持股拓撲與防雙計：集團架構下的持股計算

問一個 AI Agent「某大股東實際持有目標公司多少權益」，它很可能把披露文件裡出現過的幾個百分比加一加給你答案：直接持股若干、透過甲公司持有若干、透過乙公司持有若干——加總輸出，語氣篤定，數字全錯。集團架構下的持股計算有自己的代數：經濟權益沿路徑相乘、表決權沿控制鏈歸屬、交叉持股要聯立求解。任何一步用成加法，結果不是高估就是雙計。

這篇文章的目標是把持股結構從「一段文字描述」變成「一個可查詢、可驗證的圖」：節點是實體，邊是持股關係與比例，每條邊帶參考日與來源。你會得到：三種權益口徑的區分、逐層稀釋的計算方法（含逐步演算的虛構教學結構）、交叉與循環持股的正確處理、一致行動人線索的辨識框架、可執行的 Python 圖計算程式碼，以及一份防雙計檢查點清單。文中所有實體、比例與文件編號均為虛構，僅供教學，不對應任何真實公司；實際個案的權益披露口徑涉及各司法管轄區的法律界定，必須諮詢合格法律與合規顧問（見 投研 AI 的合規邊界）。

一、為什麼集團架構會造成重複計算

重複計算的根源是同一份權益在多條路徑上被數了兩次，或不同性質的百分比被當同質加總。常見觸發情境：

在計算之前，先固定三個口徑的區分——所有錯誤加總，本質上都是把這三者混為一談：

經濟權益（economic interest）：沿所有路徑逐層相乘後加總，
  回答「最終歸屬到這個主體的現金流份額是多少」
表決權歸屬（voting attribution）：沿控制鏈歸屬，
  回答「這個主體能實際支配目標公司多少投票權」
披露口徑權益（disclosure interest）：法規定義的「權益」，
  回答「披露文件上應該／已經報多少」——口徑由法規界定，
  可能包含衍伸工具、可能與前兩者都不同

三者對同一結構會給出不同數字，且都「對」——錯的是不聲明口徑就比較或加總。

二、經濟權益：逐層相乘，不是相加

看一個三層虛構教學結構（實體與比例均為假設，僅供演示計算邏輯）：

陳先生 ──60%──▶ 控股A ──55%──▶ 中間B ──30%──▶ 目標T
   │                                              ▲
   └────────────────── 5%（直接持股）──────────────┘

陳先生對目標 T 的經濟權益，等於所有獨立路徑的乘積之和：

路徑一（間接）：陳先生 → 控股A → 中間B → 目標T
  0.60 × 0.55 × 0.30 = 0.099 → 9.9%
路徑二（直接）：陳先生 → 目標T
  0.05 → 5.0%

經濟權益 = 9.9% ＋ 5.0% = 14.9%

對照三種典型錯法：

兩條計算紀律：路徑內相乘、路徑間相加；相加的前提是路徑不重疊（同一份權益沒有被兩條路徑各數一次——交叉持股下這個前提會被打破，見第四節）。另一個容易漏的點：若中間層發行了可轉債或期權，全面攤薄口徑下每一層的比例都會變，逐層稀釋必須在同一攤薄口徑下計算。

三、表決權與控制鏈：為什麼不能一路乘到底

經濟權益回答「分多少錢」，表決權回答「管多少事」，兩套算法完全不同。表決權的歸屬邏輯是控制鏈：若主體 X 控制實體 Y（能支配 Y 的表決行為），則 Y 持有的目標公司股份所附表決權，歸屬計算到 X 名下。

沿用上面的虛構結構（教學假設：持股過半即構成控制，真實控制判斷遠比這複雜）：

陳先生持控股A 60% → 控制控股A
控股A 持中間B 55% → 控制中間B
中間B 持目標T 30% → 30% 通常不構成對 T 的控制，
  但這 30% 的投票權由中間B 行使，而中間B 受陳先生控制

表決權歸屬：陳先生可支配的目標T 表決權 = 30%（經中間B）＋ 5%（直接）= 35%
經濟權益：仍為 14.9%

35% 與 14.9% 之間的差距，正是集團槓桿的本質：用較少的經濟權益支配較多的表決權。分析一家公司的治理風險時，這個差距本身就是核心指標——差距越大，控股股東與小股東的利益偏離空間越大。

