1 何时值得做前置筛选
拿到潜在出资方初选名单后,募资方需要先决定在发出会谈邀约前应弄清哪些问题。每项前置核查都消耗分析师工时、延迟联络,并可能筛掉原本会签署承诺的投资者。本文研究四项核查:能否合法接收要约、是否符合已公布的投资授权范围、资本是否能在所需时间内到位,以及资金来源能否通过核验。研究探讨哪些核查可在不误筛有能力出资的投资者的情况下减少会谈,以及这些核查应按何种顺序进行。完全不筛选是模型中的数值基准。实务中仍须遵守联络许可和强制性的资格或合规核查要求;商业务实筛选方案只应在合法范围内比较。
研究的问题比给投资者排序更窄。排序按照预期回复情况确定联络先后;筛选则移除无法签约的对象。筛选意味着在本轮募资中彻底剔除对象,因此筛错的后果在本轮内无法挽回。排序只改变接洽先后。已被筛掉的投资者很少再被联络,募资方自己的记录也不会显示其中谁本来有能力出资。可从工时中看到节省,却看不到这项损失。
本文面向筹集私募资本的创始人、财务总监、项目发起方,以及向有限合伙人募资的基金管理人,兼顾海湾地区与全球视角。海湾地区的募资方可能面对来自多个司法辖区的受监管机构、采用非正式投资授权的家族办公室,以及资格取决于要约方所适用监管制度的个人。四项核查均可适用;第一项和最后一项的具体规则存在差异,因此本文先查阅监管条文,再建立模型。
本文根据已公布的规则与投资者筛选研究建立分析框架,再进行作者设计的实验。研究没有使用实际联络记录,也不报告实测结果。模型在给定参数下计算四项核查的65种有序组合对应的会谈节省数、被误筛的有能力出资者数量,以及以分析师工时计量的净价值。研究旨在展示这些取舍会如何变化,并明确需要怎样的经同意研究,才能将相关数字作为市场事实使用。
2 四项结构性条件中有任何一项不满足,会谈便无法转化为签约;结果以正式签署承诺为准
先定义结果,再选择测量方法。对于某项募资,投资者在联络之日应符合四项条件才有能力出资:可以合法接收要约、交易属于其投资授权范围、具备可用资本和明确的决策流程,以及资金来源可以举证并通过核验。任何一项不满足,该会谈就无法转化为签约。本文只把签署的承诺计入结果;举行会谈或表达兴趣均不计入。
有能力出资并不意味着一定签署承诺。即使会见了有能力出资的投资者,价格、条款、尽调发现及其他竞争性投资机会仍未确定,签约概率低于1。因此,模型区分前置核查衡量的结构性签约可能性和未被这些核查衡量的商业转化。模型假定,与满足全部结构性条件的出资方会谈后,签署承诺的概率在各筛选方案下保持不变。实际筛选可能改变哪些满足全部条件的出资方参加会谈,也可能改变这些出资方的反应;由此产生的转化率变化,其方向和幅度尚不明确。
表1列出四项条件、核查内容、证据来源及法定义务承担方。只有第一项和最后一项涉及普遍适用的规则。投资授权范围与资本可用时点属于商业事实,可通过投资者自身文件和答复确认。该表是建议采用的尽调记录模板,不针对任何特定投资者作出结论。每一行都是结果定义中的一项条件;任何一项未满足,无论会谈进展如何,该投资者都无法为本轮募资签署承诺。表格顺序不代表实际执行顺序;后文通过实验研究这一问题。
横向滚动表格即可查看所有列。
| 条件 | 核查内容 | 证据来源 | 法定义务 |
|---|---|---|---|
| 接收要约的资格 | 所属类别允许接收要约 | 分类记录、登记信息、书面证明 | 要约方或获授权机构 |
| 投资授权范围 | 行业、出资金额、工具和地域是否匹配 | 基金文件和公开投资政策 | 无;属商业判断 |
| 资本可用时点 | 资本现已可用,且有明确决策流程 | 投资者本人的答复 | 无;属商业判断 |
| 资金来源 | 受益所有人和资金来源证明 | 责任机构的客户准入档案 | 承担该义务的受监管机构(如适用) |
MatchPoint分析框架。建议记录模板;各项法律依据在后文说明并引用。
3 美国规则设定可核查的资格门槛;公开招揽还要求验证资格
第501(a)条列出了获得合格投资者身份的多种途径。按个人净资产路径,个人或与配偶或等同配偶的伴侣合计的净资产须超过100万美元。主要住宅不作为资产计入,相关负债适用特别规则。另有收入路径:在此前两年每年个人收入超过20万美元或共同收入超过30万美元,且有合理预期本年达到相同收入水平。第(a)(3)款所列的特定实体,如总资产超过500万美元且并非为购买所发行证券而专门设立,也可以符合条件。持有委员会指定且有效的资格证书是另一条路径。以上仅为规则中的部分情形。[1]
第506(c)条在符合条件时允许公开招揽,包括所有购买人均须为合格投资者,且发行人须采取合理措施核验其合格投资者身份。对于自然人,该条列举非排他、非强制的核验方法。其中包括审阅最近两年的指定收入证明,并取得关于本年收入的书面声明。净资产核验方法要求特定的近期资产和负债文件及书面负债声明。还可取得具备资格的第三方出具的近期核验书面确认,例如注册经纪交易商、在SEC注册的投资顾问、执业律师或注册会计师。[2]
初筛可提示应调查哪一类别及应索取哪些证据。根据第506(c)条,发行人仍须在出售前另行完成验证,初筛模型不能代替该步骤。该规则没有给出初选名单的合格比例,也没有给出初筛的准确性、成本或耗时。这些是实验设定的参数。
4 各司法辖区的分类标准不同;全球投资者名单需要适用不同的资格核查
《FCA手册》区分当然专业客户和选择性专业客户。前者包括某些受监管金融实体和大型企业。在MiFID业务或第三国等同业务中,大型企业须满足三项门槛中的两项:资产负债表总额2,000万欧元、净营业额4,000万欧元、自有资金200万欧元。对于其他业务,一条途径是已催缴股本或净资产至少为500万英镑,适用两年回溯期和指定的集团公司规则。根据一般的选择性分类规则,机构须评估客户的专业能力、经验和知识,并对MiFID业务或第三国等同业务适用三项量化条件中满足两项的标准。程序包括书面请求、书面警告和单独的书面确认。地方公共机构及市政当局适用另行规定。[3]
