京公网安备 11010802034615号
经营许可证编号:京B2-20210330
我们用“大数据”做空_数据分析师考试
不是标题党,确有其事,不过不是我们做空,是我们帮助客户做空,那还是我在律师事务所做专职律师时候的事。
大家如果对反垄断法有一定的了解的话,就知道如果两个(或以上)企业之间发生集中(比如兼并收购),且参与集中的企业达到一定的规模(比如营业额达到一定的标准),那么这个集中就必需先申报(比如在中国向商务部进行申报),待申报被批准后方能实施集中。反垄断申报的目的在于防止一个集中会破坏一个相关市场的竞争秩序,从而损害消费者的利益。举个例子,如果可口可乐和百事可乐集中合并为一个企业,那么这个集中就极有可能导致可乐市场的竞争秩序被扭曲和破坏——可乐市场的竞争因为两个主要竞争者的消逝而消逝了,那么可乐的价格就极有可能飙升,从而损害消费者的利益。
如果可口可乐和百事可乐要集中合并的话,那么这个集中合并一定得去相关市场的政府部门申报,与此同时就会有很多券商、对冲基金或者其他人来决定是否做多还是做空这两个公司的股票。如果这个集中被批准的可能性较大,那么做多这两个公司股票的基本面就大——虽然集中可能损害消费者利益,但对两个公司而言是利好,这两个公司的股价就会上涨,因此做多的赢面大。反言之,如果这个集中被拒绝的可能性较大,那么做空这两个公司股票的基本面就大——因为集中申报一旦被拒绝,那么参与集中的公司的股票就会下跌,因此做空的赢面大。当然我用这两个可乐巨头来举例可能太过典型而不具实际意义,因为它们的集中被否几乎就是板上钉钉的事。那我们就用一个实战例子来说事。不过这个例子还是与可口可乐有关。
2008年9月3日,可口可乐宣布计划以现金收购中国汇源果汁集团有限公司(01886.HK)。可口可乐公司建议收购要约为每股12.20港元,并等价收购已发行的可换股债券及期权。可口可乐在宣布之前已取得汇源三个股东签署的接受要约不可撤销承诺,三个股东共拥有汇源66%股份。如此项建议交易获得接纳, 可口可乐付出的对价约24亿美元。该交易若完成,将成为可口可乐到当时为止在中国金额最大的一笔收购交易,汇源果汁也将撤市。
上述消息宣布之后,汇源与可口可乐的股价均大幅上扬。但问题是可口可乐对汇源的收购属于中国反垄断法下应当予以申报的一次集中,该集中是否能得到商务部的批准成为这次交易的X因素,对此有对冲基金找到我们做分析,我们按照我们做此类业务的套路和方法收集了相关数据进行分析(至于是什么样的数据和什么样的分析方法我们在此就不说了)。不管怎样,我们最终的分析结果是商务部反垄断局将不会批准这次集中,幸运的是我们这次分析结果是正确的。相应地,听从我们的建议而做空的客户也就赚了钱。
7年前我们在做上述案例分析的时候,还没有所谓“大数据”或者“小数据”的概念。现在回过头来想想,我们当时(和现在)所做的无非也就是数据分析,当然了,所涉及的数据从总量上看也许不是那么地大,但是相对于具体项目而言已经足够大。当然,是不是一定可以把这些数据看成我们现而今所称的“大数据”也许值得商榷,我们以后另行撰文来讨论,这也是我在本文标题中把“大数据”加上引号的原因。不管怎样,考虑到商务部迄今为止在所有的 1000多件反垄断申报案件中只有2个未获申报,我们当时对概率如此之小的事件能够准确地预判还是令人值得骄傲的,这应当归功于我们收集数据的准确与分析的到位。
如果我们可以把上述成功做空看成是采用“大数据”所做的一个有效分析的话,那么“大数据”分析似乎具有以下几个特点,我们在这里就所谓的特点试图做一个归纳以达到抛砖引玉的目的:
- 大数据分析首先应当是商品。不管数据采集和分析的方法是怎样的,最后出来的产品应当有人化钱购买。没有商业价值的大数据或大数据分析产品是没有价值的,换言之是做不下去的。
-大数据分析产品的开发应当有针对性的客户。不同的客户对大数据分析产品的需求是不一样的。就拿法律行业的上述大数据为例,对大数据及大数据分析产品有直接需求的基本上是做涉外业务的律师事务所及国际大公司,所以上述大数据及大数据分析产品的工作语言基本上都是英语。