三個進階注意點：

1. 控制判斷不只是比例。董事會構成、一致行動協議、股權分散度（30% 在分散股權下可能已是控制性持股）、否決權安排，都可能改變結論。比例只是起點，證據在章程與協議裡。
2. 控制鏈斷裂要逐層檢查。任何一層不構成控制，表決權歸屬就在該層截斷，不能繼續向上歸屬。
3. 披露口徑可能更複雜。各司法管轄區的權益披露制度對「視為擁有權益」（deemed interest）的定義涵蓋信託、代持、衍伸工具等情形，與本文的教學簡化不同；觸發披露義務的門檻與計算方式，必須以現行法規與法律意見為準——本站不引用具體條文，原因見 投研 AI 的合規邊界。

四、交叉持股與循環持股：抵銷與聯立的代數

交叉持股下「路徑不重疊」的前提失效：甲持乙 40%、乙持甲 25%，甲的權益裡含乙的權益，乙的權益裡又含甲的權益——同一份價值被互相包含，任何「一遍過」的手工計算都會錯。

用虛構數字演示（教學假設值）：設甲公司自身業務淨值 a₀ = 100、乙公司自身業務淨值 b₀ = 80，互持比例如上。含互持權益的帳面價值滿足聯立方程：

a = a₀ + 0.40 × b
b = b₀ + 0.25 × a

代入求解：a = 100 + 0.40 × (80 + 0.25a) = 132 + 0.10a
        → 0.9a = 132 → a ≈ 146.7，b ≈ 116.7

對照「一遍過」算法：a ≈ 100 + 0.40 × 80 = 132
  —— 忽略了乙持有的甲權益又回流進甲自身，少算了循環部分

等價的工程做法是迭代收斂（上式迭代數十次即收斂到同一組解），但必須顯式處理環：先做環檢測，環內權益聯立或迭代求解，環外照常逐層相乘。合併報表層面，互持股份按抵銷邏輯處理（子公司持有母公司的股份視同庫藏股性質，不重複計入集團對外權益）——本文只給方向，具體會計處理以適用準則為準。

循環持股（甲→乙→丙→甲）同理，且更依賴代碼：三元以上環的聯立方程手算極易出錯，圖算法＋線性求解是標準做法。實務上遇到循環結構，還要多問一層：這個環是歷史遺留、家族安排，還是有意的治理設計？環本身往往就是值得寫進研究筆記的發現。

五、一致行動人與關聯方：AI 只輸出線索，不下結論

披露制度通常要求把一致行動人的權益合併計算。「誰是一致行動人」是法律界定，但其辨識線索是研究功夫，可以讓 AI 系統性地收集：

輸出紀律必須寫死在系統裡：每條線索帶來源指針，結論欄永遠是「待法律判斷」。AI 輸出「甲乙構成一致行動人，合計權益 X%」這種定性結論，是越權且危險的——它可能錯，而且錯了之後會以確定的語氣錯（這類行為模式見 LLM Agent 自主繞過流程約束的實證分析）。線索彙總表的正確形態是：「存在以下 N 條關聯線索（逐條附來源），是否構成一致行動關係需法律意見」。

六、把持股結構建成可查詢的圖

一次性計算用紙筆，持續研究要用圖。資料模型只有兩種物件：

# 節點：實體
NODES = {
    "chen":     {"name": "陳先生（虛構）",   "type": "person"},
    "holdco_a": {"name": "控股A（虛構）",    "type": "private"},
    "midco_b":  {"name": "中間B（虛構）",    "type": "private"},
    "target_t": {"name": "目標T（虛構）",    "type": "listed"},
}

# 邊：持股關係。每條邊強制攜帶 pct、證券類型、參考日、來源——缺一不收
EDGES = [
    {"src": "chen",     "dst": "holdco_a", "pct": 0.60,
     "security": "ordinary", "as_of": "2026-06-30", "source": "DI-0001（虛構）"},
    {"src": "holdco_a", "dst": "midco_b",  "pct": 0.55,
     "security": "ordinary", "as_of": "2026-06-30", "source": "AR-2025（虛構）"},
    {"src": "midco_b",  "dst": "target_t", "pct": 0.30,
     "security": "ordinary", "as_of": "2026-06-30", "source": "DI-0002（虛構）"},
    {"src": "chen",     "dst": "target_t", "pct": 0.05,
     "security": "ordinary", "as_of": "2026-06-30", "source": "DI-0003（虛構）"},
]

def economic_interest(edges, root, target):
    """路徑內相乘、路徑間相加；先驗環，有環必須另行聯立求解"""
    adj = {}
    for e in edges:
        adj.setdefault(e["src"], []).append((e["dst"], e["pct"]))
    assert not has_cycle(adj), "檢測到循環持股：禁止直接遍歷，改用聯立／迭代求解"