迪拜国际金融中心规则要求获授权机构在提供金融服务前,将服务对象归为零售客户、专业客户或市场对手方;未归入其他类别的按零售客户处理。视为专业客户的范围包括满足以下三项中至少两项的大型企业:资产负债表总额2,000万美元、年净营业额4,000万美元、自有资金200万美元。经评估的个人须拥有至少100万美元净资产,并在此前两年从事过相关专业工作,或有合理依据认定其具备足够经验。企业须拥有至少100万美元自有资金或已催缴资本,并接受同样的经验评估。本文查阅的是访问时有效的2026年7月第51版合订规则。相关条文与2025年3月第48版相同。[4]
表2并排列出三个监管体系。一名投资者可在一个司法辖区符合资格,但在另一个司法辖区无法接收同一要约。分类同时取决于所提供的服务和服务对象。条文明确了适用标准,却未说明募资方应如何处理分类不明的投资者。本文未查阅沙特阿拉伯的资本市场法规。
横向滚动表格即可查看所有列。
| 监管体系 | 个人标准 | 实体标准 | 程序或验证 |
|---|---|---|---|
| 美国:合格投资者 | 净资产超过100万美元,或个人收入超过20万美元(共同收入超过30万美元) | 总资产超过500万美元,且并非为购买本次发售的证券而专门设立 | 采用公开招揽时,采取合理措施验证资格 |
| 英国:专业客户 | 选择性分类:定性评估;MiFID业务或第三国等同业务须满足三项量化标准中的两项 | MiFID业务或第三国等同业务须满足2,000万、4,000万及200万欧元三项门槛中的两项;其他业务的一条路径是已催缴股本或净资产达500万英镑 | 书面请求、警告和单独确认 |
| DIFC:专业客户 | 至少100万美元净资产,并满足相关从业或经验评估条件 | 至少100万美元的自有资金或已催缴资本,并通过经验评估;或者作为大型企业被视为专业客户 | 提供服务前完成分类 |
本文查阅的规则:SEC第501(a)条和第506(c)条 [1, 2];FCA《业务行为手册》COBS 3.5在线现行文本 [3];DFSA《业务行为》模块,2026年7月第51版 [4]。门槛按公布文本列示,不构成分类建议。
5 谁负责核验资金来源,客户准入规则何时要求核验
金融行动特别工作组(FATF)第10项建议为金融机构建立业务关系时开展客户尽职调查设定国际标准。建议要求识别和验证客户,采取合理措施核实受益所有人的身份,按适用情况了解所有权及控制关系,确定业务关系的目的和预期性质,并持续进行尽职调查。必要时,这包括审查资金来源。该标准通过各国措施落实;本文查阅的版本于2026年6月修订。[5]
阿布扎比全球市场(ADGM)第11版反洗钱规则要求在第8.2.1条规定的相应时点开展客户尽职调查,例如建立业务关系时,或在有关交易或服务开始前。根据第8.2.2条,延迟核验客户及受益所有人身份,须满足洗钱风险低且得到有效管理、为维持正常业务确有必要等条件,并须尽快且最迟在20个工作日内完成核验;无法完成时按该条规定处理。强化尽职调查包括在适用情况下识别和核验资金及财富来源。[6]
适用规则要求核验资金来源时,由承担该义务的受监管机构办理。上文所引ADGM延后核验条款,针对客户与受益所有人的身份核验,且须符合特定条件。资料未规定募资方何时开展自行决定的初步询问。实验将此项核查设为四项中成本最高、耗时最长的一项,给定其灵敏度和耗时,并检验会谈前做这项核查是否划算。答案取决于会谈成本和承诺价值,见盈亏平衡分析。
基金管理人向有限合伙人募资时,应明确由哪个受监管实体负责客户准入,以及其义务何时产生。模型比较三种做法:首次会谈前进行非强制性的资金来源初步询问;仅向可能继续推进的对象询问;或在讨论条款后再询问。模型衡量询问的成本、延误和误筛有能力出资者的损失。模型不计量或改变受监管实体的尽职调查义务。
6 同意要求及直销法律决定筛选询问可以在什么条件下发出
询问资本可用时间或索取分类证明可以通过电子邮件进行。在英国,若邮件构成未经请求的直销,《隐私与电子通信条例》第22条通常要求事先取得个人订户的同意,包括个体经营者和普通合伙企业。产品或服务的有限例外(soft opt-in)须满足有关联系方式取得方式、发送方产品或服务相似程度及提供退订机会的条件。针对慈善用途的单独例外不在本文的商业情境内。[7, 8] 英国信息专员办公室(ICO)解释,同意和软性选择加入要求不适用于企业订户。发送方仍须表明身份并提供有效退订地址;处理个人数据时还可能适用数据保护义务。[8]
阿联酋2021年第45号《关于个人数据保护的联邦法令》于2022年1月2日生效。第2条确定适用范围,涵盖部分在阿联酋境外进行的数据处理,同时排除设有本身个人数据保护法律的自由区内的公司和机构。第4条规定同意原则及法定例外;同意并非法律所涉数据处理的唯一依据。本文未评估DIFC或ADGM各自的数据保护制度。[9]
研究设计区分联络许可与处理个人数据的法律依据。订户类型影响英国《隐私与电子通信条例》(PECR)对首封未经请求的营销邮件的适用。筛选询问本身也可能属于营销,需结合内容和语境判断。记录联络回复前,研究负责人应明确适用的数据处理依据,以及如有要求应作何告知。本文不就任何具体询问提供法律意见。
研究设计可采用一项实务规则:每条联络记录应包含订户类型、同意或告知日期(如有),以及阻止进一步联络的标记。不得在未作出相应决定的情况下删除已筛掉的投资者记录,因为筛除原因是日后审计衡量筛选效果的证据。保存期限、保留已筛掉对象记录的合法依据、以及如何处理投资机构中个人的数据,应由研究开展方的数据保护顾问决定。
7 一项风险投资调查显示,每完成一笔交易平均考察101个机会
与筛选各阶段比例最接近的已发表证据来自一项机构风险投资者调查。作者报告收到681家机构的885名投资者的答复。过去十二个月,每家机构考察的机会数中位数为200,已完成投资数中位数为四。平均每完成一笔交易,机构考察约101个机会,与其中28家公司的管理层见面,将10个机会提交合伙人讨论,对4.8个机会开展尽职调查,并向1.7家提供条款清单。在83天的交割周期内,尽调平均用时118小时。[10]
