這份 probability.py（對應網址中的 /probability 頁面）是 StockRevenueLab 專案中最具備「量化統計」靈魂的單元。它的核心目的不是看單一公司的表現，而是找出統計勝率：如果一家公司一年內營收爆發 5 次，它年度漲幅翻倍的機率是多少？
一、 研究動機：別再盲目追高
很多投資人看到單月營收爆發就衝進去，但「一次爆發」可能只是短暫火花。這個儀表板透過分析 2020 年以來的台股數據，告訴你營收爆發的**「次數」與「年度勝率」**的邏輯關係，幫你建立更有溫度的統計盤感。二、 網頁操作指南（How to Use）
🔗 快速傳送門
- 🎲 立即進入：機率研究室 2.0 儀表板
- 📂 GitHub 專案原始碼 (app.py 與機率邏輯)
步驟 1：設定你的「爆發」定義（側邊欄）
- 研究指標：選擇 YoY (年增率) 或 MoM (月增率)。
- 爆發區間 (%)：你可以定義什麼叫做爆發。例如設定
100% ~ 1000%，代表研究那些「營收翻倍」的公司。
步驟 2：觀察「爆發次數」的分布
- 統計表格：系統會自動分類「一年內達標 1 次、2 次...到 12 次」的股票各有幾檔。
- 核心數據：重點關注 「中位數漲幅%」 與 「翻倍率 (>100%)」。你會驚訝地發現，當爆發次數超過一定門檻時，勝率會出現顯著的跳升。
步驟 3：期望值與綜合評分
如果你不知道哪個區間最值得投資，看 「綜合評分」。這個指標整合了：
- 平均報酬：這組股票平均賺多少？
- 風險調整 (標準差)：波動大不大？
- 成功率：漲幅超過 20% 的比例。
步驟 4：AI 深度策略診斷
這是我最喜歡的功能！系統會根據當前統計出的表格，自動生成專用的 Markdown 資料，點擊 「ChatGPT 分析」，AI 會以量化分析師的身分，幫你解讀哪些區間存在「右尾效應」（即少數幾檔股票漲幅驚人，拉高平均值）。
三、 程式碼技術說明（Technical Analysis）
對於想學習資料科學的朋友，這段程式碼有幾個非常精妙的設計：
1. 高效率的 SQL 預處理 (CTE 技術)
在 fetch_prob_data 函數中，我們使用了 SQL 的 CTE (Common Table Expressions)。
- 先在
hit_table算好每檔股票的「爆發次數」。 - 再從
perf_table取得該年度的「股價報酬」。 - 最後進行
JOIN。 這種寫法比在 Python 裡面跑迴圈快上百倍，能即時處理 16 萬筆數據。
2. 中位數的精準計算 (PERCENTILE_CONT)
在統計學中，平均值容易被 1000% 的極端妖股帶走。我們在 SQL 中使用了進階語法：
SQL
PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY ret)
這能直接在資料庫端算出精準的「漲幅中位數」，這對於評估「一般大眾進場後最可能的獲利」非常有參考價值。
3. 右偏分佈（Right-Skewed）偵測
程式碼會自動計算「平均數」與「中位數」的差異。
- 當 平均數 >> 中位數：代表這個區間存在少數暴利飆股。
- 當 二者接近：代表獲利分佈較均勻，投資風險相對可控。
4. 期望值分數模型
我們實作了一個簡單但強大的評分公式： 綜合評分 = (期望值 + 風險調整分數 + 成功率分數) / 3 這考慮了投資中的三個關鍵：賺多、賠少、機率高。
四、 結語：讓機率站在你這邊
投資不是賭博，而是尋找機率優勢。透過「機率研究室 2.0」，你可以發現營收成長不僅是基本面，它更是一組具備統計意義的強力買入訊號。
