這次不一樣：怎麼判斷一段規律正在失效

前陣子記憶體股回檔時，我寫了一篇文章。底下的留言很快出現兩種相反看法。

一派認為，記憶體仍是景氣循環股，本益比最低時，獲利往往已經接近高點。另一派則認為，產業集中、HBM 的製造難度與 AI 需求，已經提高記憶體公司的長期獲利能力。

兩邊都拿得出資料。只是需求強勁、價格上漲、盈餘優於預期，既可能出現在週期高峰，也可能出現在產業改變的起點。這些資料重要卻不一定有能力分辨兩種說法。

我想借記憶體產業這個例子，談談「這次不一樣」這件事。如果你希望得到一個明確、二元、非黑即白的答案，這篇文章可能不會滿足你。我更想談的是怎麼先理解一段規律原本如何運作，再判斷它是否正在失效。

我通常會用四個步驟。第一步是先判斷答案會不會改變行動（考量研究的時間成本），再把不同說法寫成可檢查的預測，最好能大略量化並設定證偽門檻，類似統計學上的假設檢定。接著找出能區分預測的證據，最後替每條可能路徑設定部位規則。

這套方法無法保證得到正確答案。它的用處在於說清楚目前哪條路徑獲得較多支持，以及在等待答案的期間，我們可能承擔了哪些風險。

▉ 第一步：答案會不會改變行動

在花上好幾天，甚至幾星期研究「這次是否不一樣」之前，我通常會先用幾個小時想一個更前端的問題：不同答案，會怎麼改變我的行動？

在目前價格下，兩種說法會怎麼影響我買多少、加減碼、持有多久，以及怎麼控制風險？我們的研究時間有限。如果不同答案會明顯改變決策，那多花時間是值得的。但如果所有合理結果都導向差不多的部位與做法，那就該考慮時間成本，把力氣留給其他更有差異的問題。

以這一輪記憶體為例，我會先把幾種合理情境放進目前股價，分別估算預期報酬、下行空間與持有時間，再看它們是否真的會大幅改變部位。

如果幾種情境都支持相近部位（例如現在還在景氣循環的上行中點，或是這的確是長期的結構性改變），繼續深挖產業是否永久改變，對決策的價值就有限。相反地，如果其中兩種情境支持加碼，另外兩種卻可能導出放空的結論，後面的資料口徑、判定門檻與證偽條件就必須更嚴格。

答案對部位影響愈大，或會改變主要資產配置，研究就要做得愈細，每一項假設也要單獨檢查。但若只是影響很小的部位，粗略情境可能已經足夠。

▉ 第二步：把不同說法寫成可檢查的預測

第二步是把不同說法寫成對未來的明確預測。只有寫成預測，說法才有辦法被檢查，也才有可能被證偽。

記憶體的景氣循環假說，可以簡單寫成一條因果鏈：需求增加推高價格，價格推高利潤，高利潤帶動資本支出。新廠完成建設、裝機與認證後，可出售的記憶體容量增加，供給快速追上需求，價格與利潤率再跟著下降。

而「結構性改變」假說，主張的是這條鏈上的某一段、或好幾段已經被改掉了。把它寫成可檢查預測時，要分開思考：到底是哪個因子改變了哪一段？涵蓋哪些產品？

* 廠商行為：影響的是「供給克制」這一段。三家主要廠商可以克制產量，也可以用價格爭取市占率。一組競爭格局能維持多久，取決於各家的產能、成本、產品組合與市占率目標。行為改變的速度和這種改變能維持多久，是兩個不同問題。因此我對廠商行為的驗證門檻會設得比較高，需要更長時間，也需要多個證據互相支持。

* 擴產資金：影響的是「資本支出帶動供給」這一段的財務約束。Micron 的營運現金流足以負擔目前資本支出，客戶也提供預付款與財務承諾。SK Hynix 透過 ADR 募得約 265 億美元，並計畫大幅擴充晶圓產能。這些新增產能會在 2027 年至 2029 年逐步進入市場。真正要問的是：需要多大的需求成長才能消化這些供給？如果價格繼續上升，需求會因價格彈性下降多少？供需重新平衡所需的價格，和當下價格還差多遠？

* 長期合約：影響的是「市場價格如何傳到公司收入」。價格下跌時，合約的價格下限與承諾量可能保護部分營收，但保護程度取決於覆蓋率、條款，以及買方是否要求重談。

* HBM 的供給效率：影響的是「資本支出轉成可售容量」的比例。HBM 需要更大的晶片面積、堆疊與先進封裝，良率管理也更難。因此同樣的資本支出只能增加較少的可售容量，供給追上需求所需時間被拉長。這一項不能直接沿用過去「單位資本支出對應供給量」的方式推估。