表3重列了筛选流程。研究表明,投资者实施分阶段筛选,大部分机会在与管理层会谈前被筛掉;从上一阶段进入下一阶段的比例逐步变小。该调查未说明募资方的筛选流程。调查记录投资者筛掉哪些前来接洽的企业,没有记录募资方联络的投资者中有多少从一开始就无法为该笔交易出资。受访者为风险投资者,相关比例不能外推至私募信贷、房地产或基金募集。
一项在线平台上的随机现场实验改变了发送给投资者的介绍邮件内容,并观察收件人是否点击查看详情。创始团队信息最能影响投资者的兴趣。[11] 研究表明,随机调整联络内容可行且能够提供信息。该实验衡量的是兴趣表达,未衡量签署承诺,因而无法确定哪些核查会误筛有能力出资的投资者。本文提出的实地研究沿用随机分组,改用签署承诺作为结果。
横向滚动表格即可查看所有列。
| 阶段 | 十二个月内每家机构的中位数 | 每笔已完成交易的平均数量 |
|---|---|---|
| 考察机会 | 200 | 101 |
| 与管理层会谈 | 50 | 28 |
| 与合伙人讨论 | 20 | 10 |
| 开展尽职调查 | 12 | 4.8 |
| 提供条款清单 | 5.5 | 1.7 |
| 完成交易 | 4.0 | 1 |
Gompers、Gornall、Kaplan与Strebulaev,NBER工作论文22587,表6全部机构列 [10]。列示过去十二个月各阶段的机会数中位数,以及每完成一笔交易对应的平均数量。调查对象为投资者,不衡量募资方的结果。
8 相互独立的核查如何排序
最优搜索理论研究在每次检查都有成本时如何考察不同选项。Weitzman于1979年得出的结论表明,最优策略采用简单的保留价格规则,为每个来源计算保留价格。[12] 这些研究关注如何从多个选项中选出最佳者。在要求全部条件同时成立的筛选中,投资者必须通过每一项核查,一项未通过便停止处理该对象。因此本文不采用保留价格规则,对该项研究也仅参考已发表的摘要。
更接近的是串联系统的序贯检验:依次检验各部件,直至其中一个未通过。近期一篇综述引用Butterworth的结论:对于由独立部件构成的串联系统,按成本与失败概率之比从小到大(允许相等)进行检验,效率最高。综述指出,串联和并联系统可用固定的全排序获得最优解;一般系统的解则是决策树。[13] 该综述后来发表于《Discrete Applied Mathematics》,是对1972年结论的二手表述;本文未查阅原论文。
对研究设计而言,若各项核查相互独立,则可按成本除以筛除概率的比值排序,使选定的核查组合成本最低。该规则不处理误筛有能力出资者的问题;在独立假设下,灵敏度的乘积与核查顺序无关。模型用全部24种顺序检验这一规则,并进一步研究各条件相关时的表现。文献在给定假设下支持该规则,未提供具体成本或概率。
9 实验为每项核查设定成本、通过率、错误率和耗时
实验为模拟研究。从四项核查中选择并排序,对一份含1,000个对象的初选名单执行筛选,共得到65种方案,包括不筛选。每项核查检验一个条件。符合条件的投资者以该项核查的灵敏度为概率通过;不符合条件的投资者以特异度为概率被筛除。给定各项基础条件,各项核查的误判相互独立。相关性压力情景改变基础条件之间的依赖关系,仍保留核查误判的条件独立性。表4列出核查参数,表5列出总体和决策参数。
所有参数均由作者设定。按各条件设定的发生率,11.9%的对象有能力出资。有能力出资的投资者参加会谈后,以0.30的概率签署承诺。每次会谈需6.0个分析师工时。单笔承诺设为等值400个工时,使基准情景下的方案选择具有实际取舍;这一数值并非费用估计。有能力出资的投资者,其可出资窗口以每日0.002的瞬时风险率关闭。因此,每推迟一天会谈,就会有少量此类投资者错过窗口。延误是序贯核查等待回复所付出的成本。
灵敏度和特异度参数反映对核查难度的假设。对照登记资料核查投资者分类很少出错;按文件核查投资授权范围更容易出错,因为文件可能过时或含义不清;询问资本可用时间的错误最多,因为无回复按未通过处理。这一顺序是模型假设,并非根据数据得出。各节逐步展示结论对这些参数的依赖程度;盈亏平衡分析和压力测试改变其中最重要的参数。
横向滚动表格即可查看所有列。
| 核查 | 核查条件 | 成本(每个对象的工时) | 灵敏度 | 特异度 | 耗时(天) |
|---|---|---|---|---|---|
| 资格 | 投资者可合法接收要约 | 0.05 | 0.97 | 0.85 | 0 |
| 投资授权范围 | 行业、出资金额、工具和地域符合要求 | 0.40 | 0.90 | 0.88 | 1 |
| 资本可用时点 | 资本已可用,且有明确的决策流程 | 0.30 | 0.85 | 0.80 | 5 |
| 资金来源 | 资金来源可举证并通过核验 | 1.50 | 0.95 | 0.90 | 7 |
参数由作者设定,无实测数据。成本以每个对象所需的分析师工时计。灵敏度是符合条件的对象通过核查的概率;特异度是不符合条件的对象被筛除的概率。
横向滚动表格即可查看所有列。
| 参数 | 数值 | 在模型中的作用 |
|---|---|---|
| 每轮募资的对象数 | 1,000 | 规模基准;所有结果按每1,000个对象计 |
| 资格及资金来源条件满足率 | 0.80和0.85 | 分别满足各项条件的对象比例 |
| 投资授权及资本可用条件满足率 | 0.35和0.50 | 分别满足各项条件的对象比例 |
| 有能力出资的对象比例 | 11.9% | 四项条件相互独立时,各自满足率的乘积 |
| 与有能力出资者会谈后的承诺概率 | 0.30 | 所有有能力出资的投资者相同 |
| 会谈成本 | 6.0小时 | 准备、会谈和后续跟进 |
| 单笔承诺的价值 | 400小时 | 将损失的承诺折算为工时 |
| 出资窗口关闭的每日瞬时风险率 | 0.002 | 仅适用于有能力出资的对象 |
