AlphaVue 更新：從 AI 選股研究到投資決策系統

AlphaVue 一直擅長一件事：把一個股票代號轉成結構化的研究報告。你輸入一家公司，平台會把財務數據、估值、風險和來源組合成你真正能讀得懂的東西。這項能力依然存在，也仍然重要。本次版本新增的是報告產生之後發生的一切。

研究報告是快照，而快照會隨時間老化。公司持續公布業績、價格不斷波動、估值不斷被修正，一個三個月前合理的結論，可能在沒有任何單一劇變事件下就變得不再合理。股票研究的困難之處，很少是在第一次閱讀時。更難的是持續追蹤變化、判斷原先的推理是否仍成立，以及理解一個新事實對你已持有的股票意味著什麼。

這份更新關注的就是後半段：把一個 AI 股票研究平台轉成一個投資決策系統。AlphaVue 現在會在其分析周圍保留持久狀態：研究的不同版本、每個版本背後的證據、其產生的結果，以及隨之而來的警示。產品以一個循環為核心組織，本次版本的每一個新介面都落在這個循環的某個環節：

發現 → 研究 → 追蹤 → 理解變化 → 驗證 → 向前測試 → 檢視投資組合影響 → 再次檢視。

以下是已推出的功能、每個部分的作用，以及如何使用它們。

為何單靠報告不夠

大多數 AI 股票研究工具的限制不在於單一答案的品質，而在於該答案之後對你有何幫助。

典型的工作流程看起來像這樣：你要求一份分析、你閱讀它、你也許會把它存起來，然後流程就結束了。報告不會記住自己。報告不會告訴你何時有新的申報文件反駁了它當初的假設。報告在市場重新定價該股票時也不會自動重新執行分析。如果你三週後回來，實際上等於從頭開始，除非你有做筆記，否則你甚至可能沒注意到原本的結論已悄悄變得站不住腳。

投資人其實不需要更多的報告。他們需要的是對一小組經常出現問題的答案：

• 自從我上次看這家公司以來有什麼改變？

• 哪些新主張有證據支持，這些證據在哪裡？

• 這個想法在歷史上會有效嗎？在什麼條件下？

• 在沒有事後洞見的情況下，這個想法未來是否可行？

• 對已持有該股票的投資組合來說，變化意味著什麼？

這些問題有一個共同屬性：它們都需要狀態。你需要舊版的分析來與新版比較。你需要凍結的輸入資料以公平地重放一項決策。你需要一個早於結果的起始日期，才能稱為誠實的測試。只會產生報告的工具無法回答這些問題。

因此 AlphaVue 不是以文件為中心重建，而是以循環為核心重建。發現一家公司，研究它，追蹤它，理解發生了什麼變化，驗證假設，向前觀察，檢查投資組合影響，然後再次檢視整個鏈條。分析仍是驅動引擎，產品則是這個循環。

想一想典型錯誤如何形成。你在四月閱讀了一份公司的分析報告。報告很完整，估值看起來也合理。兩個月後公司下修指引，股價下挫，原本的論點悄悄瓦解。報告不會告訴你，因為報告一旦寫成就無法再更新。你真正需要的不是四月那份更好的報告。你需要一個系統，能注意到指引變動、把它連回論點、展示支持新結論的證據，並說明這個變動對你持有的頭寸有什麼影響。這就是本次發佈要填補的缺口。

今日：告訴你發生了什麼變化的決策動態

登入後你看到的第一個畫面不再是通用的儀表板，而是 Today，一個基於你追蹤公司的個人化動態串流。

當有重要事件發生時，項目會出現在串流中：支持或削弱目前論點的新證據、風險變化、催化事件、觀察到的結果，或研究立場本身的轉變。每次變動都會產生一則更新，經過去重處理，而不是一堆重疊的通知。更新會顯示變動內容、為何重要、當前論點、支撐證據，以及在可用情況下該變動對持有該頭寸之投資組合的意義。

