Insights Investing
從數據底稿看見房市危機:Steve Eisman 拆解《大籤空》真實歷史與價值投資者的硬核教訓
一句話結論
DeepValues Research 於2026年11月19日發布《從資料底稿看見房市危機:Steve Eisman 拆解《大籤空》真實歷史與價值投資者的硬核教訓》。摘要: 美國知名投資人 Steve Eisman 在發布的影片中,深入回顧了 2008 年次貸危機的預測過程。
來源: https://research.deepvalues.ai/insights/2026-11-19-steve-eisman-how-i-predicted-the-2008-housing-crisis-the-big-short-zh/ · Markdown
目錄
摘要: 美國知名投資人 Steve Eisman 在發布的影片中,深入回顧了 2008 年次貸危機的預測過程。他強調,真正的投資洞察並非源自好萊塢電影所描繪的賭場直覺,而是來自對月度申報數據與底層資產文件的長期深挖。本篇分析從價值投資與鑑識會計視角剖析其數據拆解邏輯,並整理出對長線投資人的硬核教訓。
一、誰寫的:Steve Eisman 的背景與閱讀價值
Steve Eisman 為美國知名華爾街投資人,因在 2008 年次貸危機前成功做空次級房貸市場而聞名,其事蹟被記錄於 Michael Lewis 的著作《大籤空》(The Big Short)中。這個人的職涯起點可追溯至 1990 年代,當時他在 Oppenheimer 擔任賣方分析師,涵蓋金融與早期次級房貸市場,並親歷了 1998 年第一代次貸公司的破產浪潮。在 1998 年的一次晨會上,他僅憑閱讀財報與申報文件,未看講稿便準確預言了 8 家次貸公司將走向破產。
對長期價值投資人而言,Steve Eisman 的分析風格展現了高度的「數據導向」與「逆向思考」。他不盲從市場主流的看多敘事,而是透過深挖財報數據與底層資產表現找出定價失真。這種專注於基本面與風險結構的嚴謹態度,對重視安全邊際的投資人具有極高的參考價值。
二、寫了什麼:影片核心論點與數據拆解
在 YouTube 頻道「Steve Eisman」(@RealEismanPlaybook)發布的影片中,這個人詳細還原了團隊當年預測房市崩盤的完整邏輯:
- 兩世代次貸的演變與規模擴張: 1990 年代的第一代次貸每年發行量僅 500 億至 700 億美元,並於 1998 年崩盤;然而 2002 年起興起的第二代次貸,經營者多為同一批人(如 New Century、Novastar 等),至 2006 年單年核貸量竟暴增至 6,000 億美元,占美國房貸總量的 20%,規模已不可同日而語。
- 數據底稿中的計時炸彈: 團隊每年支付 10,000 美元購買評級機構(Moody's 與 S&P)的次貸月度數據。透過鑑識會計式的跨年份(Vintage)且同齡期(如第 6 個月)蘋果與蘋果對比,發現 2004 年發行產品的 30 天違約率僅 0.75%,但 2006 年同期產品已升至 4% 且呈垂直上升;同時「無文件貸款/謊言貸款(No-doc loans)」比例暴增至近 50%。
- 過渡性優惠利率/誘餌利率與轉期融資死穴: 次貸結構普遍採用前 2 年 3% 的優惠誘餌利率(Teaser Rates),之後重置為 LIBOR+6%(約 9%),每月還款金額隨之暴增至近 3 倍。核貸機構僅按 3% 負擔能力審查,全靠房價持續上漲以進行轉期融資(Refinancing)。一旦房價止漲,轉期融資中斷,借款人便陷入集體違約。
- 金融工程、CDS 工具與體系盲點: 將房貸打包為證券化商品(CDO)時,市場以「30 層大樓」模型劃分證券化分層/檔次(Tranches),假設損失僅會淹沒底部 3% 或整體 7%–10%,AAA 級資產看似絕對安全。然而實際損失高達 50%,導致連 AAA 級資產也遭淹沒。透過 JP Morgan 發明的信用違約交換(CDS),即使未持有債券本體,亦能對房貸資產下注。這個人指出,當年最大的盲點是誤以為政府監管機構掌握風險,實則監管層直到 2008 年 9 月前對 AIG 承擔的龐大 CDS 系統性風險完全一無所知。
- 市場盲點與季節性錯覺: 在 Option One 的會議上,高管宣稱損失不會超過 5%,這個人當場反駁其可能性為零。2007 年 3 至 4 月,因退稅季(Tax refunds)使借款人暫時補繳欠款,違約率出現短暫改善,市場誤以為危機結束;但團隊辨識出這僅是季節性雜訊,乘機加碼空頭部位。
- 體系崩潰與採樣欺詐: 當歐洲買家(如德國地方銀行等)於 2007 年夏季停止購買債券後,轉期融資鏈條徹底斷裂。華爾街在發行前的 10% 抽樣檢查中發現 30%–40% 貸款不符核貸標準(Underwriting Standards),卻仍將其餘 90% 未經審查的違規貸款打包出售,形成制度性漏洞。