| 条件间的因子相关性 | 0(基准);0.5(压力情景) | 高斯单因子结构 |
参数由作者设定,无实测数据。工时为分析师工时。
10 有能力出资者的保留比例取决于灵敏度的乘积;净价值同时计入节省的会谈和损失的承诺
有能力出资的投资者满足全部四项条件,因此其通过各项核查的概率分别等于该项核查的灵敏度。公式1给出有能力出资的对象比例,以及其中通过筛选并获得会谈的比例。延误因子反映核查期间出资窗口关闭的影响。公式2给出筛选工时的期望值和方案净价值,均以分析师工时计。两者均根据四项条件的联合概率,对初选名单计算精确期望值。结果均按每1,000个对象列示,可按募资活动规模换算。
公式1中,pₖ表示满足条件k的对象比例,因此在各条件相互独立时,φ表示有能力出资的对象比例。下标π表示筛选方案,即按一定顺序执行的一组核查。对于核查j,sⱼ表示灵敏度,λ表示有能力出资者的出资窗口关闭的每日瞬时风险率,D表示方案内各项核查的总耗时(天)。R表示有能力出资者中实际获得会谈的比例。这些对象已经满足全部结构性条件,增加一项核查不会提高R。
公式2中,N为对象总数,c₍ₖ₎为方案中第k项核查的工时成本,Aₖ为对象在第k项核查后仍留在流程中的概率,A₀等于1。S是筛选工时。U是净价值,其中v为以工时计的单笔承诺价值,q为有能力出资者参加会谈后签署承诺的概率,m为单次会谈成本。最后一项计入所有已举行会谈的成本,包括不可能签约的会谈。各项结果都是精确计算的期望值,并以模拟作独立校验。
11 先查资格、再查投资授权范围,可避免75.8%不可能签约的会谈,同时筛掉12.9%有能力出资的对象
在不筛选的基准方案中,举行1,000次会谈,其中881次不可能签约;耗时6,000小时,预期获得35.7笔承诺。模型表现最佳的方案是资格 > 投资授权范围,317次会谈中有213次不可能签约。该方案每1,000个对象可避免668次此类会谈。
横向滚动表格即可查看所有列。
| 方案 | 会谈数 | 不可能签约的会谈数 | 已会谈的有能力出资者 | 被筛掉的有能力出资者 | 承诺数 | 总工时 | 净价值 | 每笔承诺所需工时 |
|---|---|---|---|---|---|---|---|---|
| 不筛选 | 1,000 | 881 | 119.0 | 0.0% | 35.7 | 6,000 | 8,280 | 168.1 |
| 仅查资格 | 806 | 691 | 115.4 | 3.0% | 34.6 | 4,886 | 8,966 | 141.1 |
| 仅查投资授权范围 | 393 | 286 | 106.9 | 10.2% | 32.1 | 2,758 | 10,068 | 86.0 |
| 资格 > 投资授权范围(净价值最高) | 317 | 213 | 103.7 | 12.9% | 31.1 | 2,273 | 10,169 | 73.1 |
| 资格 > 投资授权范围 > 资金来源 | 261 | 163 | 97.1 | 18.4% | 29.1 | 2,411 | 9,244 | 82.7 |
| 全部四项,常规顺序 | 137 | 55 | 81.7 | 31.3% | 24.5 | 1,538 | 8,271 | 62.7 |
| 全部四项,按比值规则排序 | 137 | 55 | 81.7 | 31.3% | 24.5 | 1,531 | 8,277 | 62.4 |
| 零成本无误筛选 | 119 | 0 | 119.0 | 0.0% | 35.7 | 714 | 13,566 | 20.0 |
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。工时为分析师工时。净价值为承诺数乘以400小时,再减去总工时。显示值经舍入。
这种收益有代价:119个有能力出资的对象中,方案筛掉15.3个,占12.9%,预期承诺也从35.7笔降至31.1笔。取舍是否划算取决于损失一笔承诺的价值,后文的盈亏平衡分析直接调整这一参数。总工时减少3,727小时,净价值增加1,889小时。每误筛一名有能力出资的对象,便可避免44次不可能签约的会谈。每次会谈的承诺率从3.6%升至9.8%,看似会谈质量有所改善,承诺总数却下降。如果只报告会谈转化率,募资方会看到比率改善,但看不到总数减少。
两个基准为解读结果提供参照。较高的基准是零成本无误筛选:只与119个有能力出资的对象会谈,消耗714小时,净价值为13,566小时。不筛选基准的净价值为8,280小时。可实施的最佳方案净价值为10,169小时,弥合不筛选基准与较高基准之间的差距的36%。其余差距来自核查成本和误筛有能力出资的对象。全部四项核查的净价值为8,271小时,而不筛选为8,280小时。在这些参数下,执行全部核查不带来净收益。
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。按每1,000个对象列示期望值。
12 筛除主要发生在无法签约的对象中;每项核查也会筛掉一部分有能力出资的对象
图2按比值规则规定的顺序,跟踪执行四项核查后仍留在流程中的对象,并区分无法签约者和有能力出资者。最后一项核查后,前一组从881个降至53个;后一组从119个降至84个,计入核查期间窗口关闭的影响后降至82个。无法签约者的筛除比例高得多。有能力出资者也会减少,因为每项核查的通过概率小于1,且延误影响整条核查链。有能力出资者的保留比例等于四项灵敏度与延误因子的乘积。因此,即使单项核查都可靠,串联过多也会筛掉相当一部分有能力出资的人。
两条曲线的形状可用于判断筛选效果。筛选按预期工作时,左图下降较陡,右图下降较缓。灵敏度较低时,两图都会下降。实务中,募资方只看得到左图代表的变化:被筛掉的对象没有获得会谈,其出资能力也无从得知。可见的工时收益与不可见的承诺损失之间存在不对称,这是本文的核心测量问题,后面讨论选择偏差和样本量时会再次涉及。
