
股價回落 35%,該猜底還是更新機率?NVIDIA 風險預測的三層方法
11 月 16 日,NVIDIA 收在 156.14 美元。不到六週前,股價曾收在 239.24 美元附近。當領導層交接、出口規則變動與財報倒數同時出現在螢幕上,投資人很容易只剩下一個問題:現在該猜底,還是先退場?
但市場真正需要的,可能不是再猜一次方向,而是把問題改寫成可驗證的事件。NVIDIA 的案例,正好示範如何把「黑天鵝風險」從情緒,變成一套能更新、能檢查的決策流程。

圖片說明:AI 概念圖,呈現市場事件的多種可能路徑。
先把「風險」改寫成可以判定的事件
「NVIDIA 有治理風險」聽起來重要,卻無法直接驗證。什麼情況算風險發生?要看一週、一季,還是一年?如果定義不清楚,股價漲跌之後,任何結果都可能被解釋成自己早已預料。
因此,先提出一個有期限、有判準的問題:NVIDIA 公布第三季財報後,五個交易日內,股價會落在哪個區間?以 11 月 16 日收盤價 156.14 美元為基準,五日內下跌超過 5% 定義為偏空,上漲超過 5% 定義為偏多,其餘歸為中性。這些只是預測分類門檻,不是目標價。
接著把已知事實與未知風險分開。公司已公告執行長交接,財報時程維持原定安排;公司上一季給出的第三季營收展望是 1,080 億美元、上下浮動 2%,市場分析師共識約為 1,090.8 億美元。美國商務部另公布先進晶片遠端存取新規,實際影響仍要看適用範圍與執行方式。
貝氏更新:讓新消息改變機率
貝氏更新不是看到利空就把風險加倍,而是追問:若某項風險存在,這則新證據有多可能出現?若風險不存在,出現同一證據的機率又有多高?先以相似事件的基準率作起點,再根據證據可靠度與獨立性調整。
在這個案例中,領導層交接未完成、出口規則改變,會提高市場對不確定性的敏感度;但財報仍依原計畫舉行,營收預期也高於公司指引中點。兩邊訊號都要納入,不能只挑支持原先立場的證據。
截至 2026 年 11 月 17 日、財報公布前,可先記錄一組工作估計:偏空 30%、中性 45%、偏多 25%。這不是歷史樣本校準後的統計模型,而是明確標示的主觀起始判斷。它的用途,是讓後續更新有基準,也讓預測能被事後檢查。

圖片說明:AI 概念圖,呈現同一事件可能走向不同市場結果。
賽局理論:推演各方會如何回應
市場不是靜止的棋盤。公司、董事會、監管機關、客戶與投資人會依彼此行動調整策略。財報後,若管理層能具體說明客戶需求、供應承諾、產品路線與接班安排,投資人可能降低對營運中斷的疑慮;若數字亮眼,卻沒有回答關鍵治理問題,市場仍可能選擇觀望。
賽局分析要列出每一方的目標、可採取的行動,以及其他人可能的反應。它不是猜心,而是檢查某個行動會不會引發連鎖反應,進一步改變事件機率或損失幅度。
決策樹:把機率與影響分開
事件發生的機率,不等於事件造成的損失。決策樹把財報結果、管理層訊息與市場反應逐層連起來,再估算每條路徑的損益區間。財報與展望都強、接班說明清楚,偏多機率可以上調;財報符合預期但接班問題未解,中性情境可能更合理;財報或展望失望、治理訊息也模糊,則偏空因素可能互相放大。
這樣做,也能避免只憑幾個情境目標價算出一個看似精確的期望股價。期望值必須建立在清楚的事件分支、機率來源與損益假設上;若底層假設無法追溯,小數點只會增加精確感,不會增加預測力。
預測之後,留下紀錄
每次預測都應保存事件定義、期限、當時機率、證據來源、更新理由,以及哪些新訊號會推翻原判斷。期限到達後,再記錄實際結果,檢查模型是否經常高估風險、低估風險,或只記得自己猜中的那幾次。
真正有價值的,不是事後說「我早就知道」,而是事前留下可驗證的判斷。貝氏更新讓機率跟著證據變化,賽局理論讓我們看見各方互動,決策樹則把不同結果連到可採取的行動。
從猜測黑天鵝,到管理不確定性,關鍵不是找到一個永遠正確的答案,而是建立一套錯了也能知道錯在哪裡、下次可以修正的方法。
常見問題
貝氏更新、賽局理論與決策樹可以用來預測事件嗎?
可以。貝氏更新處理新證據如何改變事件機率;賽局理論分析各方的策略互動;決策樹連結事件路徑、損益與行動。前提是事件定義清楚,並持續記錄與校準預測。
為什麼不能只算一個期望股價?
因為期望股價依賴情境、機率與價格假設。若情境沒有清楚定義,或機率沒有可追溯依據,單一數值會掩蓋不確定性。應先列出事件路徑與損益區間,再計算期望值。
本文資料與適用範圍
本文以 2026 年 11 月 17 日台灣時間、NVIDIA 第三季財報公布前的資訊作為示範。文中的 30%/45%/25% 是主觀工作估計,不是統計模型輸出,也不是投資建議。AI 概念圖由 AI 生成。



留言