往往更能反映公司的真实状况。
陈默则专注编程。他用的是exnetbsp;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:1o送2。8-3。3股
风险提示:对价不足可能引高反对票
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(1o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:1o送3。5-4。o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1o送1。5股,反对票比例41%,被否决。股价随后下跌3o%。
“又对了。”
沈清如说,“模型识别出了**险。”
陈默稍微松了口气。两个成功案例的回测,给了模型初步的验证。但这还不够,模型需要预测未来,而不是解释过去。
“现在测试国信那三个项目。”
他说。
先输入湖南国企的数据。
这家公司财务数据尚可,但非财务因素复杂。沈清如收集到的信息显示:省国资委内部对股改态度分歧,有的领导认为应该“大方一点树立标杆”
,有的认为“国有资产不能流失”
。职工股问题更是敏感——两千多名职工持有未确权股份,处理不好可能引群体事件。
数据输入完毕,运行。
等待的几秒钟显得格外漫长。屏幕上进度条缓慢移动,陈默能听到自己的心跳声。
结果跳出:
公司基本面质量:68分(中等)
大股东实力与动机:52分(动机复杂,分歧明显)
对价方案吸引力:?分(需输入方案细节)
行业景气度:63分(传统行业,增长缓慢)
投票博弈强度预测:85分(高)
综合评分:未完成