资金来源核查最能说明这一点。根据比值指标,该项核查成本最高,每单位筛除概率需8.451小时。未计入延误时,该项核查会筛掉进入此环节且有能力出资的对象中的5%。用于前三项核查后留下的少数对象时,其总成本较小,但仍会减少预期承诺数。提前核查带来的交割保护是否值得付出这一代价,取决于模型未纳入的一项成本:承诺签署后因资金来源核验未通过而无法履行的成本。
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。按初选名单每1,000个对象列示期望数。
13 模型中追加核查会减少预期承诺数,不同效率指标可能选出不同方案
图3按有能力出资的对象被筛除比例及不可能签约的会谈被避免比例,绘出全部65种方案。各方案形成散点;部分核查增加筛除损失,避免的会谈却没有相应增加。净价值最高的资格 > 投资授权范围方案,避免75.8%的此类会谈,筛掉12.9%有能力出资的对象。散点越靠右上,避免的会谈比例越高,筛掉的出资者比例也越高。全部四项核查对应的两项比例分别为93.8%和31.3%。图形还体现边际收益递减:最先做的核查以较小代价避免了大部分会谈,之后增加核查只能再减少少量会谈,并带来更大的出资者损失。
不同目标选出不同方案。以每笔承诺工时最低为目标时,最优顺序是资格 > 资本可用时点 > 投资授权范围,每笔承诺用时55.7小时;净价值最高方案所需工时为73.1小时。前一方案筛掉26.7%有能力出资者,预期获得26.2笔承诺,且净价值为9,011小时,低于10,169小时。即使预期承诺数下降,这一效率指标仍可能偏向增加筛选。增加一项核查也可能使每笔承诺所需工时上升。只有损失承诺的价值较低时,两个目标才会选出同一方案。盈亏平衡分析指出了这一低价值区间。
效率比率可能偏向承诺数较少的方案。净价值目标同时计入承诺的设定价值和为取得承诺投入的工时。若承诺价值相对于会谈成本较高,应报告承诺总数、为取得承诺花费的工时及采用的单笔承诺价值。每笔承诺工时仍可作为辅助指标与总量并列,但不宜据此选择筛选方案。两项数据一起看,读者就能判断效率看似提高是否来自承诺数减少。后续各节展示方案选择对承诺价值的敏感程度。
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。每个点代表一组核查。相同核查组的不同顺序在图中重合,因为在独立条件下,顺序只改变筛选工时。
14 合理顺序之间的成本相差不大;将最昂贵的核查放在首位会大幅增加成本
对于给定的一组独立核查,按成本与筛除概率之比排序可使筛选工时最少。公式3定义核查通过概率和排序规则,模型验证了全部24种顺序。这是序贯检验理论中的已有结论。实务上,只需知道每项核查的成本、通过比例和错误率,即可确定优先做哪项核查。
公式3中,gⱼ为对象通过核查j的无条件概率,pⱼ为符合该项条件的比例,sⱼ为灵敏度,fⱼ为特异度。括号内的下标表示顺序中的位置:成本与筛除概率之比最小的核查排在最前。资格的比值为0.258,资本可用时点为0.632,投资授权范围为0.659,资金来源为8.451。因此,按规则排序为资格 > 资本可用时点 > 投资授权范围 > 资金来源,筛选工时为每1,000个对象711小时。
表7显示,按资格、投资授权范围、资本可用时点和资金来源的常规顺序需717小时,仅多6小时,在24种顺序中排名第二。先查投资授权范围需764小时;先查资金来源需1,879小时;最慢的顺序需1,934小时,是最低值的2.7倍。在各条件相关时,比值规则保持领先,相对于最优方案的损失为0.0%。图4列出全部24种顺序。合理顺序之间的差别很小,先将最昂贵的核查用于初选名单上的所有对象则会显著增加工时。
横向滚动表格即可查看所有列。
| 排序方案 | 核查顺序 | 筛选工时(条件独立) | 在24种顺序中的排名 | 筛选工时(条件相关) |
|---|---|---|---|---|
| 成本与筛除概率比值规则 | E > T > M > K | 711 | 1 | 809 |
| 常规顺序 | E > M > T > K | 717 | 2 | 813 |
| 先查投资授权范围 | M > E > T > K | 764 | 4 | 860 |
| 先查资金来源,其余按比值规则 | K > E > T > M | 1,879 | 19 | 1,910 |
| 耗时最长的顺序 | K > M > T > E | 1,934 | 24 | 1,945 |
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。E代表资格,M代表投资授权范围,T代表资本可用时点,K代表资金来源。相关条件一栏采用0.5的因子参数。
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。按条件独立时的筛选工时排序。
15 只有在节省会谈的价值超过核查成本与损失承诺的价值之和时,才增加核查
公式4比较一项核查所节省会谈的预期价值,与核查耗时及因筛除和延误而损失的预期承诺价值。可根据工时记录估算核查与会谈的成本。决策者须说明如何给单笔承诺计价,并在合理的估值区间内检验决策。常规募资活动对被筛除对象的证据不完整。审计可估计其中哪些对象原本有能力出资;要估计这些对象原本会以多高的比率签署承诺,还需单独设计符合法律规定的跟进研究。
公式4中,a是进入该项核查的对象比例,φₐ是其中有能力出资的对象比例,rⱼ是该项核查筛掉无法签约对象的概率。dⱼ是该项核查造成的延误天数。ρ是有能力出资者中,在方案原有核查所造成的延误后出资窗口仍然开放的比例。其余符号含义不变。公式4b的左侧是避免与无法签约的对象会谈所节省的价值。右侧是核查成本加上筛掉有能力出资者的净成本,后者等于损失承诺的价值减去避免会谈节省的成本。
