倖存者偏差投資分析：你看不見的損失
倖存者偏差（Survivorship Bias）被譽為投資領域中最具破壞性的認知偏誤之一。它揭示了一個令人不安的事實：我們看到的「成功」往往只是因為失敗者已經消失了，而不是因為成功真的那麼容易。
在投資市場中，倖存者偏差無處不在。從你每天看到的投資成功故事、基金績效排行榜、到股票篩選工具的結果，倖存者偏差都在悄悄扭曲你的投資認知。
什麼是倖存者偏差？
倖存者偏差（Survivorship Bias）是一種認知偏誤，指人們在分析數據時只關注倖存下來的成功案例，而忽略失敗或消失的案例。這個名詞源自第二次世界大戰期間，軍事統計學家 Abraham Wald 發現的一個現象：
盟軍飛行員希望增加飛機的防護。他們觀察返航飛機上的子彈痕跡，發現機翼和機身部分的中彈密度最高。但 Wald 指出：應該加強子彈痕跡最少的位置（引擎和駕駛艙），因為那些位置中彈的飛機根本沒有返航。
這就是倖存者偏差——你看到的「數據」本身已經被「倖存者」的特性嚴重扭曲。
倖存者偏差在投資中的六大表現
1. 只參考現存股票的历史表現
這是倖存者偏差在股票市場中最常見的表现：
- 回測策略時只包含目前上市的股票
- 忽略已經退市、被收購或破產的股票
- 結果：高估策略的真實績效
實際數據：根據研究，美國市場每年約有 5-8% 的股票退市（包括合併、收購、破產、退市等）。如果回測忽略這些退市股票，策略的回報率會被高估 2-5 個百分點。
2. 基金評級只基於現存基金
基金評級和績效排行榜只關注目前存活的基金：
- Morningstar 等評級機構的「五星基金」名單只包含現存基金
- 績效差的基金被合併或清盤，不再出現在排行榜上
- 結果：投資者認為選到「五星基金」的成功率遠高於實際
實際數據：根據 SPIVA（S&P Indices vs. Active）報告，超過 80% 的主動型基金在 10 年期內跑贏不了對應的指數基金。但因為績效差的基金被清盤，投資者看到的只是「倖存下來」的那 20%。
3. 成功投資者的故事被廣泛傳播
倖存者偏差還體現在投資媒體和社群中：
- 巴菲特的投資故事被廣泛傳播和學習
- 但同時虧損的投資者很少公開分享他們的經驗
- 社交媒體上活躍的「投資大V」大多是倖存者
結果是投資者對投資回報率產生嚴重誤判——認為「只要學對方法就能賺錢」，而忽略了運氣和倖存者偏差的影響。
4. 股票篩選工具的倖存者偏差
股票篩選工具（Screeners）本身也存在倖存者偏差：
- 工具只包含目前上市的股票
- 篩選結果中不會出現已退市的「死股」
- 投資者使用篩選工具時，得到的結果本身就帶有倖存者偏差
5. 投資書籍和課程的倖存者偏差
投資書籍和課程往往基於倖存者的經驗：
- 「巴菲特之所以成功是因為他遵循了 XX 原則」
- 但沒有提到成千上萬同樣遵循這些原則的人並未成功
- 成功的策略被歸因於方法，而忽略了運氣和市場環境的因素
6. 指數編制的倖存者偏差
指數編制方法本身就存在倖存者偏差：
- S&P 500 會定期剔除表現差的股票，加入表現好的股票
- 指數的長期回報包含了「自動淘汰弱者」的效果
- 但投資者可能誤以為這純粹是策略的成功
倖存者偏差的科學解釋
倖存者偏差的運作機制可以從以下角度理解：
選擇性可見性（Selective Visibility）
倖存者偏差的核心機制是「選擇性可見性」——只有倖存者才能被看見。失敗者已經消失，無法提供數據或經驗。
歸因錯誤（Attribution Error）
人類傾向於將成功歸因於能力或方法，而忽略運氣和環境因素。當只看到倖存者時，我們更傾向於認為「他們做對了什麼」，而忽略了他們可能只是「運氣好」。
數據缺失偏誤（Missing Data Bias）
倖存者偏差本質上是一種數據缺失偏誤——我們擁有的數據本身就是不完整的，因為失敗的樣本已經從數據集中消失了。
倖存者偏差的經濟成本
倖存者偏差不僅是心理現象，它還有實際的經濟成本：
| 成本類型 | 影響 |
|---|---|
