#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） 1. **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…
#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） 1. **不確定性溢價目前被市…
#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） 1. **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。 2. **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。 3. **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。 4. **「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](https://www.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。 資料來源：[matteoiacoviello.com/gpr.htm](https://www.matteoiacoviello.com/gpr.htm) 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： 1. **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。 2. **計費模式轉移**：從訂閱席位（Seats）→ 按成果計費（Outcome-based pricing） 3. **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 資料來源：[Goldman Sachs: AI Agents to Boost Productivity and Size of Software Market](https://www.goldmansachs.com/insights/articles/ai-agents-to-boost-productivity-and-size-of-software-market) --- ## 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%） 資料來源：[Amazon 2024 Annual Report](https://s2.q4cdn.com/299287126/files/doc_financials/2025/ar/Amazon-2024-Annual-Report.pdf) **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： 1. **功能層是否被直接替代？**（SAST 工具 ≠ 即時端點防護） 2. **TAM 方向是否擴張？**（AI 攻擊面擴大 → 資安需求擴張） 3. **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 1. Baker, S., Bloom, N., & Davis, S. (2016). Measuring Economic Policy Uncertainty. *Quarterly Journal of Economics*, 131(4), 1593–1636. [academic.oup.com](https://academic.oup.com/qje/article-abstract/131/4/1593/2468873) 2. Brogaard, J., & Detzel, A. (2015). The Asset-Pricing Implications of Government Economic Policy. *Management Science*, 61(1), 3–18. [ideas.repec.org](https://ideas.repec.org/a/inm/ormnsc/v61y2015i1p3-18.html) 3. Caldara, D., & Iacoviello, M. (2022). Measuring Geopolitical Risk. *American Economic Review*, 112(4), 1194–1225. [matteoiacoviello.com/gpr.htm](https://www.matteoiacoviello.com/gpr.htm) 4. Pastor, L., & Veronesi, P. (2013). Political Uncertainty and Risk Premia. *Journal of Financial Economics*, 110(3), 520–545. [ideas.repec.org](https://ideas.repec.org/a/eee/jfinec/v110y2013i3p520-545.html) 5. Goldman Sachs (2025). AI Agents to Boost Productivity and Size of Software Market. [goldmansachs.com](https://www.goldmansachs.com/insights/articles/ai-agents-to-boost-productivity-and-size-of-software-market) 6. McKinsey & Company (2025). Seizing the Agentic AI Advantage. [mckinsey.com](https://www.mckinsey.com/capabilities/quantumblack/our-insights/seizing-the-agentic-ai-advantage) 7. WilmerHale (2026). Supreme Court Strikes Down IEEPA Tariffs: What Now? [wilmerhale.com](https://www.wilmerhale.com/en/insights/client-alerts/20260220-supreme-court-strikes-down-ieepa-tariffs-what-now) 8. Amazon 2024 Annual Report. [s2.q4cdn.com](https://s2.q4cdn.com/299287126/files/doc_financials/2025/ar/Amazon-2024-Annual-Report.pdf) 9. Jahan-Parvar et al. (2024). Foreign Economic Policy Uncertainty and U.S. Equity Returns. Federal Reserve IFDP 1401. [federalreserve.gov](https://www.federalreserve.gov/econres/ifdp/files/ifdp1401.pdf) --- *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。*