在最佳方案后追加资本可用时点核查,净价值变动为−1,164小时;追加资金来源核查,净价值变动为−924小时。模型通过直接计算验证了两个结果。表8和图5展示单笔承诺价值变化时的结果。承诺价值较低时,三项核查方案最佳,但会筛掉26.7%有能力出资的对象。超过165小时时,最佳方案为资格 > 投资授权范围;超过504小时时为仅查投资授权范围;超过830小时时为仅查资格;超过1,040小时时为不筛选。最后一个临界值相当于模型中单次会谈成本的173倍。这些比较只适用于给定参数下的模拟方案。强制性核查不属于可选范围。
横向滚动表格即可查看所有列。
| 承诺价值(小时) | 净价值最高的方案 | 被筛掉的有能力出资者 | 避免的不可能签约的会谈 | 承诺数 | 净价值 |
|---|---|---|---|---|---|
| 25 | 资格 > 资本可用时点 > 投资授权范围 | 26.7% | 91.0% | 26.2 | −804 |
| 50 | 资格 > 资本可用时点 > 投资授权范围 | 26.7% | 91.0% | 26.2 | −150 |
| 100 | 资格 > 资本可用时点 > 投资授权范围 | 26.7% | 91.0% | 26.2 | 1,159 |
| 200 | 资格 > 投资授权范围 | 12.9% | 75.8% | 31.1 | 3,948 |
| 400 | 资格 > 投资授权范围 | 12.9% | 75.8% | 31.1 | 10,169 |
| 800 | 投资授权范围 | 10.2% | 67.5% | 32.1 | 22,895 |
| 1,600 | 不筛选 | 0.0% | 0.0% | 35.7 | 51,120 |
| 3,200 | 不筛选 | 0.0% | 0.0% | 35.7 | 108,240 |
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。价值用分析师工时计量;其余参数保持基准值。
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。竖线标出最优方案改变的位置。
16 不同压力情景在募资方可观察的指标中留下不同特征
表9保持资格 > 投资授权范围这一基准方案不变,每次只调整一个参数,并列出该参数变化后表现最佳的方案。第一种压力情景在各条件间引入单因子相关结构,参数为0.5。有能力出资的对象比例升至23.7%,约为基准的2.0倍。维持基准方案较最优方案损失2.0%;表现最佳的是仅查投资授权范围。其特点是每次会谈的承诺率较高,且已通过前序核查的对象通过后续核查的比例也较高。成本排序不变。
投资授权记录过时是较危险的情景,此时该项核查的灵敏度为0.70,特异度为0.80。通过率仅从31.7%降至30.2%,负责人可能不易察觉。有能力出资的对象被筛掉的比例却从12.9%升至32.2%,维持基准方案较最优方案损失16.4%。市场趋冷时,投资授权匹配率和资本适时可用率均为0.25。基准方案的净价值降至2,548小时,不筛选的净价值为−900小时,最佳方案加入资本可用时点核查。出资窗口关闭加快时,两项核查方案所受影响很小,相对最优方案的损失为0.0%;但执行全部核查时,有能力出资者的筛除比例提高到38.1%。
投资者的自我证明未经额外核验时,资格核查的特异度设为0.55,通过率升至34.0%,每次会谈的承诺率由9.8%降至9.1%,承诺数保持31.1笔。两种特征可以区分:灵敏度下降时,通过率略降,承诺损失却不易察觉;特异度下降时,通过率升高而每次会谈的转化率降低,在本情景中承诺数没有减少。
横向滚动表格即可查看所有列。
| 压力情景 | 通过率 | 每次会谈的承诺率 | 承诺数 | 维持基准方案的净价值 | 重新优化后的方案 | 重新优化后的净价值 | 相对最优损失 |
|---|---|---|---|---|---|---|---|
| 基准情景 | 31.7% | 9.8% | 31.1 | 10,169 | 资格 > 投资授权范围 | 10,169 | 0.0% |
| 各条件相关(因子0.5) | 34.7% | 17.8% | 61.9 | 22,321 | 投资授权范围 | 22,785 | 2.0% |
| 投资授权记录过时(灵敏度0.70,特异度0.80) | 30.2% | 8.0% | 24.2 | 7,491 | 资格 | 8,966 | 16.4% |
| 市场趋冷(投资授权匹配率0.25,资本适时可用率0.25) | 25.4% | 4.4% | 11.1 | 2,548 | 资格 > 资本可用时点 > 投资授权范围 | 2,778 | 8.3% |
| 出资窗口关闭加快(每日瞬时风险率0.010) | 31.7% | 9.7% | 30.9 | 10,069 | 资格 > 投资授权范围 | 10,069 | 0.0% |
| 自我证明未经额外核验(资格核查特异度0.55) | 34.0% | 9.1% | 31.1 | 10,003 | 投资授权范围 | 10,068 | 0.6% |
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。维持的基准方案是资格 > 投资授权范围。净价值按每1,000个对象的分析师工时计;相对最优损失是相对于重新优化后方案的差额。
17 由募资方选择筛选对象时,直接比较筛选组和未筛选组会扭曲效果
募资方若只核查自己存疑的对象,可能发现这些对象签约较少,进而认定筛选造成承诺损失。这样的比较混淆了筛选效果与触发筛选的疑虑。模型设置一个已记录的分层(强或弱),以及一个未记录的信号(有利或不利)。两者都会影响对象的出资能力及被选中核查的概率。最佳方案在模型中的真实效应为每1,000个对象减少4.60笔承诺。产生偏差不需要恶意;按一般业务判断决定哪些对象值得进一步核查,就足以产生偏差。
公式5中,Y为每个对象对应的承诺数,A在对象接受核查时为1,x是已记录的分层,wₓ是该层在总体中的占比。第二种估计量采用分层的逆概率加权,构造一个分组不再依赖于已记录特征的伪总体。一篇关于缺失数据加权方法的综述指出,如果描述选择机制的参数模型设定不当,结果可能出现显著偏差。[14] 加权只能校正已经记录的特征所造成的偏差。
