史塔克實驗室

嘉豪
  • 1.0 (1)
  • Investing
  • Daily

史塔克實驗室

  1. 2d ago

    AI 研究室 EP4｜排行榜、理財機器人、聊天機器人：誰在決定散戶的命運？

    大家好，我是台北市議員曾獻瑩，過去在台積電的訓練，讓我能用工程師的角度及專業，分析市政，台北要贏，就選曾獻瑩。台北市大安文山，敬請支持曾獻瑩，票投①號曾獻瑩，台北一定贏。以上廣告，由曾獻瑩競選辦事處出資提供。 https://sofm.pse.is/9tc7rk -- 2026《遇見，預見》Podcast 第四季溫暖回歸！ 主持人吳姍儒，攜手演員、醫師、心理學專家，與年輕世代助理主持， 一起盤點生命價值的排序，為在乎的人提早留下答案。 立即收聽▶️ https://sofm.pse.is/9tc7rl －－－－以上為 SoundOn 動態廣告－－－－ 通勤時滑開券商 App 看熱門股排行，中午理財機器人提醒你再平衡，半夜再問聊天機器人「手上有五十萬，現在買什麼最好？」——演算法已經站在你的下單鍵旁邊。這一集我們拆解三篇同行評審研究：美國免佣券商 App 用戶跟著熱門榜買進的股票，接下來 20 天平均異常報酬是 -4.7%；混合型理財機器人讓散戶少抱現金、少押個股，幾乎消除本土偏誤；但大型語言模型給的投資建議，卻全面提高了投資組合風險。 🎧 這集你會聽到： ・研究者如何用 App 大當機做準自然實驗，把「排行榜帶動的交易」隔離出來 ・跟風買進熱門股的下場：接下來 20 天平均異常報酬 -4.7% ・混合型理財機器人：現金下降、少押個股與高費用主動基金、轉向低費用指數基金與債券，受益最多的是經驗少、現金多、愛短線的人 ・為什麼很難分清楚是 AI 還是真人顧問的功勞，以及選擇偏誤的限制 ・LLM 當理財顧問：建議過度集中、追逐趨勢、費用偏高，提示詞去偏誤也只能部分緩解 ・演算法的目標函數，正在決定散戶的命運；台灣本土研究可以怎麼接著做 📚 本集引用文獻： Barber, B. M., Huang, X., Odean, T., & Schwarz, C. (2022). Attention-Induced Trading and Returns: Evidence from Robinhood Users. The Journal of Finance, 77(6), 3141–3190. https://doi.org/10.1111/jofi.13183 Rossi, A. G., & Utkus, S. (2024). The diversification and welfare effects of robo-advising. Journal of Financial Economics, 157, 103869. https://doi.org/10.1016/j.jfineco.2024.103869 Winder, P., Hildebrand, C., & Hartmann, J. (2025). Biased echoes: Large language models reinforce investment biases and increase portfolio risks of private investors. PLOS One, 20(6), e0325459. https://doi.org/10.1371/journal.pone.0325459 ⚠️ 本集內容依論文摘要整理，語音由 AI 生成，可能簡化細節，引用前請以原始論文為準。 💡 本集僅為學術研究分享，不構成任何投資建議。 ▶️ YouTube 影片版：https://youtu.be/vSydQ8xXUkw AI 研究室｜把論文聽進去 🎙️

