地形与交通，都有自己适合的政治制度。并不是大家都适合同一政体政治制度。这次 COVID-19，就让我们看到极端状况下，不同政体与政府，控制疫情调度的手段与结果。
为什麽我们遇到大问题时，得先分类？¶
人世间有很多问题，为什麽看似无解。而是我们人在思考问题时，有个很严重的缺陷盲点，叫“一元思维”。指的是人类盲目认为总有一个强大原则与公式，能贯穿所有不同个体，解释所有事情。
所以多半的战略目标，就是穷一切资源，逆推出一个终极公式，追求领域最强者的攻略。带入各种情况，就能得到最终想要的结果。
但事实上这个理论是不存在的。不但不存在，可能还会把你绕进死胡同裡。
比如说计算机现在还有一个圣杯，是研究写作机器人。但是写作机器人根本写不出能用的散文、小说、广告词、等等等等。
我最新的研究成果是极速写作法。一天写完一本书。在研究这个议题过程与发明全新的写作流程中。我得出一个是全新但也是废话的结论。就是写作虽然可以有模版，有结构。但是不同的文体，其实写作流程、模版，甚至与分类切入结构是非常不一样的。
而当今的写作机器人却很笨的把一堆张飞岳飞的文都倒在一起，难怪最后的写作机器人文章写出来的文章是那个熊样。
所以，当今的坏消息虽然是 AI 的算力远超过人类。但是，好消息却是当今的 AI 算法与人类算法，都有致命性的分类盲点。
而你只要知道，在解决千古难题时，试著先把你遇到的问题或局面，分类一遍。搞不好你就可以更快找到关键的切入点。