* 中國產能：影響的是整條鏈的前提，也就是供給是否會回應價格。政策目標與補貼降低了投資回報門檻，也拉長了虧損容忍期。CXMT 與 YMTC 的擴產不完全跟隨獲利訊號。當價格下跌時，它們可能仍維持投資與產量，削弱全產業同步減產帶來的保護。這項變化可能加深下一輪下行，也可能壓低三大廠傳統產品的正常獲利。

* AI 資本支出：影響的是需求端的性質。過去需求分散在數億消費者身上，這一輪則集中在少數大型雲端業者。如果這些公司的資本支出同步放緩，需求可能早於新產能開出之前就轉弱，進而改變下一輪下行的速度。

這些條件會互相影響。客戶預付款會加快擴產，HBM 的晶圓需求會降低新增產能轉成可售容量的效率，長約又會延後部分需求調整。整體分析很複雜，結果也必須沿著因果鏈逐段估計。

我會建議在寫預測時，每一項都要附上時間與幅度。只說「供給最後會增加」沒有太大判斷價值。增加多少、何時增加、是否足以壓低價格，才是可以檢查的內容。同樣地，如果說「毛利率會高於歷史平均」，也要寫出比較基準與觀察期間。沒有量化門檻的說法，事後可以解釋任何結果，判斷價值自然有限。

▉ 第三步：找出能區分預測的證據

寫好預測後，就可以開始收集證據做假說檢定。但證據的價值不等於它看起來有多震撼。

一份證據能改變多少信念，取決於它在不同說法下出現的機率差距有多大。差距愈大，區分力愈高。若某項證據幾乎只會出現在其中一個假說下，它就很有價值。相反地，如果兩邊都很容易出現，就算看起來很驚人，區分力仍然有限。

需求強勁就是低區分力的證據。記憶體的週期模型本來就包含需求成長。週期之所以反覆出現，主要是高獲利引發擴產，新增供給再壓低價格。又因為記憶體公司的營運槓桿很高，報價的小幅變化，就可能造成獲利大幅波動。因此，景氣循環假說與結構改變假說基本上都預期需求會成長。需求強，不能區分兩者。

需求資料要提高區分力，必須看它和供給的關係。若缺貨從兩季延長到六季，而供給仍追不上，這會提高「供給能力已經改變」的機率。但六個季度不能當成六份獨立證據。它們可能都來自同一波 AI 投資，彼此高度相關，決策時權重必須打折。

那高區分力的證據長什麼樣？

我想到的一個例子是：資本支出大幅增加後，如果每一美元投資帶來的可售容量，長期仍低於歷史水準，這個資訊就有高區分力。舊週期預期資本最終會轉成供給，但供給效率下降的說法則預期兩者比例會長期降低。兩個假說在這裡給出相反預測。

歷史資料也是證據，但使用前要記得先做「可應用性檢查」：像是當時條件和今天有多接近？供應商數量、產品組合、客戶關係與合約形式，有哪些不同？

舉個例子來說，有不少人認為產業集中是這一輪結構轉變的關鍵，那我們就可以回頭看之前產業集中度上升之後發生了什麼。

早在 Micron 於 2013 年完成 Elpida 收購後，DRAM 主流供應就逐漸集中到 Samsung、SK Hynix 與 Micron。集中化之後，產業仍在 2018 至 2019 年、2022 至 2023 年出現明顯下行。Micron 的 GAAP 毛利率從 2018 會計年度第四季的 61%，降至 2019 會計年度第四季的 28.6%；2023 會計年度部分季度甚至出現負毛利。

2023 年產業集中度上升後的同步減產、資本支出削減，加上突如其來的 AI 資料中心需求，使價格快速反轉。但前面兩次下行說明，單靠產業集中，還不足以支撐結構轉變的論點，否則那些大幅下行不該出現。產業集中頂多可能改變榮枯期比例，或讓廠商更快收縮供給。

正因為記憶體有多次在高獲利後擴產的歷史記錄，景氣循環假說有較高的起始機率。歷史提供的是起點（類似 base rate），至於該保留多少決策權重，新證據是否足以調整這個起點，取決於造成這段規律的因果關係還剩下多少。

