#hot
> 免責聲明：本文為獨立研究與觀點延伸，不構成投資建議。所有分析僅供參考，投資決策請自行判斷與承擔風險。
---
核心結論（先說）
- 不確定性溢價目前被市場系統性低估：當前市場把「法律裁決」當確定性事件處理，但關稅法源從 IEEPA 轉向 Section 122/232 的碎片化，反而讓路徑不可預測性上升，折現率應該提高，而非下降。
- AI 敘事週期正處於「過度外推」階段：Anthropic Claude 引發資安股殺盤是典型的敘事過度外推——市場把靜態工具的能力邊界，錯誤類比到動態防禦的整個市場。這種情緒主導的修正，製造了估值錯位，不等於基本面毀滅。
- TAM 擴張效應被市佔討論遮蔽：資安、雲端、軟體三個垂直領域，Agent 化後 TAM 有機會從現有規模大幅擴張。市佔下降是競爭現實，但絕對利潤成長才是估值的核心驅動。
- 「應對大於預測」可以制度化：這不是情緒管理口號，而是有結構的決策框架——本文提出一個三層應對矩陣，將模糊情境轉化為可執行的部位決策。
---
一、不確定性溢價的三層結構
1.1 不確定性 ≠ 風險：估值定價的根本差異
金融學對「風險」與「不確定性」的區分，來自 Frank Knight（1921）：
- 風險（Risk）：概率分佈已知，可以定價（如：選擇權的 implied volatility）
- 不確定性（Uncertainty / Knightian Uncertainty）：概率分佈本身未知，無法精確定價
當前關稅法律局勢，屬於後者。
最高法院於 2026 年 2 月 20 日裁定 IEEPA 不得作為關稅授權依據，市場短線解讀為「不確定性消除」而反彈。但這個解讀有一個關鍵錯誤：法源消失不等於關稅消失，只是讓執行路徑碎片化。
行政當局正在轉向三條平行路徑：
- Section 232（1962 年貿易擴張法）：國家安全理由，仍完全有效
- Section 122（1974 年貿易法）：國際收支失衡理由，時限 150 天，史上首次使用
- Section 301（1974 年貿易法）：部分裁定違法，但法源本身存活
三條路徑同時運作，意味著：每條路徑都有自己的法律挑戰週期、國會干預空間、行政裁量範圍。這不是「確定性上升」，而是不確定性的維度從一條軸線擴散到三條。
1.2 EPU 指數的實證意涵
Baker、Bloom & Davis（2016）在《經濟政策不確定性測量》中建立的 EPU 指數（Economic Policy Uncertainty Index）提供了一個量化框架：
- 每一個標準差的 EPU 上升，對應未來 6–12 個月約 1.5% 的預期超額報酬提升（Brogaard & Detzel, 2015, Management Science）
- 政策敏感型產業（國防、醫療、金融）面臨更大的估值壓縮
- 不確定性透過兩個通道壓縮估值：折現率上升（投資人要求更高報酬）+ 現金流預期下降（企業資本支出保守化）
資料來源：PolicyUncertainty.com（Baker-Bloom-Davis EPU 指數，每日更新）
> 推論：若 Section 122 的 150 天時限屆期、國會延伸爭議發酵，或三條法源同步進入司法挑戰，EPU 有進一步拉高的條件。在這個情境下，高估值成長股的折現率壓力會持續，而不是因為法院裁決就解除。
1.3 地緣政治風險：從威脅到實現的估值差異
Caldara & Iacoviello（2022, American Economic Review）的地緣政治風險指數（GPR）將地緣事件分為兩類：
- GPRT（Geopolitical Threats）：威脅層——戰爭風險、核威脅、軍事集結
- GPRA（Geopolitical Acts）：實現層——戰爭開始、升級、恐攻
研究發現：GPRT 對投資和就業的抑制效果，往往大於 GPRA。威脅狀態的不確定性比已實現事件對市場的衝擊更持久，因為「什麼時候發生、規模多大」本身就是定價困難所在。
目前中東局勢的市場定價，更接近 GPRT（威脅層），而非 GPRA（已實現層）。這代表：若局勢升溫，市場重新定價的空間依然存在，現有油氣避險和高估值資產的折溢價關係尚未充分反映尾部風險。
---
二、AI 敘事週期與估值陷阱
2.1 敘事週期的四個階段
AI 相關資產的估值，目前正在以下週期中移動：
階段一：不信任（AI 沒用）
↓
階段二：驚喜（AI 真的有用）
↓
