第九天 09/23
在將模組化計算器與基本面代理進一步擴充至事件代理（Event Agent）與產業代理（Industry Agent）時，系統架構邁入了動態情境感知與實時資料融合的階段。透過整合 Google Search Grounding 獲取即時市場新聞，以及 Vertex AI Search (RAG) 檢索公司內部財報與研究報告，系統能夠在外部事件發生時，即時修正 DCF 模型中的關鍵參數（如 WACC、營收成長率或營業利益率）。
以下詳細解析在建置事件與產業代理模型時的關鍵注意事項，以及如何優化事件對價格變化影響的估測機制。
一、 模型建置中的核心注意事項

1. 檢索資料的時效性與知識衝突（Temporal & Knowledge Conflict）
   整合 Google Search Grounding 與 Vertex AI Search 時，系統會同時取得「最新的即時新聞」與「歷史公司文件/財報」。
   • 時間軸對齊：必須在 Prompt 與檢索管道中設定嚴格的時間邊界（Temporal Guardrails）。例如，當事件為「最新的法說會展望」，Search Grounding 獲得的即時新聞應優先於半年前的 RAG 舊檔案。
   • 來源權重劃分：設定資料信任層級，例如「財報數字與資本支出」以 Vertex AI Search 檢索的官方 SEC 檔案/PDF 為主；而「突發政策變更或供應鏈事件」則以 Google Search Grounding 為主要判斷依據。
2. 事件衝擊的參數映射（Event-to-Parameter Mapping）
   事件本身是非結構化的文本（例如：「地緣政治緊張局勢加劇」），代理模型的核心任務是將其量化轉換為 DCF 計算器的輸入參數。
   • 映射明確化：必須限制代理輸出的衝擊範圍，例如政策利多應具體映射為「特定年份營收成長率 $+2.5%$」或「風險溢價增加導致 WACC $+0.5%$」，嚴禁產生模糊的文字敘述。
   • 衝突衰減機制：單一事件的衝擊通常隨時間遞減，模型必須包含「衝擊半衰期（Half-life Decay）」邏輯，避免將短期新聞誤判為永久性的結構變革。
3. 產業代理的供應鏈傳播效應（Supply Chain Propagation）
   產業代理不應僅關注單一公司，而需維護產業鏈知識圖譜。當台積電發生先進製程擴產事件時，產業代理必須自動調取並評估上游設備商（如 ASML）與下游客戶（如 NVDA、AAPL）的溢出效應，確保估值調整具備產業縱深。
   二、 事件發生時對價格變化影響的狀況與優化策略
   當事件發生並驅動估值價格變化時，常因市場過度反應、資訊不對稱或傳播時差導致預測偏差。以下針對常見狀況提出優化方向：

[突發事件輸入]
│
├───> Google Search Grounding (即時新聞)
└───> Vertex AI Search RAG (歷史財報/基底)
│
[事件與產業代理分析]
│
┌─────┴─────────────────────────────────────────┐
│ 價格變化影響優化模組 │
├───────────────────────┬───────────────────────┤
│ 1. 動態時間衰減 (Decay)│ 2. 歷史類似事件比對 (Case)│
├───────────────────────┼───────────────────────┤
│ 3. 非線性傳遞 (Non-Lin)│ 4. 市場情緒因子校正 (Sent)│
└───────────────────────┴───────────────────────┘
│
[注入 DCF 估值引擎] ───> 產出即時動態目標價

1. 狀況一：市場過度反應與衝擊遞減（Overreaction & Decay）
   • 現象：突發利空（如工廠小火災）發生時，新聞聲量極大，若直接調降長期成長率，會導致計算出過度悲觀的折現價格。
   • 優化方式：引入動態時間衰減函數。將事件影響分為「一次性衝擊（One-off Impact）」與「長期趨勢改變（Structural Shift）」。對於非結構性事件，衝擊僅作用於第 1 期的現金流，並設定指數衰減係數，避免扭曲 terminal value（終值）。
2. 狀況二：同類事件歷史比對偏差（Historical Baseline Deviation）
   • 現象：模型單憑當前新聞文本推論參數變動幅度，容易產生隨機性誇大的估值結果。
   • 優化方式：透過 RAG 向量資料庫建立「歷史事件庫」。當新事件發生時（如「加徵關稅 10%」），先進行語意相似度檢索，調閱歷史上類似事件發生後公司實際營收與股價的修訂幅度，作為當前代理調整參數的錨定基準（Baseline Anchor）。
3. 狀況三：非線性敏感度與市場情緒衝突（Non-linear Sensitivity & Sentiment Alignment）
   • 現象：在牛市與熊市中，相同的事件對股價的反應截然不同（如利空不跌或利多出盡）。
   • 優化方式：建立情緒乘數與非線性門檻機制。整合 Search Grounding 獲取的市場整體情緒指數，將代理計算出的 DCF 價格變化區間，透過 Sigmoid 函數進行非線性平滑化處理，讓價格修正幅度更符合實際市場微觀結構。
   三、 結論
   整合 Google Search Grounding 與 Vertex AI Search 的事件與產業代理，成功為靜態的 DCF 計算器注入了「實時感知」的能力。透過精準的時間邊界控制、衝擊參數化映射，以及引入歷史事件比對與時間衰減等優化機制，系統能在市場事件發生的第一時間，精準且理性地推演其對企業基本面與長期價值的真實影響。