「博觀而約取，厚積而薄發。」──蘇軾《稼說送張琥》
這段話是針對治學而論，對於知識的取得與運用如字面意涵，我認為最好的白話註釋是「將學問與經驗的累積，沉澱後提煉出精華；重視積累穩固根基後，始能求得真知灼見。」
為了求得真知灼見，知識的累積與提煉是關鍵，仰賴的是自身的資訊力與分析力。資訊力養成
資訊力的養成有兩個面向，包含資訊收集與資訊處理。以下會交錯使用資訊與資料這兩個詞，原因為面對投資我們得到的資訊常常是基於不同深度與廣度的資料，而從資訊中濃縮提煉出資料目前也很常見(例如透過自然語言處理進行語意分析)。希望此舉無礙於理解以下內容。
資訊收集：
隨著網路服務的普及，投資理財所需的大量相關資訊在網路上也愈來愈容易取得。現在當紅的「大數據」也說明了四個重要的特色(4 V’s of Big Data)：
- 資料的巨量(Volume)。
- 資料的種類多樣化(Variety)。
- 資料的即時性(Velocity)。
- 資料的真確性/不確定性(Veracity)。
以股市而言其實也非常好理解，例如在台股看盤APP可取得1分K的股價資訊與逐筆成交明細，取得的內容也很多元包含各種籌碼資訊如券商進出，取得資訊的延遲頂多幾秒而接近即時，再來是最重要的，大部分的數據與資訊不一定反映實情。
在網路行銷中，可能遇到消費者亂填假資料、作弊手法衝高廣告點擊率或透過爬蟲衝高網頁瀏覽量等；在股市中，大戶可以透過各種手法來扭曲籌碼面表現出的樣態，而財經新聞或券商研究報告可能站在特定立場上發聲或是因為訊息傳遞的時間遲延，而使其可信度不高或是無法反映當下局勢等。在網路世界中，吸引關注以取得利益的方法很多，掩蓋真相的手段亦不少，而資訊愈容易取得而量愈大，愈會讓人無力費心神辨真偽。
資訊收集的管道非常多，以取得資訊的類型分類介紹如下：
- 原始資料：例如各國政府單位揭露的總經指標數據與統計數據、各公司發布之公告與財報、大盤指數與個股的報價資訊等。不過比這些更原始(而龐大)的資料是構成上述資料的訪談問卷資料、公司收支票據、逐筆成交明細等。
- 處理後的資料：將龐雜的原始資料去蕪存菁(不去關注瑣碎細項、將缺失或誤植資料作處理等)後簡化呈現，或是將其作指標化處理。例如多數財經服務平台都會提供這樣的資料(例如各券商下單APP、英為財情、財報狗、財經M平方等)，而像是恐懼貪婪指數就是將多種資訊的集大成、ROE由多項財會項目計算求得作為股東投資參考的指標、而一般探討美國非農就業時多半只關注總人數而不論及各職種細項。
前述的原始資料與處理後資料只是個相對的概念，對於手邊收集的資料只需要判斷其被處理的程度即可，而不必將其二分法區別。畢竟，過於原始的資料容易見樹不見林，而過度處理的資料則見林不見樹。我們應該就當下要探討的問題取得適當處理程度的資料，目標為盡可能容易從中提取出觀點。
為了節省時間心力成本，正常情況下都是先取得處理過的資料來了解現況的大致情形。然而為了探究細節接近真理，溯游而上去撈原始資料是不可或缺的，但由於處理後的資料太容易取得加上平日需要關注的資訊太多，而常常為大眾所忽略。
認清所取得的資料是不是「原汁原味」的這點很重要，例如財報附註中會揭露帳齡分析、區域銷售比、存貨與折舊項目等更細微的資訊，多數情況下或許作用不大，但有些時候會透露四大財務報表所沒顯示出的投資機會或潛在風險。
總經數據這方面就更重要了，例如通膨計算與就業人口的定義、採樣方式、細項等，如不瞭解這些，對於這些時常變動的數據就會少了很多「感覺」。
以下為個人過去做過的分析，很有趣的是原始數據都公布在美國勞動統計局(Bureau of Labor Statistics; BLS)網站上，但這些細節當時沒有什麼曝光度，而是在那之後一段時間才開始出現較多的財經評論，試想這個時間差對市場會有什麼影響？
七月初公布六月的就業數據，非農就業增加但失業率上升的來由。這告訴我們對於每一個總經指標其定義和方法基準必須好好地去了解。
資訊收集偶爾也需要自己來處理，例如透過網路爬蟲技術。若取用的資料量不大但又必須應對含有跳出式廣告或動態呈現的網頁，Python的Selenium模組可以參考使用，如果取用的是表格資料，Pandas模組中的read_html方法非常簡單好用！撰寫過程中，如果你使用的是Chrome瀏覽器，比使用Ctrl+U查看網頁原始碼更好的方法是Ctrl+Shift+I或F12打開開發者工具。
以下為個人用以取得英為財情指數報價資訊的爬蟲示例：
資訊整理：
資訊整理的目的是為了盡可能將脈絡呈現出來所做的事情。例如公司月營收資料使用YoY, QoQ, MoM的處理目的就不同，而除了觀察同一標的不同時間下的數據趨勢外，也可以同時比較不同標的，透過數學運算來形成一個產生訊號的指標。在總經或產業觀察中，由於指標繁多，運用的方式就更加多元了，例如美德公債利差、美國信用風險利差等。
