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告，用自然语言处理技术分析文本的情绪倾向。正面词汇出现得越多，指数越高。
“政策-行业关联度”要复杂一些。林枫需要建立一个模型，自动判断一篇政策文件对哪些行业有影响，影响是正面还是负面，强度有多大。他用了“主题模型”的方法——把过去十年的政策文件和行业指数走势放在一起训练，让算法自己学习两者的关联。
最困难的是“历史回测”。林枫需要回答一个问题：在过去的政策环境下，哪些因子（估
本章未完，请点击"下一页"继续阅读！ 第4页 / 共11页