此串流建立於一個簡單的約定：如果沒有任何變化，你就不該看到任何東西。這聽起來顯而易見，但大多數的提示系統每天都在違反這一點，傳送的是數量而非訊號。AlphaVue 將更新視為值得閱讀的稀有事件，而不是行銷接觸點。你已經檢閱過的更新會自動隱藏，而串流採分批載入，即使你的追蹤清單增長也能保持回應迅速。

追蹤就是建立該串流的方式。你可以從研究工作區追蹤你關心的公司，且註冊流程刻意輕量：它會保留你當時查看的代碼與正在閱讀的更新，註冊後會將你帶回原來的位置。這個回返路徑比看起來更重要。訪客一旦註冊，產品應該繼續他們正在執行的任務，而不是把他們丟到一般的歡迎畫面上。

通知遵守同樣的原則。偏好設定以公司與通道為單位：應用內提醒、電子郵件摘要、安靜時段。取消訂閱就是取消訂閱；單一重大變動只會產生一筆傳送，指向精確的案例版本。重複或無變動的事件則不會產生任何內容。

首頁上的證據階梯

首頁現在以更簡潔的方式呈現同一概念：研究、驗證、觀察、決策。這不是口號。階梯的每一階都對應到產品內的一個面向，且排列順序是有意而為的。

研究是你形成對一間公司的看法的地方。驗證是你用歷史來檢驗該看法，而不是僅僅接受敘事。觀察是你固定下通過檢驗的看法，讓即時資料產生證據。決策是你在行動時留下你曾相信的內容以及自那之後發生了什麼的紀錄。這個階梯的用意在於說明：AI 的意見只有在經過可被檢查的階段流轉後才會變得有用。

這樣的框架改變了產品所承諾的內容。舊的首頁描述了一個 AI 平台，讓流程自行說明。新的首頁則要求較小且更具體的承諾：測試一個假設、追蹤證據，觀察推理是否站得住腳。這個差異很重要，因為要求較小承諾的產品，嚴肅的投資者更有可能嘗試。

公司研究工作區現在是一個終端

當你打開一家公司的頁面時，你會看到分頁式工作區，而不是一個長長的滾動頁面。這些分頁把過去混在一起的工作區分開：

• 概覽 — 當前結論、資料健康檢查，以及兩者背後的歷史。

• AI 研究 — 深度、多面向的研究流程，作為核心分析層。

• 資料與估值 — 數據、財務趨勢與估值觀點。

• 事件與證據 — 法定文件、催化因素與原始來源。

• 驗證 — 規則、回測、AI 重放，以及前瞻觀察。

概覽分頁現在遵循刻意的閱讀順序：先呈現當前結論，再是資料健康檢查，最後是歷史回顧。先前的版面把多個「我們怎麼看」區塊堆在一起，每個區塊以略有不同的角度回答大致相同的問題。新的設計先將答案單一而明確地呈現，然後說明其形成過程。

決策更新區塊位於概覽頁面頂端。它說明當前觀點、自上個版本以來的變動，以及支持該變動的證據。其下方的資料健康檢查會指出哪些章節已完成、哪些為部分完成、哪些仍在準備中，讓你不必猜測空白區域是表示「沒有資料」還是「尚未收集」。下方的歷史回顧則把當前觀點連結到案件時間線，讓你可以看出論點如何演進，而不是每次造訪都當作重新開始。

還有一個公司新聞分頁。新聞標題會被置入情境，而不是被直接堆疊：工作區會區分公司自行報導的事實與第三方的解讀，重要新聞在來源允許時會連回原始公告或申報文件。一則新聞標題不應自動成為論點，但它應該指引你去核實該新聞所依據的文件。

