第七天 2026/09/21
今天在設計驗證里程碑的階段，遇到核心技術的困難，於是我回想起Kevin Chiu告訴我的，不懂就問AI，再不懂的話就反覆用不同的Prompt再問一遍，直到給出認為正確或接近正確的答案，於是我得到以下兩的心得:

一、 實作過程中所面臨的核心技術困難

1. 浮點數精度累積誤差（Floating-point Accumulation Error）
   在計算 DCF 的折現因子 1/(1+r)^t 與自由現金流（FCF）時，若直接使用原生 IEEE 754 雙精度浮點數（double 或 number），隨著時間軸 t 延伸至 10 年或 30 年，指數次方的次方運算將急遽放大捨入誤差（Rounding Error）。此外，在「特徵標準化」（如 Z-score 標準化 (x-μ)/σ）中，計算變異數 σ^2=1/N ∑▒(x_i-μ)^2 需經過多次平方與累加，大數與小數相加時會產生嚴重的「抵消性失效（Cancellation）」，導致計算結果與標準值產生不可忽視的偏差。
2. 極端值與動態資料分佈的邊界效應
   特徵標準化非常依賴整體資料集的統計特性（均值 μ 與標準差 σ）。在實際執行中，常遇到以下困境：
   零標準差（Zero Variance）：若輸入特徵的所有數值完全相同，標準差 σ=0，導致除以零例外（Divide-by-zero Error）。
   極端離群值（Outliers）：DCF 模型若包含非經常性巨額現金流，或標準化資料庫中含有異常極值，會嚴重拉高均值並扭曲標準差，使標準化後的特徵失去代表性。
3. 多期動態現金流與折現時間點對齊（Timing Realism）
   DCF 工具並非單純的等比數列求和。實際財務模型需要處理「期初現金流（Annuity Due）」與「期末現金流（Ordinary Annuity）」的差異，甚至需要支援「年中折現法（Mid-Year Convention）」。在程式設計中，如何讓解析引擎彈性支援不同的時間折現規則，同時保持運算邏輯的抽象化，是架構設計上的主要瓶頸。
   二、 里程碑驗證時必須注意的關鍵實施細節
4. 里程碑一：驗證特徵標準化的正確性 (Validation of Feature Standardization)
   為確保特徵標準化模組在任何資料集下均能穩定運算，測試與稽核時必須落實以下標準：
   無偏估計與統計矩一致性檢查：
   驗證轉換後的資料集，其平均值 μ' 是否精確等於 0（允許精度範圍 ±10^(-12)），且標準差 σ' 精確等於 1。在撰寫單元測試時，應採用二階段演算法（如 Welford 演算法）來計算均值與變異數，避免單次循環累積的數值不穩定性。
   資料洩漏（Data Leakage）防護機制：
   在機器學習或動態特徵工程的架構中，標準化參數（μ 與 σ）必須僅由訓練集（Training Set）計算得出，並將這套參數序列化保存後，套用到測試集（Test Set）或線上推論資料。程式架構必須強制隔離擬合（fit）與轉換（transform）過程，防止未來資料的資訊洩漏至標準化器中。
   空值與無窮值容錯：
   前置處理器必須在進行矩陣運算前，強制檢驗並過濾 NaN（Not a Number）、Null 或 Infinity。對於 σ=0 的情況，應具備平滑化處理（如加上 ϵ=10^(-8) 的微小值）以防止系統崩潰。
5. 里程碑二：稽核 DCF 工具的運算精確度 (Auditing DCF Tool Accuracy)
   DCF 工具作為高階財務決策組件，其結果直接影響企業估值，稽核時需嚴格把關以下層面：
   引進高精度任意精度算術庫（Arbitrary Precision Math）：
   核心 DCF 引擎嚴禁使用原生浮點數進行金額計算。架構中應強制綁定高精度數值型態（如 C# 的 decimal、Java 的 BigDecimal 或 JavaScript 的 bignumber.js），並明確規定全系統的捨入規則（如「銀行家捨入法 / Round to Even」），確保精確度達到小數點後 6 位以上。
   終值（Terminal Value, TV）兩大計算模型之對帳：
   DCF 模型通常包含「戈登永續成長模型（Gordon Growth Model）」與「退出倍數法（Exit Multiple Method）」。稽核時必須建立自動化測試對照組，驗證當永續成長率 g 接近加權平均資金成本 WACC（即 WACC-g→0）時，系統能主動觸發警告，防止發生分母趨近於零導致估值爆表的情形。
   與權威基準（Gold Standard Benchmarks）進行黑箱對照驗證：
   稽核團隊應建立標準化測試集，將計算引擎產出的結果與 Excel / Financial Modeling 專家模組及 Bloomberg/FactSet 的數據進行自動化比對。對於特定 WACC 與敏感度分析矩陣（Sensitivity Matrix），淨現值（NPV）的誤差門檻必須控制在 0.001% 以內。

三、 結論
要完成這兩個里程碑，單靠寫出正確的語法是遠遠不夠的。開發團隊必須在架構底層引入高精度的數學型態，並建立包含邊界測試、統計矩驗證與權威財務模型交叉對帳的測試機制。唯有將數值穩定性、異常容錯機制與 strict 嚴謹的稽核管道封裝至運算模組中，才能確保整個計算系統在面對複雜的財務與機器學習情境時，仍能提供絕對精確且值得信賴的結果。