    AI 研究室 EP4｜排行榜、理財機器人、聊天機器人：誰在決定散戶的命運？

  2. 3d ago

    AI 研究室 EP3｜找不到答案也硬要選：LLM 為什麼不懂得棄權？

    AI 的考試分數越來越漂亮，但真正危險的往往是「該停下、該棄權、該回頭檢查」的那一刻。這一集我們拆解三篇最新 arXiv 預印本，橫跨醫療、法律與軟體工程：放射治療計畫 Agent 整體決策正確率超過九成，遇到真正矛盾的任務卻只喊停 25–50%；正確判例根本不在選項中時，生成式 LLM 仍有 38–86% 會硬選一個；程式碼 Agent 在多階段功能開發中，成功率從 62.7% 掉到 28.5%，而且前一階段出錯後約 95% 的時候都沒發現。 🎧 這集你會聽到： ・OpenGray：放療計畫 Agent 決策正確率 92–95%，但對解剖重疊矛盾只上報 25–50%；24% 的提交計畫漏掉原本已達成的硬性目標 ・臨床 Agent SAGE 的真實紀錄：每次都指出問題，卻沒有可用的「停止」動作 ・Commit or Abstain?：1,670 題「應棄權」題目中，生成式 LLM 選錯 38–86%，最謹慎的決策模型為 30%，成本只有 1/55 ・只在決策模型同意時才採納 LLM 答案，錯誤引用可以減半 ・FeatureArc：10 個程式碼 Agent、73 個任務，72.9% 的失敗階段存在「繼承缺陷」 ・為什麼評估 AI 不能只看準確率，還要看它知不知道自己該停 📚 本集引用文獻： Nusrat, H., & Thind, K. (2026). OpenGray: a benchmark for evaluating the decisions of radiotherapy planning agents. arXiv preprint arXiv:2610.37081v1. https://arxiv.org/abs/2610.37081v1 Demir, M. M. (2026). Commit or Abstain? System One Decision Models, LLMs, and Missing Legal Authority. arXiv preprint arXiv:2610.29961v1. https://arxiv.org/abs/2610.29961v1 Wang, Y., Wu, A., Gao, C., Feng, J., Lu, S., & Hu, Z. (2026). FeatureArc: Benchmarking Coding Agents on Evolving Features. arXiv preprint arXiv:2610.37434v1. https://arxiv.org/abs/2610.37434v1 ⚠️ 本集內容依論文摘要整理，語音由 AI 生成，可能簡化細節，引用前請以原始論文為準。 🔬 本集三篇皆為 arXiv 預印本（v1），尚未經同行評審，結論可能在後續版本中修正。 ▶️ YouTube 影片版：https://youtu.be/DmoIeQamr0k AI 研究室｜把論文聽進去 🎙️

    AI 研究室 EP3｜找不到答案也硬要選：LLM 為什麼不懂得棄權？

  3. 4d ago

    AI 研究室 EP2｜Sharpe 2.97 的真相：ChatGPT 讀新聞真的能選股嗎？

    每週精選三則重要國際新聞，看世界不只一種角度。 「國際大事收藏版」邀請您一起收藏國際大事，洞悉世界局勢。 https://sofm.pse.is/9tfj5d －－－－以上為 SoundOn 動態廣告－－－－ AI 讀新聞選股、機器學習回測報酬亮眼——但這些數字有多少能真的拿來交易？這一集我們拆解三篇 2026 年的同行評審研究：GPT-4 判讀新聞標題確實有預測力，但策略 Sharpe 隨 LLM 普及一路下滑，而且很怕交易成本；研究者的設計選擇本身就能讓結果天差地遠，「非標準誤」最高可達標準誤的 5 倍；而許多 ML 模型看重的「重要變數」，其實是微型股效應在作祟。 🎧 這集你會聽到： ・GPT-4 判讀新聞標題：隔夜新聞多空策略年化 Sharpe 2.97（未扣成本），以及為何從 2021 年的 6.54 降到 2024 年的 1.22 ・交易成本有多致命：每趟 10 bps，Sharpe 就降到 1.29 ・5,376 個投資組合告訴我們：研究設計選擇造成的「非標準誤」有多大 ・排除微型股之後，ML 選股真正重要的變數變成低風險異象與流動性波動度 ・從統計顯著到經濟顯著：怎麼判斷一個 AI 選股策略可不可信 📚 本集引用文獻： Lopez-Lira, A., & Tang, Y. (2026). Can ChatGPT forecast stock price movements? Return predictability and large language models. Journal of Financial Economics, 184, 104335. https://doi.org/10.1016/j.jfineco.2026.104335 Lalwani, V., Meshram, V., & Jindal, V. (2026). Empirical asset pricing via machine learning: The role of research design choices. European Financial Management, 32(3), 816–833. https://doi.org/10.1111/eufm.70033 Jo, Y., & Kim, Y. H. (2026). Rethinking variable importance in machine learning: An economic perspective on empirical asset pricing. Financial Analysts Journal, 82(2), 92–135. https://doi.org/10.1080/0015198X.2026.2621646 ⚠️ 本集內容依論文摘要整理，語音由 AI 生成，可能簡化細節，引用前請以原始論文為準。 💡 本集僅為學術研究分享，不構成任何投資建議，投資前請自行評估風險。 ▶️ YouTube 影片版：https://youtu.be/hEB3BTBjQjs AI 研究室｜把論文聽進去 🎙️

