轻，但陈默还是醒了。

    “几点了？”他声音沙哑。

    “六点半。”沈清如看着他布满血丝的眼睛，“你又没好好睡。”

    “想点事情。”陈默坐直身体，活动了一下僵硬的脖子，“你怎么样？昨晚睡得好吗？”

    “还好，就是孩子半夜踢得厉害。”沈清如抚摸腹部，“可能像你，也是个夜猫子。”

    陈默笑了，笑容里有疲惫，也有温柔。他拉住沈清如的手，让她在旁边椅子上坐下：“正好你醒了，帮我看看这个模型。”

    沈清如仔细看屏幕上的框架，看了大约五分钟。“思路是对的，但缺了东西。”

    “缺什么？”

    “缺‘人性因子’。”沈清如说，“股改博弈到最后，不是数字游戏，是心理战。大股东怎么想？流通股东怎么想？保荐机构怎么想？甚至监管层怎么想？这些都要考虑。”

    “怎么量化人性？”

    “用历史行为来推演。”沈清如说，“比如大股东，可以看他过去的表现：有没有减持记录？减持时是高位还是低位？对中小股东态度如何？有没有被处罚过？这些都是可观察的行为模式。”

    陈默眼睛亮了：“对！行为金融学。我们可以建一个大股东行为数据库，给不同类型的大股东打标签：实业型、资本型、投机型、保守型……”

    “流通股东也可以分类。”沈清如接着说，“公募基金、私募、保险、QFII、散户……不同类型的投资者，诉求不同，投票行为也不同。公募基金可能更看重短期业绩，私募可能更灵活，保险资金更保守……”

    “所以模型要分层次。”陈默在笔记本上快速画图，“第一层：客观因素（财务、估值、行业）。第二层：事件因素（对价方案、时间表、政策环境）。第三层：行为因素（各参与方的历史行为和预期）。”

    “还要有第四层。”沈清如指着屏幕，“动态博弈推演。随着时间推移，各方立场可能变化。比如方案公布前，大股东可能强硬；投票前，可能软化。流通股东也可能从观望到联合……”

    陈默看着沈清如，心里涌起复杂的情绪——孕期的她，思维依然如此敏锐、如此系统。这种并肩作战的感觉，是他在这条孤独道路上最大的支撑。

    “清如，”他轻声说，“如果没有你，我不知道自己能走多远。”

    沈清如笑了笑，笑容在晨光中很柔和：“别说这些。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


本章未完，请点击下一页继续阅读》》