些。先把模型建起来。”

    两人开始分工。陈默负责搭建框架和编写算法，沈清如负责收集数据和建立分类标准。时间紧迫，他们决定先做一个简化版本，能够应对眼前这三个项目就行。

    七点半，天完全亮了。窗外的深圳开始苏醒，远处传来早高峰的车流声。

    陈默煮了简单的早餐：白粥、咸菜、煮鸡蛋。两人在餐桌前坐下，边吃边继续讨论。

    “国信那边，我们什么时候回复？”沈清如问。

    “模型初版今天做出来，明天可以给初步分析。”陈默说，“但张磊要的不仅是分析结果，还要操作建议。”

    “什么建议？”

    “比如，湖南那个国企，对价给多少合适？用什么形式给？如果流通股东反对，怎么应对？浙江那个民企，大股东缺钱，能不能用资产注入代替现金？广东那个科技公司，估值这么高，对价怎么设计才不显得太寒酸？”

    这些都是实际问题，需要模型给出参考答案。

    “所以我们今天必须把模型跑通。”沈清如放下筷子，“至少能输出一个综合评分，和一个对价区间建议。”

    “对。”陈默看了眼墙上的钟，“开始吧。”

    三、系统的试运行

    上午九点，工作室。

    两台电脑同时运行，一台处理数据，一台构建模型。沈清如负责收集三家公司的公开资料：年报、公告、券商研报、媒体报道，甚至还有法院判决书和环保处罚记录——这些“负面信息”往往更能反映公司的真实状况。

    陈默则专注编程。他用的是Excel VBA，虽然简陋，但足够灵活。模块的五个核心组件已经初步成型，现在需要输入数据，测试输出结果。

    第一个测试案例：三一重工。

    他们用模型回测三一的情况。输入停牌前的所有公开数据，运行。

    结果跳出：

    公司基本面质量：92分（优秀）

    大股东实力与动机：88分（实业型，动机明确）

    对价方案吸引力：65分（中等偏下）

    行业景气度：85分（上升周期）

    投票博弈强度预测：78分（较高）

    综合评分：81.6分

    建议对价区间：10送2.8-3.3股

    风险提示：对价不足可能引发高反对票

    陈默和沈清如对视一眼。模型给出的对价区间，和他们当时的测算（10送2.5-3.5股）高度吻合。投票博弈强度预测78分，实际反对票28.66%，换算成百分制大约72分——预测基本准确。

    “验证通过。”沈清如说，“至少对三一这个案例，模型有效。”

    “但三一太典型了。”陈默保持谨慎，“我们需要更多样本。”

    接下来测试第二个案例：一家去年股改失败的公司——方案被否决，股价暴跌。他们当时没有参与，但事后做过复盘。

    输入数据，运行。

    结果：

    公司基本面质量：61分（一般）

    大股东实力与动机：45分（资本型，动机可疑）

    对价方案吸引力：38分（差）

    行业景气度：52分（平稳）

    投票博弈强度预测：92分（极高）

    综合评分：57.6分

    建议对价区间：10送3.5-4.0股（但大股东不可能接受）

    风险提示：方案大概率被否决

    实际情况：方案10送1.-->>

本章未完，点击下一页继续阅读