故事建立連結、被人記住，但真正說服人的是數字。它們替模糊的故事賦予精確感，把判斷量化讓人在不確定中感到安心。本章追溯數字的歷史、剖析它對人的吸引力，最後揭示過度信任數字的危險。

數字的歷史#

• 史前時代：洞穴壁畫上的計數系統
• 馬雅文明：以 60 為底的數字系統
• 埃及人：發明今日數學基礎的十進位系統
• 印度人：今日所謂的「阿拉伯數字」其實源自他們
• 阿拉伯人：發現零的奇妙特性
• 中國人：探索負數的可能

數字真正普及，要等到三件事發生：

• 中世紀：保險業興起與統計學進展
• 19 世紀：金融市場誕生，催生精算師、會計師、股票經紀人這群「以數字為業」的人
• 20 世紀中：電腦發明把計算規模推上新高
• 1970 年代：個人電腦的出現，把數據與分析工具民主化，不再只屬於大公司、大學或研究機構

為什麼我們被數字吸引#

數字看似精確#

麥可路易士（Michael Lewis）《魔球》（Moneyball）描寫奧克蘭運動家隊比利比恩（Billy Beane）以統計革新棒球管理。書中對傳統棒球文化的評語：「這是一個非科學文化對科學方法的反應（或不反應）。」

這場「以數字取代直覺」的革命擴散到各領域：

• 賽伯計量學（sabermetrics）：以比爾詹姆斯（Bill James）為精神導師，影響各種運動
• 政治預測：奈特席佛（Nate Silver）以統計挑戰主流政治評論
• 商業領域：受影響最深，因為資料量最大、應用回報也最高
• 社群媒體：按讚數、轉推數量化內容影響力，讓人為了數字而改變內容

數字看似客觀#

學校教過的「科學方法」精神：先有假設、收集資料、用資料接受或拒絕假設。雖然這份「無偏見」的形象並不真正成立，但聽眾仍然認為用數字講話的人更客觀——即使他們覺得情感上更難親近。

數字看似掌控#

• 童書《小王子》中那個數星星的人相信：能數完，就能擁有
• 商業界的口頭禪：「無法度量就無法管理」
• 在庫存管理上，這口號確有實效；但在許多領域，它已被悄悄替換為更危險的版本——「度量了，就等於管理了」，用更多數字取代真正的分析

案例 4.1：量化投資（quant investing）的興起

• 班傑明葛拉漢（Benjamin Graham）的價值篩選清單，曾是手工苦差事，今天人人秒做
• 馬可維茨（Harry Markowitz）的有效投資組合理論在 1950 年代是計算噩夢，現在個人電腦即可運行
• 1970 年代學者翻找歷史資料，發現「小型股報酬高於大型股」、「低本益比股票打敗大盤」等異常（anomalies）；對學界是「異常」，對投資人卻是可剝削的市場無效率
• 邁可路易士在《快閃大對決》（Flash Boys）中揭露的高頻交易（high-frequency trading），是純數字驅動投資的極致

數字的危險#

精確的幻覺（The Illusion of Precision）#

精確（precision）≠ 準確（accuracy）：

• 精確：同樣輸入下，模型結果彼此多接近
• 準確：模型結果與真實數字多接近

高準確 + 高精確：好模型
低準確 + 高精確：危險（看似可靠卻錯得整齊）
高準確 + 低精確：仍可用
低準確 + 低精確：完全無用

數字的紀律是：給出估計時，要同時揭露可能的標準誤差（standard error）。但實務上，估計值常被當成「事實」，造成災難。

框架效應（framing effect）：行為經濟學發現，同樣的數字以正向（救活）或負向（死亡）表述，會誘發完全不同的選擇。商業中對應的就是「賺錢 vs. 虧錢」、「企業生存 vs. 企業倒閉」。

案例 4.2：「噪音」極大的股票風險溢酬（equity risk premium）

1928–2015 年美股年均報酬 11.41%，公債年均 5.23%，差額 6.18% 被當成「歷史風險溢酬」。但這個估計值的標準誤差是 2.30%——意味真實值可能介於 1.58% 到 10.78% 之間。換不同的時間區間（1966–2015、2006–2015）、不同的無風險工具（國庫券 vs. 公債）、不同的平均方法（算術 vs. 幾何），就會得到從 2.53% 到 7.92% 各種估計。這顯然是估計，不是事實。