先前依賴模糊點位和簡陋微圖的四維度健康檢查現在改為明確呈現。每項指標都會顯示其數值、趨勢方向、時間期間和資料維度。財務趨勢圖允許你選擇指標、單位與時間範圍，顯示最新數值並解釋變動原因。若某一維度沒有可靠資料，該維度會隱藏起來，而不會以中性的佔位符填補。把缺失當作證據呈現曾是造成混淆的一個隱性來源；移除這種做法是此版本較為誠實的改變之一。

公司一頁摘要仍然是快速路徑：市場情境、已報導的事實、財務歷史、申報文件與即將發生的事件都在一個結構化視圖中。當你需要三十秒的定位時，這是正確的起點。分頁工作區則是當問題變得具體時你會進入的地方。

資料新鮮度被當作內容的一部分處理，而不是一個細節。研究快照會顯示生成時間以及該快照是最新、過時或部分更新，因此你不必猜測眼前的檢視是否反映了最新的申報。案例時間線為每個論點保留所有版本，並以結構化的方式展示版本之間的變動：先前結論、新結論以及促成差異的證據。

證據抽屜位於主張之後。每項重要陳述都標註來源與收集狀態，開啟一個主張會顯示原始資料，而不是要你去信任摘要。這一層把「AI 如是說」變成「AI 如是說，且這裡有其所依據的申報文件」。

Strategy Lab：在信任想法之前先測試規則

大多數股票想法其實是偽裝成交易規則的。『這家公司持有量不足』會變成『當市場錯誤定價時買入』；『這個產業正在轉向』會變成『買領先者、避開落後者』。Strategy Lab 用來測試那第二層，也就是你可以實際衡量的部分。

你可以在不寫程式的情況下，用技術規則執行股票回測。選擇一條規則或多條規則的組合，選擇投資範圍與日期區間，設定基準與成本，平台會非同步執行並回傳一個以白話結論為首的結果。統計數據會呈現，但它們是在答案之後，而不是取代答案。

在結論下方你會看到假設、樣本、基準比較、最大回撤、穩健性衡量與費用。向前滾動窗口與參數敏感性會顯示結果是否能在輸入變動下存活，或僅僅是偶然成功。這個區別很重要：只有在一個特定回溯期才有效的規則，是對運氣的描述，而不是策略。

舉個具體例子。假設你想測試一個簡單的趨勢規則：當 50 日均線上穿 200 日均線時買入，當其再次下穿時賣出。Strategy Lab 讓你設定該規則、選擇投資範圍與日期區間，並對照 SPY 基準執行。結果不僅告訴你報酬，還會說明該規則實際執行了多少次交易、權益曲線在回撤期間的表現、結果對兩個回溯窗口的敏感度，以及手續費對結果的影響。你可能會決定規則可行，或是優勢被費用吞噬。不管哪種情況，你現在知道答案，且是在冒任何風險之前。

這個無需程式碼的策略建構器附帶合理的預設值。日期會預先填入、進場規則已就位，分階段進度條會清楚顯示長時間執行的進度。當回測沒有產生訊號或結果為完全持有時，工作區會解釋原因，而不是顯示空白圖表。基準鎖定為 SPY，這消除了常見的一個隱性偏誤來源：你無法暗中挑選一個能讓策略看起來更好的基準。

驗證不止於一次執行。工作區會報告覆蓋範圍，讓你知道一個結果是基於少數幾筆交易還是數百筆，且它會標註樣本品質而不是將其隱藏。事件研究會隔離策略在特定市場事件前後的表現。報告可匯出，已儲存的執行可並排比較，能將一次性測試轉變為一個小型的研究資料庫。

產品中有一條界線寫得很清楚：回測不是預測。它描述的是一條規則在過去資料上的行為，手續費、存活偏差與體制變動都可能扭曲畫面。Strategy Lab 試圖讓那些扭曲可見。判決線、樣本註記與費用拆解就是為此而設。