    AI 研究室 EP2｜Sharpe 2.97 的真相：ChatGPT 讀新聞真的能選股嗎？

  4. 4d ago

    AI 研究室 EP1｜AI 讓你以為自己學會了：生成式 AI 真的提升學習成效嗎？

    用 AI 寫作業、問 AI 解題，感覺自己懂了——但真的學會了嗎？這一集我們拆解近兩年的同行評審研究，看看生成式 AI 對學習成效的證據到底有多強：統合分析說效果是中等正向，但小樣本研究效果特別大，數字可能被高估；GPT-4 給的提示約有三成太籠統、錯誤或直接洩漏答案；而一場大學經濟學課的隨機實驗發現，「AI 家教＋讀書小組」的組合進步最多。 🎧 這集你會聽到： ・課程專屬 AI 家教 Macro Buddy 搭配小組學習的隨機對照試驗，以及它的設計限制 ・ChatGPT 對學業成就的統合分析：Hedges' g = 0.577 代表什麼、為什麼可能高估 ・GPT-4 在智慧家教系統中的回饋品質：35% 的提示有問題 ・學生怎麼看 AI 回饋 vs. 老師回饋：方便，但不夠可信 ・「有 AI 時的表現」與「撤除 AI 後的學習」為何必須分開看 📚 本集引用文獻： Babaei-Balderlou, S., & Shakya, S. (2026). Can structured AI tutoring and study groups improve learning outcomes? Evidence from a randomized controlled trial. The Journal of Economic Education, 1–18. https://doi.org/10.1080/00220485.2026.2695361 Liu, Z., Zuo, H., & Lu, Y. (2025). The Impact of ChatGPT on Students' Academic Achievement: A Meta-Analysis. Journal of Computer Assisted Learning, 41(4), e70096. https://doi.org/10.1111/jcal.70096 Reddig, J. M., Arora, A., & MacLellan, C. J. (2025). Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models. International Journal of Artificial Intelligence in Education, 35(6), 3459–3500. https://doi.org/10.1007/s40593-025-00505-6 （另提及：Henderson et al., 2025；Usher, 2025；Heung & Chiu, 2025） ⚠️ 本集內容依論文摘要整理，語音由 AI 生成，可能簡化細節，引用前請以原始論文為準。 ▶️ YouTube 影片版：https://youtu.be/GazObuu-klg AI 研究室｜把論文聽進去 🎙️

    AI 研究室 EP1｜AI 讓你以為自己學會了：生成式 AI 真的提升學習成效嗎？

  5. Oct 11

    EP156. 學生像屍體怎麼辦？用遊戲打開不想說話的人 ft. 王雅涵《遊戲引導力》 Silent Students? How Games Help People Open Up ft. Wang Ya-Han

    一個心理師，卻說自己「私底下從來不玩桌遊」？ 這集史塔克邀請到認識五、六年的老朋友，諮商心理師王雅涵，聊她的新書《遊戲引導力》。她面對的對象多半不是自己想來的：犯罪青少年、被要求來上課的公務員、上課只滑手機的學生。她不先講道理，而是先讓大家玩起來。 我們聊到「破冰」到底重不重要、怎麼讓一群「屍體」暖起來，也聊到怎麼把生活裡不得不做的事變成一場遊戲。最後她給了一個很不一樣的回答：在 AI 時代，最重要的還是人跟人之間真實的連結。 📌 時間軸 00:00 開場：很久沒訪談，這次找來一個「很難訪」的人 01:55 從疫情時一起錄 podcast 到現在：工作型態的轉變、迷上健身 03:20 心理師不只坐在諮商室：為什麼選擇演講、帶工作坊、到處跑 05:00 從《用桌遊陪孩子玩出天賦》到新書《遊戲引導力》，內容改寫了將近九成 07:40 遊戲治療是什麼？為什麼她說自己用桌遊「不是在治療」 11:00 非自願個案：為什麼付 2500 元來的人一定會開口 13:00 政府免費心理諮商的優點與副作用 13:45 破冰真的重要嗎？其實重點是把專注力抓回來 17:50 現學現用：「五秒定律接力好棒棒」和「炸彈計時器」 21:50 公務員訓練真實案例：一門六小時的「敏感度覺察」課，怎麼上到大家都開心 24:40 不同場合怎麼選遊戲？包包永遠多帶一倍 25:50 一群「屍體」怎麼帶？人多和人少的策略完全不同 27:50 社福單位的現實：KPI、人數失控，還有一次因為交通安排而推掉的邀約 32:50 從《遊戲化實戰全書》的八角框架，談生活中的遊戲化：煮飯、上班、獎勵轉盤 35:25 混合健身課表與 Cindy 挑戰：把運動變成任務 36:30 心理師私底下不玩桌遊？她怎麼充電 39:10 心理師會內耗嗎？她認為壓力更大的是老師 41:20 科技許願：AI 為什麼還不夠「活」 44:50 新書介紹與「心理師的歡樂之旅」 46:10 史塔克的新書預告：用 AI 和科技當作人與人之間的橋樑 📝 本集重點 遊戲是一種媒介，用來降低防衛、建立關係，不只是娛樂 破冰不一定要很熱鬧，重點是把注意力抓回來 很冷的小團體反而先玩策略型遊戲：只要出牌，不用逼大家說話 生活遊戲化很簡單：加入挑戰、不確定的獎勵和一起完成的任務 科技再進步，真實的人際連結仍然最重要 👥 適合誰聽 老師、講師、社工、HR、帶團隊的主管，還有每天被小孩或學生「已讀不回」的你。 💬 「你以為什麼都能破冰嗎？如果他們就是屍體，那就先讓他們出牌就好。」 📚 來賓著作：《遊戲引導力》 📱 來賓粉專／Podcast：心理師的歡樂之旅

