格格党

手机浏览器扫描二维码访问

凌霄远（第2页）

他开口的第一句话是：“我今天要讲的东西，可能会让在座做一级市场的人觉得不舒服。

因为我要说的是——你们引以为傲的‘对人的判断’，在量化框架里是可以被替代的。”

台下有人轻轻笑了一声，大概是觉得他在挑衅。

但凌霄远没有笑。

他翻到PPT第一页——上面是一张散点图，横轴是“人工尽调评分”

，纵轴是“量化模型评分”

，两条线几乎完全重合，只有几个明显偏离的点被用红色标注了出来。

他说这是他花了三年时间做的一个回溯实验：把过去十年所有一级市场融资案例中的人工尽调结论和量化模型预测进行对比，发现两者的准确率没有显著差异。

换句话说，机器可以做尽调，而且做得和人一样好。

台下开始有人窃窃私语。

一个坐在前排的分析师举手问：“那你的意思是FA这个行业可以被算法取代？”

凌霄远说：“不是取代，是重新分工。

量化擅长的是从海量非结构化数据中提取信号——比如从招聘网站上的岗位变化推测一家公司的扩张速度，从供应商出货数据反推真实营收，从专利布局判断技术壁垒。

这些工作以前需要分析师花好几天去做，现在算法可以在一天之内完成。

但算法不擅长的是另一件事——当数据不够完整、信号不够强的时候，你需要在不确定的条件下做判断。

那个判断，算法做不了。”

林见微在笔记本上飞快地记着。

她发现凌霄远的思路和她做水下项目的方法论非常相似——都是用非结构化的公开数据作为交叉验证工具，都是在信息不对称的环境里寻找被忽略的信号。

区别在于他用的是机器学习的框架，她用的一直是手工的、基于博弈论的分析逻辑。

她抬起头时发现凌霄远的目光在她这个方向停了一瞬，大概是注意到她一直在低头写字。

提问环节时他叫了第三排靠过道一个穿深灰色西装的男士，是某国资PE的投资总监。

对方问他量化模型如何处理财务造假的问题，他说用Benford定律做初始筛选，再用多个时间序列的交叉比对做验证，准确率比人工尽调高十几个百分点。

投资总监又问如果造假的样本刻意避开Benford分布呢，他说对，这个叫对抗性样本，是目前量化尽调最大的技术瓶颈——但他同时展示了另一个方案：供应链交叉验证。

这个方法论恰好是林见微自己在松江项目里用过的，她听到这里忍不住在笔记本上写了一句：此人值得认识。

下午议程开始前，林见微被安排在第二个发言。

她走到讲台上，把U盘插进投影仪，打开PPT的第一页。

她扫了一眼台下——几十个人，有些是上午已经见过的熟面孔，有些是下午才来的新听众。

在第三排靠过道的位置，她看到了凌霄远。

他还是那件深灰色衬衫，手里端着一个纸杯，靠在椅背上，没有在翻手机也没有在笔记本上记东西，只是看着她。

那种目光不是审视，更像是一个人在确认另一个人接下来会说什么。

她开始讲。

她没有用那些花哨的行业术语，没有把模型讲得像黑箱。

她从松江项目的第一个数据异常讲起——电商平台销售数据与公开融资数据库之间的偏差。

接着讲招聘网站上的岗位发布频率如何反映了一家公司不公开宣布的扩张计划，再讲供应商出货量、专利归属、工商变更记录。

她特意加入了上午凌霄远没有提到的一个点：创始人行为分析。

她说在信息不对称的环境里，最可靠的信号往往不是来自财务数据，而是来自创始人在不需要被观察时的行为——比如他是否在融资前通过关联公司完成了专利转移，比如他的招聘扩张节奏是否和销售增长曲线匹配，比如他在首次拜访时对你提出的问题选择回避还是坦诚面对。

这些行为信号无法被算法捕捉，但可以被一个愿意花时间做现场尽调的分析师识别。

台下有人开始做笔记。