AI 歷史重放：在某一時間點重跑研究

回測檢驗的是規則。AI 歷史重放檢驗的是研究本身。

概念很直接：取一次 AI 研究執行，並在較早的日期重新執行，只使用當時存在的證據與資料快照。重放會顯示在結果已知之前，系統會得出什麼結論：它使用了哪個模型版本、提示（prompt）、資料版本與來源，以及它標示為主要風險的項目。這對於審計過去的決策很有用。當時的研究是否提出了正確的問題，或只是事後看來很有說服力？

重放刻意與確定性回測分開。回測是重演一條固定規則；重放則是重跑一個開放式的研究過程。它們回答不同的問題，且在產品中被不同標記，讓你不會把研究重放誤當成統計測試。

當已發布的決策沒有附帶已凍結的研究捆綁時，平台會退回到最近的私人分析而不是回傳錯誤，並誠實地顯示所重放的版本。結果總會顯示所使用的模型、提示與資料版本，因為無法重現的重放並不是真正的審計。重放以點數（credit）為基礎，並在標的範圍與成本上有界限，這能讓該功能保持可用，而不會變成無止盡的運算帳單。

前瞻測試：唯一不會作弊的測試

用一句話說明回測與前瞻測試的差別：回測問的是這個想法當時會不會奏效；前瞻測試問的是從現在起它會不會奏效。

從回測中去除事後偏見是最困難的。你知道發生了什麼，所以你知道要選哪些參數、要突顯哪些體制、以及要稱哪段期間為正常。任何程度的滾動前移（walk-forward）紀律都無法完全消除那種優勢。前瞻測試透過設計來消除它：在結果尚未存在前就把策略凍結，結果就無法被事後填補。

當你啟動前瞻測試時，AlphaVue 會凍結策略版本、其參數、資料合約、起始資金、基準以及啟始時間。從那一刻起，平台在實際市場日曆上運行一套紙上帳本──訂單、成交、淨資產價值、檢查點──你可以暫停、恢復或停止測試，每個事件都是不可更改的。沒有機制可以改寫歷史，因為不存在可改寫的歷史：紀錄自建立起算，只會向前成長。

前瞻測試帶來回測做不到的東西：在結果發生前所做的觀察。經過足夠的檢查點後，一個有實質影響的前瞻結果可以在決策訊息流中產生更新，將驗證與日常監控的回路閉合。這是產品中最直接對應發布承諾的部分：知道什麼改變了，以及該論點是否仍然成立。

投組影響：變動對你持有部位意味著什麼

若決策更新忽視你已持有該股票，即使判斷正確也可能毫無用處。投組影響是研究與你實際持倉之間的橋樑。

你可以手動建立投組或從 CSV 匯入，包含持倉、成本基礎和現金。AlphaVue 會以確定性的方式計算曝險、集中度、產業分布、相關性與風險貢獻。目標不是要顯得高深莫測，而是回答一個具體問題：若此論點破功，我的投組有多少會受到影響，透過哪些持倉受到影響？

每個涉及持倉的決策更新都可以從三種情境來檢視：當前情況、若論點失敗的情況，以及持倉變動時的情況。投組影響歷史會隨時間保存這些視角的紀錄，讓你能看到風險輪廓如何隨著研究一起變化，而不用只靠記憶。

舉例讓它更具體。你持有一家公司部位，而該公司的研究立場剛變得更保守。投組檢視會顯示該部位相對於總額的大小、投組中有多少比重屬於相同產業，以及若論點失敗時情境數學所暗示的結果。這些都是你可以衡量的事實。它們不是賣出指令，產品也從不假裝它們是。

產品在此劃下明確界線。它說明變動對投組的意義，但絕不發出個人化的交易指示。情境數學描述在既定假設下會發生的情況；它不會告訴你該怎麼做。這道界線是設計的一部分，而非註腳，因為「這是影響結果」與「你應該賣出」之間的差別，正是研究工具要麼有所助益、要麼冒犯並跨入其未被授權給予的建議範疇。