表10列出结果。募资方选择核查存疑对象时,直接比较的估计值为−29.51,真实效应为−4.60,估计的绝对值为真实值的6.4倍。按记录分层调整后为−20.13,绝对值仍为真实值的4.4倍。若选择核查其看好的对象,直接比较为20.51,调整后为10.98,两者符号均错误。随机分组恢复−4.60。调整未能纠正偏差,因为未记录的信号同时影响对象是否被选中核查以及他们签署承诺的概率。对已记录数据加权无法消除这一影响。
横向滚动表格即可查看所有列。
| 分组规则 | 接受核查的比例 | 模型真实效应 | 直接比较 | 按已记录分层调整 |
|---|---|---|---|---|
| 核查存疑对象 | 52% | −4.60 | −29.51 | −20.13 |
| 核查看好的对象 | 43% | −4.60 | 20.51 | 10.98 |
| 随机分组 | 50% | −4.60 | −4.60 | −4.60 |
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。资格 > 投资授权范围方案的效应为精确期望值,并非模拟抽样结果。
18 抽样波动可能掩盖承诺损失
最佳方案每1,000个对象确切损失4.60笔预期承诺,承诺数由35.7降至31.1。真实募资活动中的承诺数存在随机波动。表11模拟最佳方案与不筛选的双组对照,组别规模从每组250个到10,000个对象,每个规模重复4,000次,随机种子为20261014。每组1,000个对象时,观察到的模拟差值的第5至第95百分位是每1,000个对象−18.0至9.0笔承诺。在32%的重复模拟中,筛选组的承诺数等于或高于未筛选组。
相比之下,节省工时的测量波动小得多。每组1,000个对象时,每1,000个对象节省3,575至3,874小时,区间宽度约为均值的8%。因此,一轮募资活动能够提供的证据并不对称:单轮活动可看出工时节省,即使规模较大也难以看出承诺损失。一支只报告一个队列结果的团队会把工时节省归于筛选,而将承诺损失归于偶然。图6显示不同队列规模下的差值分布。
在统计功效80%、双侧显著性水平5%的设定下,示例试验需要每组约23,988个对象及198,450个分析师工时。即使每组10,000个对象,仍有4%的模拟重复试验中,筛选组的承诺数等于或高于未筛选组。样本量取决于基础承诺率及两者差异的大小。
横向滚动表格即可查看所有列。
| 每组对象数 | 平均差值 | 第5至第95百分位 | 筛选组承诺数不低于未筛选组的重复试验比例 | 节省工时(第5至第95百分位) |
|---|---|---|---|---|
| 250 | −5.0 | −32.0至20.0 | 42% | 3,428至4,017 |
| 500 | −4.6 | −24.0至14.0 | 39% | 3,513至3,938 |
| 1,000 | −4.4 | −18.0至9.0 | 32% | 3,575至3,874 |
| 2,000 | −4.5 | −13.5至5.0 | 22% | 3,623至3,831 |
| 5,000 | −4.6 | −10.2至1.2 | 11% | 3,663至3,791 |
| 10,000 | −4.6 | −8.8至−0.4 | 4% | 3,682至3,775 |
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。每行重复4,000次;承诺数的平均差值(筛选组减未筛选组)及节省工时均按每1,000个对象计。
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。竖条表示4,000次重复试验的第5至第95百分位区间,线条表示精确差值。差值为每1,000个对象中筛选组承诺数减去未筛选组承诺数。
19 带时间戳的记录和两个独立研究样本
模拟实验不能说明实际筛选造成了多少损失。经参与者同意的研究可在适当时点记录关键信息,以估计这项损失。分析单位是投资者与募资活动的配对,因为同一投资者可能有能力为一轮募资出资,却不适合另一轮。每条配对记录包含列入初选名单的日期、每项核查日期和结果、会谈邀约和实际日期,以及直至签署或退出的所有阶段。资格、资本可用性及资金来源均须按特定日期判断,因此需要时间戳。表12列出设计。
收集记录或联系任何人前,应取得适用司法辖区的法律审查。逐项明确拟开展活动所适用的告知内容、合法依据、营销规则和保存期限,包括任何同意要求。[7, 8, 9] 在适用时区分企业与个人订户。限制对个人标识符的访问,并在法律允许的情况下,仅记录尊重拒绝联络所需的最少信息。联络许可、接收要约的资格及商业匹配度应分别记录。
使用两套独立的抽样程序。评估诊断准确性时,从进入各项核查的对象中,分别随机抽取通过和未通过的样本。用同一套更深入的参照程序核实其状态;可行时,让核验人员不知道初筛决定。评估商业结果时,仅在未通过非强制性商业核查且拟议联络已通过独立审查的对象中,随机分配合法的后续联络。两组均须遵守接收要约的资格要求、营销许可和强制合规核查。预先登记分组方式、观察期和预算上限。按初始分组分析结果,并单独报告未解决或未观察到的结果。
在首次记录前确定结果的定义。合格会谈指实际举行、且会谈对象后来被审计确认为有能力出资的会谈。推进至尽调指收到对方的文件索取或数据室访问请求。签署承诺指书面、有约束力的认购或条款接受文件,按签署日期计入结果。记录退出、拒绝和未回复的情况及其原因。依次追踪这三项结果,可看出筛选影响流程中的哪个阶段;决策仍以签署承诺为准。
横向滚动表格即可查看所有列。
| 要素 | 具体要求 |
|---|---|
| 分析单位 | 投资者与募资活动的配对;分别保存机构标识符和个人联系人标识符 |