階段三：過度外推（AI 會取代一切） ← 當前位置
↓
階段四：分化定價（有護城河的存活，無護城河的崩潰）
Anthropic Claude Code 引發資安股殺盤，是「階段三」的典型症狀：市場把一個靜態代碼掃描（SAST）工具的能力邊界，外推成「所有資安公司死亡」的敘事。
這個外推有兩個結構性錯誤：
錯誤一：功能層混淆
- SAST（靜態應用安全測試）：開發階段找程式碼漏洞，偏向「預防」
- 即時端點防護（如 CrowdStrike）：執行期偵測並阻斷攻擊行為，偏向「應對」
- 邊緣流量防護（如 Cloudflare）：網路層過濾，偏向「隔離」
三個功能層解決不同問題，不存在直接替代關係。
錯誤二：TAM 定向錯誤
AI 工具讓程式碼生成速度提升，代表攻擊面擴大（更多程式碼 = 更多潛在漏洞），資安 TAM 的長期方向是擴張，而非收縮。McKinsey（2025）估算 Agentic AI 的全球潛在價值在 $2.6–4.4 兆美元之間，其中大量工作流程的 AI 化會同步拉高資安需求。
2.2 軟體價值鏈的重分配：UI → API → Agent Layer
Goldman Sachs（2025 年 7 月）的報告給出一個量化預測：
- 2030 年應用軟體 TAM 達 7,800 億美元（2025 年起 13% CAGR）
- Agent 類型軟體將佔市場利潤池的 60% 以上
這個數字背後的結構含義是：定價權正在從「誰做出最好的 UI」移向「誰掌握 Agent 的決策層」。
具體路徑：
- API 化：未來主要操作者是 AI Agent，不是人類。Agent 不在乎 UI，只在乎 API 的穩定性與準確性。
- 計費模式轉移：從訂閱席位（Seats）→ 按成果計費（Outcome-based pricing）
- 護城河重定義：擁有高品質 API + 深度工作流整合的廠商，取代純 UI 廠商的溢價位置
---
三、TAM 擴張 vs 市佔下降：估值盲點的數學解構
3.1 線性思維的陷阱
市場常見的線性估值邏輯：
> 競爭加劇 → 市佔下降 → 營收下降 → 股價下跌
這個邏輯在 TAM 靜態的情境下成立。但在 TAM 快速擴張的情境下，結論完全相反。
數學框架：
| 情境 | TAM | 市佔率 | 絕對營收 |
|---|---|---|---|
| 基準（競爭前） | 100 | 60% | 60 |
| 競爭加劇（TAM 靜態） | 100 | 20% | 20（↓67%） |
| 競爭加劇（TAM 擴張 10x） | 1,000 | 20% | 200（↑233%） |
結論：分析市佔變化時，必須同步評估 TAM 擴張速度，否則得出的估值方向可能完全相反。
3.2 現實案例的驗證
AWS 是當前最接近這個模型的案例：
- 市佔率從歷史高點下滑（Azure、Google Cloud 持續追趕）
- 但雲端 TAM 在 2024 年達 3,300 億美元，GenAI 貢獻 50% 的成長動能
- AWS Q4 FY2025 營收 356 億美元（YoY +24%），營業利潤率 32.9%
- 訂單積壓 2,440 億美元（YoY +40%）
反例（Tesla）：TAM 擴張不足以抵消競爭時，利潤下行仍是現實——Q4 2025 淨利潤年減 61%。這說明 TAM 擴張是必要條件，但不是充分條件；護城河深度（switching cost、生態系黏性、技術領先幅度）才是決定誰拿走 TAM 擴張紅利的關鍵變數。
---
四、「應對大於預測」的制度化框架
「應對大於預測」是一個直覺正確、但難以執行的原則。以下將其轉化為一個三層決策矩陣：
4.1 三層應對矩陣
層一：情境辨識（Scenario Identification）
| 市場狀態 | 特徵訊號 | 對應行動 |
|---|---|---|
| 不確定性上升、方向不明 | EPU 拉高、GPR 威脅層升溫、法律路徑碎片化 | 降低曝險、縮小槓桿、擴大分散 |
| 情緒驅動殺盤、基本面無損 | 敘事外推、非線性跌幅、無業績惡化 | 評估補倉、分批建倉（需前提：理解基本面） |
| 看不懂的單向強勢 | 強勢無邏輯、業內共識困惑 | 不追、不做空、降低注意力成本 |
層二：部位決策（Position Sizing）
- 看不懂的環境：現有部位 × 0.7–0.8（縮減）
- 情緒錯殺的標的：預設資金 × 0.3–0.5（分批，非一次）