- 大数据分析的生命力在于它的准确性。以我们上述案件为例,可口可乐收购汇源被否,汇源股价在紧接着开盘的当天全天暴跌42%。而在这之前可口可乐天价收购汇源的消息曾刺激汇源股价狂飙近200倍。可口可乐在宣布收购汇源果汁之后,其在纽约证交所的股价曾一度出现强劲上升,但在后来的半年里股价下降了20%,这与其收购汇源失败不是没有关联的。可以想象如果我们当时的分析是不准确的,那么客户就得赔钱了。当然,我们这个案件的成功不能不说有一定的偶然性,那么大数据分析是不是有一定的容错?我相信是有的。如果大数据不会犯错,那其就等同于上帝了,但大数据的错误率太高,那么也就没有商业价值,甚至连娱乐价值也都没有了。
在文章最后问一个问题:用数据(不管是大还是小)分析出来的结论来做空算不算是恶意呢?也许这个问题有点“然并卵”。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师 出品 作者:李诗怡 多表进阶与 DDL/DML 连接 · 子查询 · 合并 · 建表与书写规范 ” 三、DQL 多表进阶:连 ...
2026-11-20 前面讲了怎么搭指标体系,但很多团队卡在最后一步:高层定了一个漂亮的目标,往下一层层写进周报,最后却落不到任何人的具体 ...
2026-11-20 很多团队做数据分析的现状是:老板要一个数就拉一个数,周报里堆满了 GMV、DAU、转化率,却没人说得清这些数之间是什么关系 ...
2026-11-20这周你大概又经历过一次:报表自己跑了,SQL 让 AI 写了,连周报初稿都不用自己动手。你一边松口气,一边心里发慌——那我还剩什 ...
2026-11-20 做产品立项、写商业计划书、规划市场进入策略时,"市场调研"和"竞品分析"几乎总是被绑在一起说,甚至被当成同一件事。但实际 ...
2026-11-19 在做数据治理、搭数据中台或者梳理数据库表结构时,"主数据"和"参考数据"是被提及频率最高、也最容易被混为一谈的两个概念。 ...
2026-11-19“纲举目张,执本末从。”若想在数据分析领域有所收获,一套合适的学习教材至关重要。一套优质且契合需求的学习教材无疑是那关键 ...
2026-11-19一、什么是本体 在知识图谱和语义建模里,本体(Ontology)是对一个领域内概念、属性、关系和实例的形式化描述。它回答三个问题 ...
2026-11-18一、K-S 曲线解决什么问题 风控评分卡、客户流失模型、欺诈识别模型建好之后,最核心的一个问题是:模型能不能把"会变坏"和"不会 ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-18产品上线之后,真正回答"用户是谁、想要什么、卡在哪里"的,往往不是调研问卷,而是用户留下的一条条行为记录。点击、浏览、停留 ...
2026-11-17在日常数据库开发与报表查询中,日期格式几乎是最高频的"打交道"对象:页面上要展示 yyyy-MM-dd,接口要返回 ISO 8601 字符串, ...
2026-11-17核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-17一、销售行业为什么离不开大数据分析 销售行业的本质是"把合适的产品,在合适的时间,卖给合适的人,并持续复购"。传统销售靠经 ...
2026-11-16一、什么是频数分布 拿到一批连续数据(员工年龄、商品价格、考试分数、订单金额),最想先看的往往不是平均值,而是数据集中在 ...
2026-11-16教育部办公厅关于成立全国数据职业教育教学指导委员会(2026—2030年)的通知 教职成厅函〔2026〕25号 各省、自治区、直辖市教 ...
2026-11-16CDA数据分析师 出品 作者:李诗怡 基础与单表查询 四大类语言 · 数据库基础 · DQL 单表查询 ” 一、SQL 四大类语言与数据 ...
2026-11-13核心资源推荐 CDA教材(2025):https://edu.cda.cn/goods/show/3151CDA模拟题(2025):https://edu.cda.cn/goods/show/2845CD ...
2026-11-13一、问题从哪来 财务分析里算增长率,常规公式所有人都会写: 增长率本年数上年数上年数 这个公式在"上年为正"时完全成立。但一 ...
2026-11-12