然而，畢竟魔鬼藏在細節裡，有些時候我們仍需要做更細膩的分析。因此自行透過網路爬蟲來擷取公開資訊，並使用程式或是試算表運算來找出更多投資機會仍是很重要的一環。要成為優異的投資人，在懂得善用現成工具節省時間心力之餘，仍必須了解如何運用基本工具與挖掘原始資料。
以下為一個示例，資訊處理方面只取用感興趣的時間區間並設定基準日，然後試以加密貨幣作先行指標，觀察股市走勢與其連動性。注意由於是基於相關性判斷(Correlation)而非因果性分析(Causation)，因此只是提供觀點，並不能保證未來的預測能力。
在技術指標上的應用：例如KD隨機指標在計算過程中即可與通道型的指標結合運用，幫助判斷KD指標達極端值時該採取均值回歸(反向)策略或是趨勢(順向)策略。這個過程中除了活用KD指標並產生可搭配的交易訊號之外，也提供了自行設計新的技術指標與交易策略的靈感。
分析力養成
就我的看法，分析能力是非常難養成但卻又極其重要的，分析能力的強弱基本上也會影響上述資訊處理的方式，因此兩者並非完全獨立。若要在投資這方面短期提升分析能力，最好的方法就是閱讀投資經典，以及看看資深前輩們如何分析時事或標的，我認為這些前輩所需具備的前提如下：
- 經過長時間的歷練與考驗，且學識淵博、眼界廣闊。
- 和受眾或投資標的沒有利害關係，其分析必須獨立於自身利益。
- 不試圖過度簡化傳達資訊與分析結果，避免有意或無意地誤導受眾。
投資相關的社群論壇，例如Seeking Alpha上可能就具有不少的分析高手。
除此之外就是要避免思考的僵化，然後對於心中的疑問找尋解答要有高度的執行力，並以霍華‧馬克斯所謂的「第二層思考」這樣的境界努力吧。
以下提幾個近期可以思考的問題，或許沒有所謂的標準答案，但尋求問題的解答過程有助於幫助你決定交易時所持的立場和觀點：
- 關於英國六七月以來的新冠肺炎疫情走勢，7/19解封之後英國真的回到疫情前的無拘無束了嗎？如果沒有，那限制來源為何？七月底的每日新增病例數趨緩，是因為病毒傳播因某些理由受到控制？還是數據代表性失真(例如參與檢測人數整體下滑、強制篩檢標準放寬等)[註]？在8/1的時候，能預測到8/19的走勢嗎？
- 如果有在關注美國聯準會(FED)對於通膨和就業的看法，對於其屢次公開發表的論述與美國聯邦公開市場委員會(FOMC)會議紀要你有什麼看法？例如關於物價，聯準會官員們的態度是真的樂觀，認為通膨只是短期？還是認為在沒有確切證據下必須保守，以免市場過度反應？對於通膨和就業的平衡[註2]，聯準會希望透過公開言論反覆測試市場來達到什麼目的？
- 關於景氣(Business Cycle)：一般(至少在美國)所謂的景氣位置是由美國的國家經濟研究局(National Bureau of Economic Research; NBER)所定義，其他研究單位所遵行，基本上其功用為「事後確認」，近期決定了最近一次的景氣衰退，即新冠疫情爆發造成的全球經濟衝擊。那麼，這史上最短的景氣衰退合理嗎？之後的復甦與成長可以走多遠？過去的週期循環模式還足以參考嗎？為什麼過去的亞洲金融風暴與歐債危機卻沒有造就景氣衰退？這最短的景氣衰退與各國(尤其美國)迅速的財政措施應對有關，那麼是否表示政府與央行就真的有能力調節景氣，甚至決定景氣走向了？如果可以，市場還有多少是能自行調控的[註3]？
當上述這些問題，以及其他各式各樣的問題都能多方面思考，並針對各種情境作因應的話，那麼也沒什麼意外情況足以使你恐慌或茫然了。
當市場上多數人恐懼或茫然時，你感受到的是源自充足的資訊佐證帶來的心安，與分析思考演練帶來的熟稔，而此時眼前盡是投資機會等你採行。
註：有幾個相關資訊可以追蹤，例如疫情管制措施指標 與它的衡量方式，檢測量能可以參考這裡，而陽性率可在這個網站查到。
註2：這裡指的是菲利浦曲線，政府為了刺激就業、降低失業率而可能導致物價指數或名目工資率攀升。
註3：或許可以從霍華‧馬克斯的《掌握市場週期》中找點思考上的靈感；金融史相關投資書籍例如查爾斯‧金德伯格與羅伯特‧艾利柏所著的《瘋狂、恐慌與崩盤》(Manias, Panics, and Crashes: A History of Financial Crises)也可作為參考。
總結
- 除了懂得找尋各種資訊彙整平台來省心省力之外，也需要具備自行收集資訊、處理資料的能力。由於產出的資訊可能當下市場上察覺的人不多，你在投資上便佔據了相當有利的位置！
- 分析能力的養成並不容易，但盡可能博覽投資經典並和高手學習可以減少自行嘗試的心力和時間耗費。遇到問題時不妨多方面思考，尤其該問題如果有高曝光度的主流答案存在時，通常這時候需要存疑並好好地深入思考。
- 分析思考的過程並不光是為了找尋正確答案，而是為了在之後各種可能的變化出現之前做好應對措施。若未來再次遇到類似的情景，會感到的是熟悉感而不是恐懼或茫然。
文章縮圖來源：咖啡柚子
本文最新版本：2021.8.19
本文初版發布：2021.8.19