三、文件怎麼說:原始文獻與補充背景的比對
公開紀錄與相關歷史文獻高度印證了影片中的說法:
- 公開紀錄驗證: 維基百科資料證實 Steve Eisman 確曾任職於 Oppenheimer,其妻子為 Valerie Feigen(電影中角色改名為 Cynthia)。文獻亦證實他與 Michael Burry 為獨立研究、互不相識,Burry 是透過直接閱讀監管申報文件得出相同結論。
- 電影角色改名原委: 影片中澄清,劇組最初將其家庭私密悲劇(長子意外離世)寫入劇本,經要求刪除後,導演改編了一個虛構的悲劇替代。為避免大眾將電影虛構劇情與其真實家庭生活混淆,這個人主動要求將角色名稱改為「Mark Baum」。
- 監管法規演變: 2010 年美國國會通過《Dodd-Frank 法案》,設立聯準會副主席專責銀行監管。大型銀行(如 Citigroup)的槓桿率從危機前的 40:1 降至約 10:1,證實傳統銀行體系內的次貸風險已受到控制。
- 支持度評估: 綜合公開文件與歷史紀錄,均高度支持他在影片中所述的數據趨勢、系統性誘因扭曲以及後續監管改革事實。
四、巴菲特式解讀:企業品質、護城河與資本配置
從深度價值研究中心的價值投資框架研判,次貸危機本質上是一場「商業模式對企業內在價值(Intrinsic Value)的集體摧毀」:
- 企業品質與護城河毀滅: 次貸發行商與投資銀行缺乏長期經濟護城河,其商業模式完全建立在「高周轉、高槓桿、轉嫁風險」之上。核貸過程完全缺乏安全邊際,將企業價值建立於極脆弱的資產品質上。
- 資本配置與獎勵機制失衡(代理人問題): 正如影片強調「獎勵超越道德(Incentives trump ethics)」,從發行商到華爾街,所有人均按核貸量(Origination Volume)抽取手續費與分紅,無人關心借款人的長期還款能力。極度惡劣的代理人機制驅使管理層放棄道德與風控,最終導致企業內在價值歸零。
- 價格與價值的嚴重脫節: 評級機構將垃圾次貸給予 AAA 評級,投資人付出了高昂價格購買「安全感」,但其背後的實體資產價值極度脆弱,安全邊際完全為負。
五、未知的事項:分析中的盲點與未解之謎
根據公開資料與影片內容,我們分析認為目前仍存在以下未解盲點:
- 司法追責的謎團: 金融危機調查委員會(FCIC)雖發現華爾街在抽樣發現 30%–40% 違約後仍打包出售未審查貸款並移送司法部(DOJ),但全系統僅有一名交易員入獄,影片中亦表達無法理解其原因。
- 新風險「容器」的位置: 影片提到人性與誘餌投機本能並未消失,只會轉移至監管尚未設防的新「容器(Container)」,但影片並未具體指出當前市場的新容器為何。
- 個人持股細節: 影片僅作歷史經驗與教育分享,並未透露這個人當前具體的投資組合與持股標的。
六、給有耐心投資人的一課
從這段歷史回顧中,長線投資人可汲取以下核心啟示:
- 尊重底層數據,無視市場敘事(Data over Narrative): 股票投資人常盲信「房價永不下跌」的故事;真正的價值投資者必須像鑑識會計師一樣,付出代價深挖數據底稿。
- 分辨季節性雜訊與結構性趨勢(Seasonal Noise vs. Structural Trend): 投資人必須看穿如春季退稅導致的違約率短暫改善等短期干擾,堅持結構性基本面的長期判斷。
- 遠離依賴「連續完美假設」的商業模式(Avoid Zero Margin-of-Safety Models): 次貸體系建立於「房價持續上漲」與「信貸永遠暢通」的完美前提下;價值投資要求嚴格的安全邊際,絕不投注於容錯率為零的企業。
七、關鍵數字
- 次貸 1.0 vs 2.0 規模: 1990 年代每年 500 億–700 億美元 ➔ 2006 年單年 6,000 億美元(占美國房貸總量 20%)。
- 數據庫費用: 團隊每年支付 10,000 美元 購買 Moody's/S&P 月度數據。
- 30 天違約率對比(同齡期第 6 個月): 2004 年發行產品為 0.75% ➔ 2006 年發行產品升至 4% 且垂直上升。
- 謊言貸款(No-doc loans)比例: 2006 年達到約 50%。
- 誘餌利率重置差距: 初始優惠利率 3% ➔ 重置後約 9%(LIBOR + 6%),每月還款金額增加近 3 倍。
- 證券化抽樣失效率: 抽樣審查發現 30%–40% 貸款不符核貸標準。
- 大型銀行槓桿率變化: 花旗銀行等大銀行槓桿率從危機前約 40:1 降至 Dodd-Frank 法案後的 10:1。
資料來源連結
- DEEPVALUES MONITOR BRIEF
- How I Predicted the 2008 Housing Crisis (The Big Short Explained)
- Steve Eisman - Wikipedia