存活者偏差:你看到的成功故事全是倖存者

二戰飛機的故事

存活者偏差最著名的案例來自二戰。

美國軍方想要加強轟炸機的裝甲,於是統計了返航飛機上的彈孔分布。 數據顯示機翼和機身中段的彈孔最多,軍方準備在這些地方加裝裝甲。

統計學家 Abraham Wald 指出:你看到的是返航的飛機,不是被擊落的飛機。

彈孔多的地方代表飛機中彈後仍能存活返航;真正致命的位置(引擎、駕駛艙) 恰好在返航飛機上沒有彈孔——因為被打到那些位置的飛機已經墜毀了。

正確答案是在「看不到彈孔的地方」加裝裝甲。

這就是存活者偏差:當你只觀察到倖存者時,你的判斷會被系統性地扭曲。

---

存活者偏差在投資中的五種形態

形態 1 — 基金績效的倖存者偏差

表面數據:「過去 10 年,台灣股票型基金的平均報酬率為 8%/年」

真實情況:這 8% 只包含了現在仍然存在的基金。過去 10 年間 表現太差被清算、合併、或改名的基金,不會出現在統計中。

研究顯示,考慮被清算的基金後,實際平均報酬率下降 1–2 個百分點。 這個差距看似不大,但複利 10 年後的差距是顯著的。

防禦:看基金績效時,確認數據源是否包含已清算基金。 Morningstar 的 survivorship-bias-free 數據庫是較可靠的來源。

形態 2 — 指數的倖存者偏差

台灣加權指數從 1966 年至今的長期走勢看起來 是「長期向上」。但這個指數本身就有倖存者偏差:

• 表現差的公司會被下市或被合併,從指數中剔除
• 新的成功公司會被納入指數
• 指數永遠反映當下最好的公司集合,不是固定不變的公司集合

這意味著:指數的歷史報酬率高估了「隨機買入一籃子股票並持有」的 實際報酬率。

形態 3 — 創業成功故事的偏差

媒體報導的創業故事幾乎全是成功者:

• 「他 25 歲就創業成功,公司估值 10 億」
• 「她放棄高薪工作創業,三年內上市」

你看不到的:

• 同一時期有 100 倍 的創業者失敗了
• 他們的故事不會被報導,不會出現在任何數據庫中
• 真實的創業成功率(5 年存活)約 10–20%

形態 4 — 回測策略的偏差

量化交易的回測結果幾乎永遠過度樂觀,原因之一就是存活者偏差:

• 你只回測現在還存在的股票
• 在回測期間被下市的公司(通常表現很差)不會出現在你的股票池中
• 結果是你的回測自動排除了最差的標的,績效被系統性高估

防禦:使用 point-in-time 數據庫(每個時間點只看當時存在的股票), 不使用 current-universe 回測。

形態 5 — 產業趨勢的偏差

「過去 10 年,科技業的報酬率遠超其他產業。」

這句話是對的,但隱含著存活者偏差:

• 2015 年你能預測到哪些科技公司會存活嗎?
• 同時期有大量科技公司倒閉或被淘汰(還記得 HTC 嗎?)
• 「科技業報酬高」是事後看倖存者的結論,不是事前可執行的策略

---

如何系統性地對抗存活者偏差

方法 1 — 問「看不見的是什麼」

每次看到數據時,強制自己問:

這個數據排除了什麼?被排除的部分會如何改變結論?

這是 Wald 飛機問題的通用版本。

方法 2 — 尋找失敗樣本

如果你在研究某個策略或產業,刻意尋找失敗案例:

• 讀成功公司的分析報告很容易,讀倒閉公司的驗屍報告更有價值
• 同一個產業裡,失敗者的共同特徵比成功者的共同特徵更有預測力

方法 3 — 基礎率思維(Base Rate Thinking)

在做任何判斷前,先確認基礎率:

• 新創公司的 5 年存活率是多少?
• 主動型基金打敗指數的比例是多少?
• 新藥解盲成功率是多少?

基礎率是你的起始點(prior),任何個案都應該從這個起始點調整, 而不是從零開始。

方法 4 — Point-in-Time 資料

在做量化分析時,堅持使用 point-in-time 資料:

• 每個時間點只包含當時存在的標的
• 包含已下市、已清算的標的
• 不使用任何未來資訊(look-ahead bias 也是存活者偏差的近親)

---

存活者偏差的反面:倖存者的特權

存活者偏差還有一個更微妙的效應:倖存者傾向於低估運氣的作用。

因為:

• 倖存者回顧自己的成功時,會建構合理的因果敘事
• 「我成功是因為我努力 / 聰明 / 有遠見」
• 但同樣努力 / 聰明 / 有遠見的失敗者不會出現在你面前

這不是說能力不重要,而是:能力是必要條件,不是充分條件。 在高度不確定的領域(投資、創業、新藥開發),運氣的成分遠大於多數 倖存者願意承認的。

Nassim Taleb 在《隨機騙局》中的說法:

如果你讓一百萬隻猴子隨機打字,其中一定會有一隻打出莎士比亞。 問題是,你會因此稱那隻猴子為天才嗎?

---

對本站方法論的影響

存活者偏差是本站 Research section 的核心關注之一:

1. 不從成功案例歸納法則:因為你看不到失敗案例
2. 強調基礎率:每個分析都從基礎率開始,而不是從個案開始
3. 誠實面對運氣成分:對任何「成功解釋」都保持懷疑
4. 使用可回測框架:至少在數據可得的範圍內,盡量消除存活者偏差

---

推薦延伸閱讀

1. Nassim Taleb《隨機騙局》(Fooled by Randomness): 存活者偏差的經典論述
2. Daniel Kahneman《快思慢想》: 本站讀書筆記
3. Philip Tetlock《Superforecasting》: 如何在充滿偏差的世界中做出更好的預測

---

結語

存活者偏差不是一個「知道就好」的知識點——它是一個需要持續、主動 對抗的認知陷阱。因為我們的大腦天生就只能看到倖存者(失敗者 消失了),這個偏差是結構性的、永久的、不會因為「知道」而消失的。

唯一的防禦是制度性的方法:強制問「看不見的是什麼」、強制查 基礎率、強制用 point-in-time 資料。把它變成習慣,而不是靠意志力。

---

**方法論提醒:**本篇為方法論分析,非投資建議。