前言

长期以来，私募股权（PE）投资一直不像其他资产类别一样受到科技驱动变化的影响，即使在过去十年中世界经历了激进地科技迭代，原因是PE投资的透明度有限、决策过程缺乏数据的一致性以及较长的投资期限。事实上，自1980年代以来，影响人类判断的经典私募股权投资决策方法几乎没有改变。

到目前为止，依靠经典方法仍然能让投资者能够在股权投资中获得持续超过其他资产类别的回报，尽管会消耗大量的时间及连带成本。然而，随着私募股权行业走向成熟，投资者在费率和回报方面愈发的审慎，投资者以快速有效的方式做出准确、高信念的决策变得越来越重要。

近十年我们见证了世界科技的重心从互联网向全面数字化，再向今天以大算力为基底的量化、AI和机器学习转移，随着AI的发展，我们正在进入一个“万物皆可量化”的时代，它们正深刻地影响和改造着各个行业，包括制造、医疗、消费，原本属于人类的经验总结开始成为标准化的、可复制的算法。生产成本、效率、产品质量和服务都得到了不同程度的提升。事实上，数据科学正在通过改变投资的分析和选择方式来重塑金融世界，以深度学习为主的量化私募已经在证券、债券及金融衍生品领域中已经进行了大量实证研究，并已取得长足的成果。

“量化”这个概念在股权市场中其实并不多见，我们可能在基本面分析中会用到不少的数量分析技巧，但传统的股权投资决策仍然属于社会行为学的范畴，属于一个“以人为本”的行业，但人会滑倒，人会摔跤，经验主义和直觉产生的波动性导致PE行业的投资就像在赌博或者碰运气，正如亚当．斯密在《国富论》中提出的，人类的行为和决策似乎都在被一只“看不见的手”所引导着。

（一）拒真与受伪

　我们来简单想象这样一个场景：一家半导体设备企业在市场上进行股权融资，已知它的财务情况与估值，我们作为投资人是否会对这家企业进行投资呢？我们之所以犹豫，是担心犯两种错误：第一，这是家好企业，但我们拒绝了它，即“拒真”；第二，这是家差企业，但我们接受了它，即“受伪”。

　我们可以发现，这是一个假设检验问题：H0=这是一家好企业 vs H1=这是一家差企业。

但关键在于，我们如何检验这个假设？我们是否有足够的检验统计量以及能否确定其服从的概率分布？能否构建多维随机变量处于的概率空间？由于检验步骤需要我们确定显著性水平及拒绝域的形式（决策准则），怎么定义“这是一家好企业”以及确定非上市企业价值成为了每个投资人面对的难题。 

传统PE的估值方法如市场乘数法，DCF法等，在多年来一直是相对稳健的方法，但其实每一种方法都面临不少问题，尤其是是无法定义和分析商业模式的强度和公司对外部冲击的抵御能力。但PE投资从业者面对的一个问题是人手有限，在尽职调查和估值分析的过程中非常耗时耗精力。

正是由于这种消耗，PE投资经理往往会使用心理捷径来筛选公司。我们倾向于在几个小时的快速学习中吸收我们所能吸收的东西，然后根据以前在类似公司的经验或对创始人和团队的阅读来得出一种“直觉”。事实上，很多凭经验主义和直觉的投资决策逻辑难以复制，有可能这次看准了，下次就错了。

如前文所说，当一个投资人没有严格的定量分析的栏杆时，他很容易滑倒，也就是判断上犯错误：要么拒真，要么受伪。

（二）爱因斯坦与已知的不可知

1827年，英国植物学家罗伯特.布朗在观察水中花粉时发现，水中的各种微粒在不停地随机撞击，引起了微粒的不规则运动，这便是随机过程的发现—布朗运动。这一运动的发现使得许多学者开始进行研究，试图解释这一现象。

1905年，爱因斯坦通过扩散方程提出了布朗运动的理论基础，同年，斯莫卢霍夫斯基也作出了同样的成果，他们的理论成果完整地解释了布朗运动的规律性。这一理论于数年后由贝兰和斯维德伯格通过实验证明，两人于1926年获得诺贝尔物理学奖和化学奖。布朗运动作为随机涨落现象的代表，如今经过半个多世纪的研究，已经应用在各种领域，其中也包括金融数学和人类行为学。

                                                                                            图例：资产价格的随机游走模拟

为什么要研究随机过程？事实上，从人类研究世界以来，从粒子运动到天体，从股价波动到人类行为，底层逻辑都是—事物是如何随时间变化的。我们想要预测未来的事情，就需要得到过去的信息做依据，这个链接点就是—概率空间。