| 高估策略績效 | 基於有偏差的數據做出投資決策 |
| 錯誤歸因 | 將運氣當能力，導致未來決策失誤 |
| 錯失學習機會 | 忽視失敗者的教訓，重複同樣的錯誤 |
| 風險評估失準 | 低估投資的真實風險 |
克服倖存者偏差的系統化方法
方法一：使用包含退市股票的完整歷史數據集
最有效的方法是使用包含所有股票的完整歷史數據集：
- 完整數據集：使用包含退市、被收購、破產股票的完整數據集
- 跨週期驗證：確保策略在不同市場週期中都經過驗證
- 真實回測：基於真實存在的數據進行回測，而非「倖存者數據」
方法二：定期檢視被剔除的股票
建立定期檢視被剔除股票的機制：
- 每月檢視被從市場剔除的股票
- 分析這些股票退出的原因（基本面惡化？財務造假？行業變遷？）
- 將這些教訓納入策略改進
方法三：使用 AI 量化選股工具
Algo Lab 的 AI 量化選股系統可以有效減少倖存者偏差：
- 全市場覆蓋：處理 8,000+ 美股，包含所有活躍股票
- 10+ 年歷史數據：基於完整的歷史數據進行分析
- 247 個 AI 多因子指標：全面考慮各種市場條件
- 大數據分析：處理 120M+ 每日數據點，提供全面的市場視角
方法四：對策略進行包含全市場的回測
確保策略回測包含全市場：
- 包含退市股票：回測數據包含所有退市和被收購的股票
- 跨市場驗證：在不同市場和行業中驗證策略
- 壓力測試：在極端市場條件下測試策略表現
方法五：培養「反倖存者」思維習慣
在日常生活中培養反倖存者思維：
- 當看到投資成功故事時，主動尋找同樣方法的失敗案例
- 當評估投資策略時，問自己「如果包含所有股票，結果會怎樣？」
- 主動關注失敗者的經驗教訓，而不僅僅是成功者的故事
倖存者偏差的自我檢查清單
在評估投資策略或學習投資方法時，檢查以下問題：
| 檢查項目 | 是 | 否 |
|---|---|---|
| 我評估的策略是否只基於現存股票？ | ||
| 我學習的投資方法是否只來自成功的案例？ | ||
| 我使用的篩選工具是否包含退市股票？ | ||
| 我是否定期檢視被從市場剔除的股票？ | ||
| 我是否主動尋找失敗案例來驗證成功方法？ |
如果 3 題以上回答「是」，你的投資認知可能受到了倖存者偏差的影響。
總結
倖存者偏差是人類的本能反應——我們傾向於關注可見的成功案例。但在投資市場中，這種本能往往導致嚴重的誤判。
最有效的克服方法是使用完整歷史數據、定期檢視被剔除的股票、以及依賴 AI 量化選股工具減少主觀判斷。記住：你看不見的不見得不存在——在投資市場中，消失的往往比存在的更多。
用完整數據驅動你的投資決策？ 加入 Algo Lab VIP，享受 AI 驅動的全自動量化選股服務。每天獲取專業信號，讓 247 個 AI 因子為你做決策。
FAQ 常見問題
Q：什麼是倖存者偏差？ A：倖存者偏差是指人們只關注倖存下來的成功案例，而忽略失敗或消失的案例。更多見 可得性偏誤交易心理學。
Q：如何避免倖存者偏差？ A：使用 Algo Lab 的完整市場覆蓋系統，定期檢視被剔除的股票。
Q：倖存者偏差對回測有什麼影響？ A：如果回測只包含現存股票，會高估策略真實績效。考慮倖存者偏差後，許多策略年化回報率會下降 2-5 個百分點。更多見 可得性偏誤交易心理學。
參考資料
- Lehmann, B. & Modglibski, P. (2003). "Survivorship Bias and Asset-Pricing Performance Discrepancies." Journal of Financial Research.
- Elton, E. et al. (1996). "Survivorship Bias and Mutual Fund Performance." Review of Financial Studies.
- SPIVA Reports (2024). S&P Indices vs. Active. S&P Dow Jones Indices.