TL;DR

  • 誤判分成偽陽性(False Positive)和偽陰性(False Negative)兩種, 前者把陰性(Negative)讓判為陽性(Positive), 後者則是反過來。
  • 若要提高整體的判斷準確率,優先把偽陽性的機率降下來。

在投資時,我們自然會希望投資組合裡每個都是優值的標的, 可惜事實總不是如此, 這裡要用偽陽性和偽陰性這個概念來談為什麼會這樣。

為了說明方便,我直接用選股這個概念說明,投資標的就是公司; 現實上則可以延伸到其他投資標的。

誤判分成偽陽性(False Positive)和偽陰性(False Negative)兩種, 在選擇投資公司這件事來說,可以視傑出公司為陽性(Positive),視平凡公司為陰性; 偽陽性是把平凡公司誤認為傑出, 偽陽性是把傑出公司誤認為平凡。

整體正確率的算法

假設上市公司有 1000 家, 其中傑出公司占 10%,也就是有 100 家傑出公司,其餘 900 家是平凡公司, 在偽陽性和偽陰性的機率都是 20% 的情況下(即正確判斷率是 80%), 投資組合裡的傑出公司佔比只有 30.8%,而不是直覺認為的 80%。

這個數字可以用底下的樹狀圖解釋,因為偽陽性機率是 20%, 所以 900 家平凡公司裡有 180 家會被誤判成傑出(樹的右半邊), 同樣的,偽陰性的機率是 20%,所以 100 家傑出公司裡有 80 家仍會被判斷成傑出, 剩下的 20 家則誤判為平凡, 總得來說,共有 80 + 180 = 260 家公司會被判別為傑出,但其中只有 80 家是真的傑出, 所以投資組合裡的傑出公司佔比是 80 / 260 = 30.8%。

misjudgment_baseline.svg

改進偽陽性

假設我們提升了自己的選擇能力,把偽陽性機率從 20% 降到 10%, 而偽陰性機率不變,仍是 20% 的話, 那就變成下方的樹狀圖的樣子, 整體正確率會變成47%,從30.8%一下子變成47%,這是很大的進步。

misjudgment_reduce_fp.svg

改進偽陰性

相對的, 假設我們偽陰性機率從 20% 改進成 10%, 而偽陽性機率不變,仍是 20% 的話, 那就變成下方的樹狀圖的樣子, 整體正確率會變成33.3%,和改進前的30.8%相比,沒有太大的變化。

misjudgment_reduce_fn.svg

這意味著什麼

如前所述,即使有80%的機率看對(偽陽性和偽陰性的機率都是 20%), 最後投資組合裡的整體的傑出標的也只有 30.8%,約1/3左右, 這是因為傑出標的在整體市場裡終究是少數, 多的是平凡的標的(這裡不討論什麼叫傑出和平凡), 精準的投資眼光並不意味著有好的投資組合。

若是想把投資組合的表現提昇,比較有效果的做法是降低偽陽性機率, 也就是說,當一個傑出標的出現在眼前時,要能更準確得識別出來, 這通常表示著我們要專注在它難以造假的訊號(如ROE, EPS, 稅後淨利率等), 而不是看它的新聞稿。