生活中处处存在随机现象，而概率可以把微观上的随机性转变为宏观上的确定性。我们依靠初始时刻的信息总量通过筛选随机变量来逐步化解未来时刻的不确定性。

我们在投资决策中会看很多指标，如营收增长率、毛利率、企业倍数等，以该同类型企业所有的财务和经营信息来构建概率空间，在二级市场中似乎有时能得到一个合理的结论，即使有重大事项披露也会直接反映在股价上（投资者期望）。

但在一级市场中显然我们会考虑的更多：实控人是科研背景还是运营背景？受教育水平如何？政府资源如何？各股东话语权分别有多重？等等。当信息总量随时间发生变化，而又缺少验证随机变量相关性的数据基础的时候，整个决策树的走向也开始变的随机起来了。这一定程度上也证明了概率空间有一定程度的主观性，取决于人的信息量。因PE市场的信息不透明特性，我们无法测定某些事件在统计上是显著的，比如说我们无法验证国产替代业务与业绩增长的相关性，或许随机变量之间存在多重共线性。

                                                                                                      图例：决策树模型

概率空间的延展可以近似为人类所有已知信息的总和，而随着科技不断的迭代，机器拥有者远超人类的信息归集能力，AI拥有无法想象的噪声处理能力的时候，我们或许可以得到一个极为高效的随机变量处理工具，来帮助投资人在一个统一范式框架内做出决策。事实上二级市场的量化私募们在不断挖掘影响因子，寻找最优模型，并随时间变化不断调整，也是在追求信息的收敛。

爱因斯坦穷极一生追求一个能解释天地万物的统一理论，而在社会科学和思维科学的领域中是否也会出现一个大一统范式？

（三）因果推断与反事实框架

经济学与人类行为学作为社会科学产生的研究成果一直备受争议的原因是，社会科学与自然科学不同，社会科学无法进行有效的可复现实验。比如说税收制度、国家产业政策、企业补贴与优惠等等，国家在政策推出之前可以有很多理论论证，但政策推行后观察的数据很大程度上是不可靠的，由于内生性的影响，各种因子之间的内在逻辑互相发生纠缠，最终数据是综合影响结果，无法判断单个因子的影响我们不可能像自然科学做实验那样，回到没有发生的状态重新观察。

2021年诺贝尔经济学奖授予三位经济学家，其中一半奖金给予美国经济学家Angrist和Imbens，因为他们对“因果关系分析的方法学贡献”。

经济学家格兰杰对观测因果关系的条件是：原因一定先比结果发生，原因和结果一定有相关性。然而依靠这个条件，我们容易陷入“反事实陷阱”。

以现在很流行的MBTI十六种人格测试为例，MBTI测试将千人千相归总成16种特征，形成了样本空间集，先做出一个简单假设“因为我是i人，所以我没去酒吧”，我们先给了原因，后给了结果。

Angrist和Imbens采用了一种潜在结果倒推的方式来判断因果关系，首先我们需要给出“我是i人”和“我不是i人”分别引出什么潜在结果，如果我不是i人，且我也没去酒吧，那么就说明“我是i人“其实不是”我没去酒吧“的原因，而前文的直觉推断中，我们实际陷入了反事实陷阱。

这种思想后来发展成了罗宾因果推断模型，该模型框架由哈佛大学教授唐纳德.罗宾教授提出，由Angrist和Imbens提供了实际应用方法。

                                                                                                           图例：罗宾因果推断模型

曾经的因果推断或许还停留在哲学层面，但罗宾和两位诺奖得主的成果告诉我们还是有方法可以去推动解答过去我们以为可能无法回答的因果关系。事实上，因果识别方法如今已经基本上进入经济学研究的主流，我们可以通过数据和更精密的方法，提高经济和人类行为逻辑接近真相的概率。

 对于人类来说，因果关系是无法被观察到的，但对于AI和机器学习来说，数理上对因果推断的突破可能是质的飞跃。目前最先进的基于大模型的生成式AI都是无法推断因果关系的，因为数学上不存在因果关系的推断范式，比如问AI“为什么A公司上市失败？“，AI是无法给出准确基于因果关系的答复的。

  未来或许能有个能解答我们所有问题的AI出现，这一天可能来的很快。

结束语

股权投资决策的量化工具目前其实已有不少探索者，如元真创投推出的项目评级系统；UNIGESTION公司推出的智能协作分析系统等，未来AI能力的提升及相关应用的涌出会给非公开市场投资决策带来怎样的改变？实在令人兴奋。但归根结底，AI在很长一段时间内还是会作为辅助决策工具给人们提供前置筛选引导，至于未来那只“看不见的手“到底是什么？可能是机器，也可能是对面老板的生辰八字。