現金轉換循環（CCC = DIO + DSO – DPO）由存貨、應收帳款、應付帳款三因子組成，數值越低代表企業資金周轉越靈活。台積電長期維持負值CCC（-50至-80天），得益於客戶預付訂金與供應商信用的結構優勢。鴻海在AI伺服器營收年增54.18%的高速成長中維持52天CCC，展現供應鏈管理卓越。聯發科與研華應收帳款與存貨週轉天數出現拉長，投資人需進一步判斷是景氣週期調整或營運惡化信號。評估台股製造股時，應將CCC與毛利率、營業利益率、ROE、月營收年增率等指標交叉驗證，形成多維度評估框架。
全球金融AI市場正以30.6% CAGR高速成長，台灣四成投資人已使用AI輔助決策。然而回測過度擬合、未來函數滲漏、樣本偏差成為選工具的隱蔽陷阱。本文提出5步檢核法——樣本分割、蒙地卡羅排列檢定、前向測試、壓力測試與對標基準，揭示如何評估投資工具的真正可信度。同時對比Bloomberg（年費新台幣103萬）、Wistock等主流工具優劣，為台灣散戶提供決策指引。
力成成為全球首家量產AI晶片FOPLP廠商，預計2027年中前量產，單片panel產能45顆遠超wafer的8-9顆。AI伺服器對HBM、DRAM、NAND、高階測試的超額需求，驅動台灣封測、測試介面、載板供應商2026年產能利用率達85-90%。力成2026年上半年營收444億元年增32%，全年資本支出500億元創歷史新高。台灣探針卡三雄與電路板廠商近3月營收年增率從30%至287%不等。投資者應留意產能擴充帶來的過度投資風險、客戶集中度變化與國際競爭對毛利率的潛在壓力。
Apple M5 Ultra發布採用台積電3奈米製程、首創四晶粒UltraFusion架構、512GB統一記憶體，記憶體頻寬達1.2TB/s，預計2026年9月出貨。全球HBM與DRAM供應因AI數據中心搶佔而緊張，SK海力士、三星、美光2027年產能已提前分配。台灣供應鏈在晶片製造、封裝測試、PCB組件等環節扮演不可替代角色。根據Wistock量化分析，台積電、日月光、華通、臻鼎、鴻海相關台股2026年5至7月營收呈雙位數成長，毛利率保持穩定或上升。投資人應關注M5 Ultra出貨預期、記憶體成本波動風險與供應鏈企業季度業績表現。
2026年8月台灣ETF迎來換股旺季。成分股調整受市值排名、流動性、自由流通量三大篩選規則驅動，並有緩衝區機制防止邊緣股頻繁進出。公告日到生效日通常隔17-21天，被動資金集中調倉製造可預期的資金流向。本文提供3步框架：蒐集篩選規則量化參數、計算邊界股票排名變化、監測被動資金流向時間序列，將公告轉化為量化風險評估清單，幫散戶管理時間差風險、掌握調入股買盤與調出股拋壓機會。
2026年下半年功率半導體正式進入第三波漲價循環，由AI資料中心800VDC架構升級、供應交期拉長至30周且B/B值維持高檔、去中化效應三大因素驅動。全球功率半導體市場規模預計達680億美元，年增14.2%，其中AI資料中心功率半導體市場由120億美元上修至500億美元。台廠德微、強茂、台半產能利用率逐步滿載，訂單能見度延伸至2027年中至2028年，毛利率擴張確定性提升。DFN小型封裝月產量在短期內放大10倍，代表AI時代功率架構的根本轉變。漢磊與嘉晶等第三代半導體廠商預計2026年下半年至2027年一季進入量產，強化台灣在全球供應鏈地位。
配息能否穩定，根本取決於獲利能否穩定。光看歷史高殖利率而忽略EPS波動，很容易在獲利衰退年踩到配息大幅縮水的地雷。本文提出「平均配息穩定＋股價淨值比低估」雙軸篩選策略，以多年配息均值取代單年峰值作為基準，同步建立評價安全邊際。並以命中Wistock量化雙策略的嘉威（3557）、中電（1611）、研通（6229）三檔為例，說明各自所處的財務週期與產業趨勢支撐。存股選股建議從本業毛利率趨勢、多年EPS連續性、配息覆蓋率三維度自行評估，歷史配息記錄是起點而非保證。
毛利率是衡量企業本業競爭力的直接指標，但高毛利率不必然等於好存股。弘煜科毛利率高達98.70%，卻因遊戲產業景氣下滑導致營收連月下降。相比之下，GOGOLOOK與川湖因AI應用與伺服器市場景氣支撐，毛利率穩定且營收同步成長。存股投資人應建立多層次評估框架，同時檢視毛利率趨勢、營收年月增速、營業利益率變化與現金流健康度，避免單一指標決策陷阱。
散戶100張以下持股暴增，反映存股文化普及與交易門檻降低。本文分析和運租車新上市、青雲AI伺服器記憶體爆發、大毅被動元件漲價等三檔成長股，均受惠AI資本支出驅動。和運租車2025年合併營收297億元創新高，青雲作為美光授權代理商，2026年Q1稅後純益與EPS雙雙創歷史新高。投資人應建立獨立評估框架，重點觀察營收成長率、毛利率、營業利益率的整體趨勢，參考月營收年增率與環比變化。根據Wistock量化分析，三檔個股在基本面、技術面、籌碼面的評分與命中策略各異。小額存股應注意產業週期、政策變化與競爭格局演變等風險因子。
台灣金融業 AI 應用已進入規模落地階段，2026 年導入率達 33%。AI 投資工具的回測存在過度擬合、前視偏差、倖存者偏差等陷阱，導致歷史成績優異但實盤績效不佳。本文提供 6 項驗收清單：資料品質驗證、假設有效性檢驗、回測環境一致性、過度擬合控制、偏差規避機制與實盤追蹤，缺一不可。金融機構與軟體廠商因 AI 應用需求面臨商機，投資人應具備評估 AI 工具局限性的能力，理解回測績效與實盤績效的潛在差異，避免盲目依賴算法決策。