    paths = []
    def dfs(node, acc, trail):
        for nxt, pct in adj.get(node, []):
            if nxt in trail:          # 路徑內防重訪
                continue
            new_trail = trail + [nxt]
            if nxt == target:
                paths.append((acc * pct, new_trail))
            dfs(nxt, acc * pct, new_trail)
    dfs(root, 1.0, [root])
    total = sum(p for p, _ in paths)
    return total, paths   # 回傳總權益＋每條路徑的明細，供人工覆核

def has_cycle(adj):
    WHITE, GRAY, BLACK = 0, 1, 2
    color = {n: WHITE for n in adj}
    def visit(u):
        color[u] = GRAY
        for v, _ in adj.get(u, []):
            c = color.get(v, WHITE)
            if c == GRAY or (c == WHITE and visit(v)):
                return True
        color[u] = BLACK
        return False
    return any(color[n] == WHITE and visit(n) for n in list(adj))

三個工程要點。第一，每條邊帶 as_of 與 source：持股是時變的，沒有參考日的比例是無法定義的數字；邊更新時保留歷史版本而不是覆蓋，時間序列本身就是研究素材。第二，環檢測是硬前置：有環即拒算，逼著流程走聯立求解分支——用斷言把「最容易錯的地方」變成「不可能悄悄錯的地方」。第三，輸出帶路徑明細：只給總數 14.9% 不可覆核，給出「9.9%（陳→A→B→T）＋5.0%（陳→T）」才能被挑戰。

資料來源方面，港股的權益披露、年報股東章節與董事持股可以從披露易與年報 PDF 系統性取得，批量獲取的實作見 Webb-Site 港股研究工具 與 港股調研資訊源地圖。

七、防雙計檢查點：機械驗證清單

把前面的紀律收斂成一份每次計算後強制執行的檢查清單，其中大部分可以寫成代碼斷言：

□ 口徑聲明：本次計算的輸出口徑（經濟權益／表決權歸屬／披露口徑）已顯式標註
□ 乘法紀律：路徑內相乘、路徑間相加；不存在任何跨層比例的直接相加
□ 路徑不重疊：相加的各路徑無共享邊；有共享即觸發雙計排查
□ 環檢測：圖中無環，或有環部分已走聯立／迭代求解分支並留計算記錄
□ as_of 一致：參與同一計算的所有邊參考日一致；不一致的邊已剔除或標註
□ 證券口徑：普通股與可轉債／認股權證／期權分列；攤薄口徑全程一致
□ 入邊總和檢查：每個節點的入邊比例合計 ≤ 100%（代持與庫藏股口徑需單獨解釋）
□ 交叉驗證：計算結果與披露文件數字比對；差異能定位到口徑差或時點差，
   而不是「未知差異」
□ 輸出帶路徑明細與每條邊的來源指針

最後一條交叉驗證值得展開：你的圖算出來某主體經濟權益 14.9%，披露文件報的權益比例是另一個數字——這不是誰錯了，而是口徑不同（披露口徑可能含衍伸工具、可能按視為權益歸屬）。差異必須能被解釋到具體口徑項；解釋不了的差異，就是圖裡有漏邊或錯邊的信號，回到資料來源重查。防雙計的最高形態不是算得小心，而是永遠有一個獨立來源跟你對帳。

八、AI 會在這裡出錯：八種模式與防禦

這份清單的共同底層邏輯，與本站對金融 AI 的一貫立場相同：假設模型會編，所以每個數字都要有來源、每步計算都要可重放、每個結論都要能被獨立方法交叉檢查。持股拓撲恰好是這條立場的最佳示範場景——它的正確算法是完全機械的，於是任何偏差都無所遁形。把這套「機械可驗證」的紀律推廣到整個投研系統，見 自建投研系統；單家公司快速摸底時怎麼用持股結構排雷，見 30 分鐘快速盡調流程。

下一步

• Webb-Site 港股研究工具：批量取得年報與持股資料的實務工具
• 港股調研資訊源地圖：披露易、年報與第三方資料源的完整地圖
• LLM Agent 自主繞過流程約束的實證分析：為什麼「文字約定」約束不了模型，驗證必須是外部代碼
• 投研 AI 的合規邊界：披露口徑、一致行動人認定等法律問題的正確請教方式
• 自建投研系統：把持股圖納入系統級資料層與驗證門控