    EP156. 學生像屍體怎麼辦？用遊戲打開不想說話的人 ft. 王雅涵《遊戲引導力》 Silent Students? How Games Help People Open Up ft. Wang Ya-Han

  6. Sep 3

    EP155. AI 到底能不能成為交易員的第二個大腦？ Can AI really become a trader's second brain?

    如果把一位交易員過去幾年所有的委託、加碼、停損與撤單紀錄全部餵給 AI，它會不會比你本人更了解你的交易盲點？ 這集不聊老生常談的「用 AI 預測明天股市漲跌」，主持人邱嘉豪要帶大家拆解一個全新的研究視角：AI-Augmented Trader（AI 增強型交易員）。當我們不再把 AI 當作取代人類的全自動交易機器，而是讓它結合 Machine Learning、Explainable AI（SHAP）與 LLM，把交易員多年積累的「盤感」翻譯成看得懂的決策反思——人與 AI 聯手的真實未來究竟長什麼樣？ 本集重點精華 交易決策即數位指紋：為什麼「下單行為資料」比單純的股價與財報更具洞察價值？ AI 能不能學會「人」？：機器學習如何從歷史行為中辨識你的致勝與虧損情境。 技術鐵三角的分工：ML 找模式、SHAP 解釋原因、LLM 翻譯成聽得懂的人話。 Human-in-the-loop：不是幫你下單，而是打造一個雙向進化的決策輔助循環。 資深交易員的「盤感」如何數據化：隱性經驗能被 AI 捕捉並傳承嗎？ 動態適應的雙面刃：當 AI 改變了交易員的行為，模型本身會面臨什麼新挑戰？ 關於史塔克實驗室 深入探索 AI、金融科技與量化投資的前沿交會點。追蹤最新研究動態，一起見證人機協作如何重構金融市場的遊戲規則。 訂閱頻道掌握最新一集動態 歡迎在評論區分享：你會願意讓 AI 分析你的每一筆交易紀錄嗎？

    EP155. AI 到底能不能成為交易員的第二個大腦？ Can AI really become a trader's second brain?

  7. Aug 4

    EP154：基本面不差，為什麼股價不漲？機器人選股的七月難題 Solid Fundamentals, Falling Stocks: My Robot Picks' Rough July