研究資料庫、已儲存案例與分享

找不回來的研究，等於沒做過研究。已儲存工作區會收納你想回訪的項目：你正在研究的公司、含其歷史的投資案例、驗證執行、前瞻測試與匯出檔案。決策收件匣則保留你尚未檢閱的更新，讓訊息流能專注於新事物，而不是重複呈現舊項目。

在此版本中，分享取得了隱私通行證。你可以分享一份研究收據：這是一個只讀快照，呈現研究得出的結論，私人欄位被遮蔽，並附上公開的證據。接收者會看到結論、證據與歸屬，但不會看到你的投資組合、你的筆記或你的身分，除非你另有設定。過去要分享結論通常意味著貼上截圖或匯出文件，而那些文件往往包含超出你意圖的更多上下文。收據讓你能指出推理過程，而不暴露工作區的其他部分。

一個值得複製的工作流程

新的介面各自有用，但它們是被設計成可串接使用的。經過紀律化的迴圈看起來像這樣：

1. 發現。 使用發現功能尋找值得投入時間的公司。並非每檔股票都值得完整研究，而浪費一上午的最快方式就是研究一間你沒有理由關心的公司。

2. 研究。 打開公司的工作區並從概覽開始。先閱讀目前的結論再形成自己的看法，然後檢查哪些資料部分是完整的。

3. 驗證。 打開「事件 & 證據」分頁，查看那些重要主張的原始來源。摘要只是起點，不能替代申報文件。

4. 驗證假設。 在相信一個想法之前，將它送進策略實驗室。測試規則，而非僅信敘述。檢查涵蓋範圍、基準和費用假設，然後再讓結果改變你的想法。

5. 觀察。 如果這個想法通過驗證，就將它凍結成一個前瞻性測試，讓紙上帳本累積真實觀測。起初的紀錄會很短，這正是重點。

6. 回顧。 當有重大更新到來時，先檢查對投資組合的影響，然後回頭檢視案例歷史，看看論點是被證實還是遭到質疑。

這個檢查清單並不是對更高報酬的承諾。它是讓流程可重複的一種方法，從長期來看比任何單一判斷更重要。可重複的流程也是從錯誤中學習的唯一方式，因為它提供了你曾經相信什麼、何時相信以及接著發生了什麼的記錄。

哪些保持不變

並非所有東西都被重建，值得指出那些被保留的部分。

AI 研究仍然是分析核心。它是產生決策層背後深度、多面向分析的流程，為了容納新的介面並未削弱它。來源引用仍貫穿整個產品：每一項重大主張都可追溯到其出處。平台仍支援多種語言，包括英文、中文與日文，並會陸續增加其他地區語系。響應式設計仍可在手機到寬螢幕桌面顯示器上運作，本次版本的無障礙改善涵蓋了新的工作區，而不只是行銷頁面。

之所以點名這些，是因為當明確知道哪些沒變時，能力更新會比較容易讓人信任。決策層是圍繞已存在分析引擎所新增的補充。

AlphaVue 仍不會做的事

明確界限是值得的，因為它們是產品誠實性的一部分。

AlphaVue 並不保證超越市場的回報，也不會以統計勝率來呈現模型的信心。它不會發佈個人化的交易指示，研究內容亦不構成任何買入或賣出證券的建議。情境輸出描述在既定假設下會發生的情形；並未考慮您的投資目標、稅務狀況或風險承受度。

資料涵蓋範圍會因公司、來源與揭露慣例而異。有些資料集按需收集，因此某些章節可能僅為部分資料或仍在準備中，工作區會顯示該狀態，而不會假裝資料已完整。估計的事件日期會標註為估算值，應透過投資人關係資料加以確認。AI 輸出可能包含錯誤或遺漏相關背景，市場資料可能延遲或受到上游問題影響。正確的使用方式是將此產品作為流程中的一項參考，並同時包含原始申報文件與您自身的判斷。

