推演——如果沈清如的判断是对的，那么市场风格可能会发生变化。过去几年，小盘股、题材股表现突出，因为资金在寻找弹性最大的方向。但如果并购重组和直接融资成为主旋律，那么有真实产业整合能力的公司、有强大投行能力的券商，可能会成为新的主线。

    “林枫那边，系统对政策的反应怎么样？”他问。

    小赵已经打开了和林枫的即时通讯窗口：“林总说，他在做文本分析。把新国九条和过去三年的所有重要政策文件做对比，看语义相似度和情绪倾向。初步结果是——正面情绪指数0.82，是过去三年最高的。”

    “0.82？”陈默有些意外。他知道林枫的文本分析模型，0.7以上就算重大利好。

    “对。而且有几个关键词的出现频率显著上升——‘发展’、‘改革’、‘开放’、‘市场化’。这说明政策的基调已经从‘规范’转向‘发展’。”

    陈默站起来，走到窗边。窗外是车公庙密密麻麻的写字楼，远处是塘朗山的轮廓。2014年的春天，深圳的空气里有一种躁动的气息——不是天气的热，是某种即将到来的、更大的东西在酝酿。

    “我有一个想法。”他转过身，“我们要把政策分析系统化。”

    沈清如抬起头：“怎么系统化？”

    “以前，我们看政策，是靠你的判断，靠研究员的阅读，靠经验。但这种方式，太依赖人。而且人的判断容易受情绪影响——看到利好就兴奋，看到利空就悲观。”

    他走回会议桌，拿起笔在白板上画了一个简单的流程图：

    政策发布 → 文本分析（林枫） → 行业影响评估（沈清如） → 历史回测（量化） → ACC决策

    “林枫那边做量化分析，把政策文本变成可量化的指标——情绪指数、关键词频率、与历史政策的相似度。你这边做定性分析，判断政策对不同行业和公司的具体影响。然后我们结合起来，放到系统里做历史回测——在过去的类似政策环境下，哪些因子表现最好？哪些行业超额收益最显著？”

    他放下笔，看着沈清如：“这样，我们就能把‘政策敏感’从一种直觉，变成一种可重复、可检验的流程。”

    沈清如沉默了几秒，然后笑了：“你说得对。我一直觉得自己对政策的判断是靠‘感觉’，虽然准确率还不错，但没法解释给别人听。如果能把它模型化，对公司来说是一笔宝贵的资产。”

    “那这件事你来牵头。”陈默说，“你负责定义政策分析的框架和变量，林枫负责把它变成算法。争取在月底之前，拿出一个初版。”

    ---

    接下来的两周，沈清如和林枫几乎天天加班。

    沈清如的工作是“翻译”——把政策语言翻译成投资语言。比如，“鼓励市场化并购重组”这句话，在投资上意味着什么？

    她带领研究员梳理了历史上A股的几轮并购重组热潮。2006-2007年，股权分置改革后，资产注入成为主线；2010-2011年，国资整合推动了一波行情；2013年开始，创业板公司的跨界并购成为热点。

    每一次，领涨的行业和公司都不一样。但有一些规律是共通的：并购重组活跃的时期，券商、有产业整合能力的龙头公司、以及某些特定行业（如TMT、医药）的表现会优于市场。

    她把这些规律整理成一个“政策-行业传导矩阵”——每一个政策方向，对应哪些受益行业，传导路径是什么，时间窗口有多长，历史超额收益是多少。

    林枫这边，则在做另一件事：把沈清如的“传导矩阵”变成可量化的因子。

    “政策情绪指数”是最简单的部分。林枫写了一个爬虫，每天自动抓取证监会、国务院、央行等官方网站的新闻和公-->>

本章未完，点击下一页继续阅读