在 AI 的領域中，會需要常常會學習很多不同種類的模型演算法，像是線性迴歸、決策樹、分群演算法、SVM、神經網路...
之所以會需要學習這些演算法，是因為每個演算法都有相對應的「適用條件」：當你的資料呈現線性時，用「線性迴歸」來解會最適合；當你的資料是分類問題時，可能選擇「羅吉氏迴歸、決策樹、SVM」來解較恰當；當你需要解釋模型為什麼會這樣預測時，用「決策樹、SHAP、LIME」的演算法能夠符合你的需求；當你遇到非結構化的資料時(如圖片、影音、文章)，此時可能就會考慮用神經網路的變型(CNN, RNN, LSTM...)來解。
你會發現，世界上沒有一個完美的演算法/理論，有的只是在某些對應的「環境條件」下，能夠找到較適合的解法。
以更嚴謹的態度來說，每個理論往往都建立在某些「假設條件」之下。
但這時候問題就產生了：「現實中往往很難找到 100% 符合假設的情境，這時候該怎麼辦？」
若以 AI 建模的角度來說，一般的作法會是先看看能不能調整資料(資料處理)，讓資料本身具有符合某些假設的特性，這樣套用該演算法時便會更具信心。
而另一種作法也很常用，就是「容許誤差」－－
雖然現在現實狀況不滿足某些假設，但只要你能判斷，這件事所造成的影響誤差並不大，那便可以繼續套用該演算法，來解決現實中的問題。
-
上述概念，同樣可以套用到「理財」上。
在理財投資這條道路上，大家往往會去學習很多「理論」－－價值主動投資、指數型被動投資、技術分析策略、當沖投資策略、槓鈴策略、子彈型策略、4%公式、選擇權投資理論...
不過大家是否曾經思考過，這些策略分別是基於在哪些「假設條件 (環境條件)」上呢？
有的人會說，自己依照 A 理論來進行投資實踐，但為什麼最後報酬率不如預期，甚至賠錢？更慘的是，他可能是經過20-30年後，才意識到這個問題。
答案很簡單，那是因為他沒意識到自己所使用的 A 理論，其實具備某些「假設條件」，但在現實中的市場可能並不符合這些條件，因此未考慮實際發展的狀況來修正。
很多理論在實踐上往往會無效化，就是因為實踐者並沒有意識到，該理論的限制及條件為何。
如果套在 AI，這就叫「Underfitting」；
如果套在教育，這就叫「學用落差」；
如果套在歷史，這就叫「歷史的做法框架，有時並不適合現在」。
-
這件事非常重要，建議大家無論在投資、工作、甚至人生判斷上，都要具備這樣的思維。
最近「巴菲特出清航空股」的事情，其實也是在傳達這樣的理念－－
「你是否能依據現實發展的狀況，來修正調整投資策略？」
概念非常簡單、用說得也很輕易，但在思考跟實踐上，卻不是人人都能辦到。
「你目前所採取的理財策略，是否需要滿足某些假設條件呢？」