常見問題

什麼是 AlphaVue？

AlphaVue 是一個為自助式美國股票投資者設計的 AI 研究平台。它產出附有來源引註的結構化公司研究，並新增一層決策功能：個人化的重要變更動態、策略驗證、AI 歷史重演、前瞻測試，以及投組影響分析。

AlphaVue 的決策動態是什麼？

Today 是一個為您所追蹤公司提供的重要更新個人化動態。當證據、風險、催化因素、結果或研究立場發生變化時，就會出現更新。每則更新連結至支援證據並顯示當前論點，因此該動態回答了一個問題：自您上次查看以來有什麼改變？

我可以在不撰寫程式碼的情況下回測股票策略嗎？

可以。Strategy Lab 支援無程式碼回測，提供視覺化策略建立器與技術規則。您選擇規則、投資標的範圍、期間與基準；平台會非同步執行測試，並以淺顯語言說明結果，包括最大回撤、穩健性、費用與限制。

回測與前瞻測試有何不同？

回測是將規則套用於歷史資料，且始終受到事後偏誤影響。前瞻測試則在建立時鎖定策略，並僅在紙上帳本記錄之後發生的情況。前瞻測試結果無法回填，因此不具事後優勢。

什麼是 AI 歷史重演？

AI 歷史重演會在早期的特定時點重新執行 AI 研究流程，僅使用當時可取得的證據與資料快照。這是一種研究審查而非確定性的回測，並會顯示所使用的模型、提示詞與資料版本，以利重現結果。

投組影響分析如何運作？

您可以手動建立投組或從 CSV 匯入。AlphaVue 會計算曝險、集中度、產業分布、相關性與風險貢獻，然後顯示在不同情境下，一項決策更新對投組的影響，包括研究論點失敗的情形。

AlphaVue 是投資建議嗎？

不是。AlphaVue 提供研究資訊與工具。它不會考量您的個人目標、財務狀況、稅務立場或風險承受度，且不發出個人化的交易建議。

AlphaVue 保證獲利嗎？

不。該平台不保證超越市場的報酬，驗證與前瞻測試的結果描述的是在所述假設下的行為，而非對未來表現的預測。

AlphaVue 涵蓋哪些公司？

研究覆蓋重點為在美國上市的公司，並依據資料可得性而有所不同。資料集收集中時覆蓋範圍可能為部分，工作區會顯示每個區段的收集狀態，讓你不用猜測。

AlphaVue 的費用是多少？

AlphaVue 提供免費等級與 Pro 方案。免費等級提供有限的分析與受限的驗證執行；Pro 則增加配額、更深入的證據、更多追蹤、投資組合影響分析，以及更長的前瞻測試歷史。請參閱價格頁面以取得最新資訊。

AlphaVue 如何避免向前看偏誤（look-ahead bias）？

驗證執行使用有版本控制的資料快照與凍結的輸入，因此分析僅反映截至該日期已知的資訊。前瞻測試更進一步：策略在建立時即被凍結，結果無法補回，藉此從結構上消除事後諸葛的情形。AI 歷史重放會顯示使用的模型、提示與資料版本，因此可重現該流程。

我的投資組合與研究資料是私人保密的嗎？

投資組合部位、筆記與儲存的案例僅對你的帳戶可見。共享的研究憑證為唯讀，私人欄位會被塗銷，並僅顯示你選擇分享的結論與公開證據。

先從變化開始，而不是從報告開始

要了解此更新意義的最簡單方法，是打開一間你已在追蹤的公司，從總覽開始。閱讀當前結論，檢查變動之處，查看證據。如果這個想法對你重要，將它放入驗證流程；若通過，將其凍結為前瞻測試，這樣下一次審閱就會有實際的東西可檢視。

AlphaVue 仍然是個 AI 股票研究平台。只是現在答案之後不再是死胡同。

在 AlphaVue 開啟一間公司，從新的總覽開始。