- 強勢但無法定價：不加碼，維持原始配置
層三：心理成本會計（Psychological Cost Accounting）
投資決策存在一個隱性成本：心理狀態惡化導致的決策品質下降。部位控管的真正目的不是「抓最高最低點」，而是確保在極端情境下（大跌 / 快速拉升）仍能做出理性決策，而非恐慌砍倉或 FOMO 追高。
衡量指標（自我評估）：
- 持倉時是否能正常工作、睡眠？
- 黑天鵝發生時，是否有心理準備（不等於能預測）？
- 賣飛後，是否能 Move On 而非持續懊悔？
---
五、可執行的策略結論
5.1 關稅風險的倉位含義
當前情境：三條法源並行，司法挑戰週期分散，150 天 Section 122 時限帶來潛在的國會博弈。
建議框架（非投資建議）：
- 供應鏈高度依賴跨境貿易的企業（硬體、消費電子、汽車零件），風險溢價應提高，估值倍數保守化
- 服務型、內需型、AI 基礎設施供應商，關稅直接衝擊較小，但不確定性擴散效應（企業資本支出保守化）仍需納入折現率
5.2 AI 殺盤後的分層評估
不是所有「被 AI 殺盤」的標的都值得補。評估前提：
- 功能層是否被直接替代？（SAST 工具 ≠ 即時端點防護）
- TAM 方向是否擴張？（AI 攻擊面擴大 → 資安需求擴張）
- 商業模式是否可轉型？（Seat-based → Outcome-based 的轉換能力）
三個條件同時成立，才是「恐慌錯殺」的候選標的；只滿足一項，則需要更多謹慎。
5.3 分散配置的真實作用
分散不只是分散風險，也是分散「驚喜」的來源。日股在本輪的意外表現，正是分散配置在非預期方向產生超額報酬的典型案例。
操作含義：
- 不要把分散配置理解為「降低報酬」的保守策略
- 正確理解是：在看不懂的環境中，保留讓「看不懂的驚喜」發生的空間
- 10–15 檔的組合，允許自己看錯幾檔，只要整體 Beta 對了
---
參考資料
- Baker, S., Bloom, N., & Davis, S. (2016). Measuring Economic Policy Uncertainty. Quarterly Journal of Economics, 131(4), 1593–1636. academic.oup.com
- Brogaard, J., & Detzel, A. (2015). The Asset-Pricing Implications of Government Economic Policy. Management Science, 61(1), 3–18. ideas.repec.org
- Caldara, D., & Iacoviello, M. (2022). Measuring Geopolitical Risk. American Economic Review, 112(4), 1194–1225. matteoiacoviello.com/gpr.htm
- Pastor, L., & Veronesi, P. (2013). Political Uncertainty and Risk Premia. Journal of Financial Economics, 110(3), 520–545. ideas.repec.org
- Goldman Sachs (2025). AI Agents to Boost Productivity and Size of Software Market. goldmansachs.com
- McKinsey & Company (2025). Seizing the Agentic AI Advantage. mckinsey.com
- WilmerHale (2026). Supreme Court Strikes Down IEEPA Tariffs: What Now? wilmerhale.com
- Amazon 2024 Annual Report. s2.q4cdn.com
- Jahan-Parvar et al. (2024). Foreign Economic Policy Uncertainty and U.S. Equity Returns. Federal Reserve IFDP 1401. federalreserve.gov
---
本文為獨立研究分析，不代表任何機構立場。所有引用資料均為公開資訊。