客觀的幻覺（The Illusion of Objectivity）#

數字蒐集、分析與呈現的整個過程都有偏誤鑽進來的縫隙；在熟練的數字操作者手裡，這份偏誤甚至比故事更難被察覺。

案例 4.3：達莫達蘭每年公布美國上市公司的有效稅率，提供三種平均算法（簡單平均、加權平均、僅針對盈利公司的加權平均）。

• 商業遊說團體挑出最高的稅率，主張企業已盡納稅之責
• 倡議團體挑出最低的稅率，主張企業逃稅
• 兩邊都聲稱「事實在我這邊」，雙方都不承認偏誤

掌控的幻覺（The Illusion of Control）#

度量某物不等於控制它：體溫計能告訴你發燒，但無法治療。在公司估值的世界裡，這幻覺以兩種形式出現：

• 敏感度分析（what-if analysis）：常常是決策後才補的儀式感，讓分析師「感覺有掌控」
• 對小數的執著：達莫達蘭半開玩笑地說：「不確定時，就在最終數字後多加幾位小數。」

案例 4.4：長期資本管理公司（Long-Term Capital Management, LTCM）的悲劇

• 1990 年代初由前所羅門兄弟（Salomon Brothers）交易員梅利威瑟（John Meriwether）創立，網羅華爾街頂尖債券交易員與兩位諾貝爾獎得主——休斯（Myron Scholes）與默頓（Bob Merton）
• 早期表現非凡，使用低成本債務放大資本，在多為安全的投資上獲取可觀回報
• 隨資金規模擴大轉向風險較高的投資，卻沿用相同槓桿，因為複雜模型告訴他們：個別風險高，但組合不會同步崩跌
• 1997 年俄羅斯崩盤蔓延全市場，模型的假設失靈，LTCM 瀕臨破產，最後由聯準會主導的銀行聯合救市才善了

教訓：擁有最聰明的腦袋、最即時的資料、最精密的模型，並不等於成功。同樣的，2008 年銀行危機中崩潰的「風險值」（VAR）模型，也說明了這個道理——當銀行過度倚賴 VAR，反而放下警戒，最終付出代價。

威嚇因素（The Intimidation Factor）#

打開複雜的試算表是讓懷疑論者閉嘴的最簡單方法：

• 對講者：藉此截斷辯論，避免可能揭露關鍵弱點的追問
• 對聽眾：把數字當作不做功課的藉口
• 出問題時，雙方都怪模型——但模型本身並沒有為失敗負責

模仿的問題（The Imitation Problem）#

純粹的數字決策容易被取代：

• 被機器取代：機器人理財顧問問同樣的問題，產生同樣的投資組合
• 被同行模仿：你買賣什麼股票一旦可見，對方算力夠強就能複製你的策略

旅鼠問題（The Lemming Problem）#

當所有人擁有同樣的資料、用同樣的工具：

• 大家會在同一時間發現同樣的機會，創造羊群行為（herding）
• 短期形成動能、強化彼此的決策
• 一旦底層結構改變，所有人會集體犯錯
• 後果：泡沫越來越大，破裂時造成的災難也越大

故事是數字的解毒劑#

加入故事後，許多陷阱可以化解：

• 降低精確幻覺：故事是模糊的，提醒你改變故事就會改變數字
• 降低控制幻覺：故事可被外力扭轉，迫使你承認結果不是你能保證的
• 暴露偏誤：當你被迫攤開數字背後的故事，偏誤對所有人都變得可見，包括你自己
• 更難被模仿：模型可複製，但故事是個人化、具細節差異的，難以被原樣翻製

唯一無解的還是羊群效應：當大家都用同樣的數字得出同樣的結論時，故事也會跟著趨同。打破群眾瘋狂的最佳方式，仍然是用數字加上一個更真實的替代故事。

案例 4.5：量化投資的另一面

• 不精確：市場數據雜訊極大，所有量化策略都是建在過去資料上，未來不一定照走
• 有偏誤：策略一旦冠上你的名字、賣給客戶，你就走上偏誤之路，會在策略快崩潰時還繼續找到「它有效」的證據
• 無控制：2008 年危機讓建立在歷史資料上的模型同時失靈，所有對沖基金幾乎在同一時刻收到錯誤訊號

量化投資要永續，必須給敘事一個位置。一旦結合故事，它不只更成功，也更難被模仿與外包。

結語#

達莫達蘭天性是數字派，但越深入數字，反而對純粹數字驅動的論證越懷疑：

• 財務資料的雜訊極大
• 純科學家其實非常少，所有研究都帶偏誤——重點是辨認方向與大小
• 給某個東西貼上數字，並不代表理解或控制它

達莫達蘭可以列出十幾種風險的量化指標，每個都有學術背景，但他每天仍然在思考：風險到底是什麼？它如何影響投資人？這份謙卑，正是好的數字工作者應有的態度。