    台股上週五單日大漲3,186點，改寫史上最大單日漲點紀錄，重新站回四萬三千點。但如果你手上跟我一樣抱著這期機器人選出來的股票清單，你可能會覺得——欸，怎麼我的帳沒有對起來？這一集，我們拆解這波反彈背後的三件事：Fed一場罕見的分歧投票、關稅新聞裡「談好了」跟「生效了」的落差，還有機器人選股清單裡，軍工航太為什麼變成整份名單裡波動最大的一條線。 📌 本集重點整理 🔶 總經全景（01:30–10:00） ✔ Fed連五凍利率3.5–3.75%，但這次9比3的表決藏了玄機——3位官員一致主張升息，是2016年來首見 ✔ 台美關稅「15%不疊加」到底談好了沒？框架共識 vs 目前實際生效稅率的落差，一次講清楚 ✔ 半導體今年產值上修到8.44兆元，比市場印象中的七兆元關卡還誇張 ✔ 台積電領軍大漲，中小型股卻是前一天重挫的重災區 🔶 軍工航太：漢翔兩日雲霄飛車（10:00–19:00） ✔ 漲停到跌停只要一天，國防預算審議的風吹草動直接反映在股價 ✔ 漢翔5月營收年增18.86%，本益比卻已墊到近60倍高檔 ✔ 128億新單裡有82億其實來自民用航太國際長約——漢翔不是只有國防這條線 ✔ 長榮航太EPS季增98%，但RSI來到82超買區，追高風險提高 🔶 金融防禦＋設備成長股（19:00–23:00） ✔ 彰銀、台新金、合庫金等：股息緩衝，跌少但漲也少 ✔ 研華、樺漢、京鼎、台勝科：營收創新高，利多還沒反映在股價上 🔶 心得分享：為什麼我要親自下場考iPAS（25:00–30:00） ✔ 一邊住院、一邊準備iPAS人工智慧規劃師，及格率只有約三成 ✔ 帶AI課程卻沒下場考過證照，憑什麼要學員相信你？——像阿滴考英文、多米多羅考N1那樣，用行動說服人 ✔ 給一般人的建議：想快速搞懂AI，資策會證照門檻更友善 🎯 適合誰聽 想搞懂這波反彈邏輯的投資人／關心關稅與Fed動向的人／對AI證照有疑問的上班族 💬 如果你喜歡這一集 分享給那個「明明選股邏輯對，帳卻對不起來」的朋友，這集會讓他心裡踏實一點。 🎙️ 關於節目 《史塔克實驗室》由嘉豪主持，聊AI、生成式AI、台股投資與數據科學，用機器人選股清單追蹤台股脈動。

    EP154：基本面不差，為什麼股價不漲？機器人選股的七月難題 Solid Fundamentals, Falling Stocks: My Robot Picks' Rough July

  8. Apr 6

    生成式 AI 魔法練功坊 EP4｜AI倫理・法律・你的責任

    AI 不會坐牢，但你會。 這一集，我們來聊一個很多人想跳過，但其實最重要的主題——AI 的倫理與法律責任。 當 AI 開始影響你的工作、創作、甚至決策，你就不能只會「用」，還要知道界線在哪裡。 這一集會帶你從制度、風險到實務，一次搞懂： 👉 AI 出事，到底誰負責？ 👉 AI 生成的內容，版權算誰的？ 👉 Deepfake 已經可以騙到你身邊的人了嗎？ 📌 本集重點 ✔ AI 治理 vs 資料治理：誰在管 AI？誰在管資料 ✔ 可信賴 AI 六大原則：一個「好 AI」應該長怎樣 ✔ 歐盟AI法案：全球第一套 AI 法律與四大風險等級 ✔ AI 生成內容的著作權：你到底有沒有版權？ ✔ Deepfake 風險：你的臉與聲音，可能被怎麼用 ✔ 隱私保護技術：去識別化、K-匿名、資料最小化 ✔ NIST 三大風險：AI 如何放大「壞事的效率」 ✔ Duty of Care：AI 時代，每個人都要負責 🧠 這集你會學到 為什麼「AI 說的」不是免責理由 如何判斷一個 AI 工具是否值得信任 在工作中使用 AI，哪些地方最容易踩雷 一般人也能做到的 AI 風險防護思維 ⚠️ 一句話重點 👉 AI 是工具，但責任永遠在你身上 🎯 適合誰聽 有在用 ChatGPT / Claude / AI工具的人 創作者、自媒體經營者 企業內部正在導入 AI 的工作者 想搞懂 AI 風險但不想看法律文件的人 💬 如果你喜歡這一集 分享給那個「很會用 AI，但還沒想過風險」的朋友 這會是他最需要的一集。 🎙️ 關於節目 《生成式 AI 魔法練功坊》 從 0 到 1 帶你搞懂 AI，不只是會用，而是用得對、用得聰明。

    生成式 AI 魔法練功坊 EP4｜AI倫理・法律・你的責任
See All (148)

About

史塔克實驗室

Information

  • Creator
    嘉豪
  • Years Active
    2020 - 2026
  • Episodes
    148
  • Rating
    Clean
  • Copyright
    © 嘉豪
  • Show Website
    史塔克實驗室

You Might Also Like