▉ 第四步：替每條路徑設定觀察門檻與指標

每次問「這次是否不一樣」時，其實都隱含一個前提：答案只有是或不是。但現實通常介於中間。我覺得更有意義的做法是寫出幾條有時間、有幅度的路徑與情境。

以記憶體為例，可以先分成四種情境。

第一種是週期延長後回歸。缺貨延續到 2027 年，新增產能從 2028 年開始追上需求。HBM 與一般記憶體價格一起下跌，整體利潤回到 AI 熱潮前的區間。

第二種是整體谷底提高。各類記憶體仍一起波動，但產業集中與較低的供給效率，使下一輪谷底高於歷史水準。公司仍有週期性，只是正常獲利已經提高。

第三種是產品明顯分化。HBM 的價格、合約與利潤維持穩定，一般 DRAM 與 NAND 回到舊週期。公司估值需要分開看兩類盈餘。

第四種是下行幅度加深。AI 資本支出在新增產能開出前降溫，傳統記憶體又同時受到中國產能壓力。大量資本支出轉為折舊，下一輪谷底接近或低於歷史水準。

研究的輸出會從一個答案，變成四組機率、現金流與時間。投資人可以看出目前股價需要哪條路徑才能成立，也能知道部位對哪個假設最敏感。我個人認為第二與第三種情境的機率較高，但現有資訊仍不足以排除第一與第四種情境。

寫完路徑後，還要替第二步那份因子清單訂出觀察門檻與指標。

* HBM 供給效率：觀察每美元資本支出增加的可售容量，是否長期低於歷史水準。主要指標包括位元供給成長、資本支出、設備進廠與良率。

* 長約效果：觀察需求空窗或續約時，價格下限與承諾量是否守得住。主要指標包括客戶預付款、合約覆蓋率、取貨進度與條款調整。

* 廠商行為：觀察主要廠商是否再度以低價取得明顯市占率。主要指標包括報價分散度與市場份額變化。

這份清單的作用是讓不同速度出現的證據，都能按照事前規則調整判斷。例如廠商降價可能一季內就發生，但新產能充分量產卻可能要等三年。較快被檢查的說法會先面對淘汰；較慢的說法則容易因為證據尚未到期而繼續存活。只是等待本身不能增加它的可信度。

明確觀察期間的作用就在這裡。到期前沒有看到結果，可能只是時間還沒到；到期後仍沒有看到，才會真正改變判斷。主要指標則用來確認因果鏈是否朝預期方向前進（我們以前稱為「signpost」），避免幾年後才突然發現整套假設都錯了。

▉ 規律改變後，市場還要換一批定價的人

即使產業機制真的改變，市場也不會在短時間內集體更新看法。估值框架的更替與持續，往往伴隨邊際定價者的更換。

原本投資景氣循環股的人，熟悉報價、庫存、產能利用率與資本支出。他們的紀律是在獲利最差、本益比最高，甚至沒有本益比時買進；在獲利到達高點、本益比最低時逐步退出。

願意為穩定性付費的另一群投資人，用的是另一套語言。像是收入能見度、定價權、資本報酬率、現金流波動，以及成長可以維持多少年。他們能接受較高本益比，但入場條件不能只是幾季漂亮財報。

這裡我想引用普朗克談典範移轉時的一段話：「一個嶄新的科學真理之所以能夠獲勝，並不是靠著說服反對者並讓他們看見光明，而是因為反對者最終會死去，熟悉這項真理的新一代人逐漸成長起來。」

在股票市場這類的交接快得多。舊持有人不必凋零或死去，只要賣出即可。當採用另一套觀察指標與持有期限的投資人，逐漸掌握新增交易的價格，公司就可能進入新的估值區間。

較高的盈餘估計與較高的本益比可以同時成立，但兩者需要各自的理由。前者代表公司未來能賺更多錢，後者代表這些錢更穩定、更持久，而且取得它們所需承擔的風險更低。

如果新的產品組合已經提高正常獲利，接著又用同一個理由提高本益比，就要另外證明現金流波動、資本需求或風險也同步下降。

▉ 把判定標準寫在答案以前

「這次不一樣」究竟是不是投資領域最貴的五個字？

一段規律通常由多個條件共同維持，而這些條件失效的速度不同。研究的工作，就是把條件拆開，替每一項寫下觀察門檻、判定時間與部位規則。

這套方法無法消除不確定性。但它能說明目前哪條路徑獲得較多支持、答案最早何時可能出現，以及等待期間承擔哪些風險。

市場每天都有新資料，但真正能改變判斷的只是少數。事前寫下區分標準與行動規則，資料才會累積成決定，而不是累積成一堆看似勤奮的雜訊。