| 同意与告知 | 记录合法依据、告知内容和适用的联络许可;仅在必要且合法的情况下保留拒绝联络记录 |
| 时间戳 | 入选名单、每项核查结果、邀约、会谈、尽调、条款讨论、签署或退出 |
| 结果指标 | 主要:在指定期限内签署承诺。次要:合格会谈、推进至尽调、工时 |
| 抽样与分组 | 同时审计通过和未通过的样本;仅对未通过商业核查且拟议联络已获独立批准的对象随机分配合法的后续联络 |
| 样本量 | 根据下一节的审计和留出组计算确定;不能用募资活动规模代替样本量计算 |
| 分析计划 | 诊断指标采用抽样权重;后续联络采用意向性分析,即按初始分组比较;注明结果观察期 |
| 治理 | 预先登记结果定义;逐个司法辖区进行法律审查;由独立人员保管随机分组记录 |
MatchPoint分析框架。此为拟议方案,尚未开展研究,也没有收集数据。
20 用于估计筛选准确性和承诺损失的抽样设计
分别估计两个概率:未通过核查的对象中有能力出资的概率,以及在合法邀约下签署承诺的概率。模型最佳方案下,68.3%的对象未通过一项核查,其中2.2%有能力出资。若采用共同转化率假设,未通过组的模型承诺率为0.66%。表13比较三种示例取证预算。在模型参数下,双组比较需要每组约23,988个对象及198,450个工时。
在单独抽取的样本中,对获准联络的对象发出后续会谈邀约。在固定观察期内追踪所有被分配到邀约组的对象,包括拒绝邀约者,即可估计签署承诺的比率。示例精度测算假设完成1,013次观察,所需工时为6,077小时。另一示例以831次深入记录审计和1,246小时,估计未通过者中有能力出资的比例。该成本不包含估计灵敏度所需的额外通过组审计。上述计划数字取决于样本构成、假定结果率,以及完成跟进的成本。若结果事件罕见,应按通过独立联络审查群体的预期发生率,采用适合稀少事件的区间重新计算精度。
评估某项核查的灵敏度时,分别统计通过和未通过样本中经参照程序确认有能力出资的对象数;使用各自的抽样概率将样本扩展至对应完整分层。用加权后的有能力出资且通过的对象数,除以加权后的有能力出资且通过或未通过的对象总数。只审计未通过者可以估计其中有能力出资的比例,却无法获得分母所需的加权人数,即有能力出资且通过核查的对象数。应报告参照核验结果的分歧、悬而未决的个案和抽样不确定性。在每个环节对进入该环节的对象采用相同方法;他们已通过前面的核查。后续联络实验用于评估获准联络的群体的承诺结果。若将其转化率外推至其他被筛除对象,须说明假设并进行敏感性分析。
横向滚动表格即可查看所有列。
| 设计 | 估计量 | 所需对象数 | 工时 | 局限 |
|---|---|---|---|---|
| 双组试验:筛选对照不筛选 | 净承诺数差值 | 每组23,988个 | 198,450 | 仅在整轮募资活动规模下才能检测承诺损失 |
| 在未通过酌情核查且获准联络的对象中随机分配后续邀约 | 获准联络组的承诺率(示例误差幅度为0.5个百分点) | 1,013 | 6,077 | 仅适用于联络已通过独立审查的群体 |
| 对随机抽取的未通过者开展深入核查 | 未通过者中有能力出资的比例(误差在1个百分点以内) | 831 | 1,246 | 衡量结构性条件,不衡量商业转化 |
MatchPoint对模拟总体的分析。结果是给定参数下的模型输出,无实测数据。按95%置信水平作正态近似;两组试验的统计功效为80%。每次审计按1.5小时计。
21 计算结果精确一致,并得到独立模拟验证
模型验证并计数37项控制条件。其中包括:在独立和相关条件下,所有真实状态组合的概率之和均为1;相关情景中各条件保持各自的边际发生率;全部65种方案中,所有会谈数等于不可能签约的会谈数加上与有能力出资者举行的会谈数;有能力出资者的保留比例等于灵敏度乘积乘以延误因子。比值规则通过穷举24种顺序作验证。对于最佳方案中未包含的各项核查,公式4的闭式边际价值均用直接计算作校验。
独立于精确计算的模拟在每种情景中抽取1,500,000个对象。四种情景涵盖独立和相关条件下的两种方案。会谈总数或与有能力出资者会谈的次数,最大偏差约为0.7个标准误。每种情景的筛选工时差异均小于1%。重复队列使用随机种子20261014,每种规模重复4,000次。表14列出控制条件。展示值经舍入,实际计算保留完整精度。模拟检验的是代码。它与精确计算使用相同假设,因此一致性只说明算术和抽样逻辑相符。
这些检查确认了给定假设下的算术一致性。模拟根据筛选所检验的同一组条件生成结果。决策门槛取决于设定参数,应用于实际募资活动前需要观测证据。
横向滚动表格即可查看所有列。
| 控制条件 | 预期结果 |
|---|---|
| 真实状态组合的概率之和为1 | 独立及相关情景下的联合概率之和均为1,容差为1e-10 |
| 有能力出资者比例 | 等于四项条件发生率的乘积(11.9%) |
| 方案枚举 | 四项核查的65个有序子集 |
| 会谈数和工时的恒等关系 | 对全部65种方案成立 |
| 有能力出资者的保留比例 | 等于灵敏度乘积乘以延误因子 |
| 比值规则 | 所得筛选工时等于穷举24种顺序得到的最小值 |
| 增加核查的边际价值公式 | 等于对最佳方案尚未包含的各项核查直接计算所得的净价值变动 |
| 独立模拟 | 每种情景抽取1,500,000个对象,共四种情景;最大偏差约为0.7个标准误 |
| 选择偏差 | 全面调整和随机分组均可恢复模型中的真实效应 |
| 重复模拟队列 | 每种队列规模重复4,000次,随机种子为20261014 |
| 已计数的控制条件 | 通过37项检查 |
MatchPoint分析。模型每次运行均验证并报告控制条件的数量。
22 向客户报告节省的工时、可能损失的承诺,以及用于估计风险范围的审计
报告会谈数和分析师工时的变化,注明比较期或所分配的对照组。利用审计中已核实的分类,估计节省的会谈中有多少原本不可能签约。另行根据合法跟进数据或明确设定的模型转化率,估计可能损失的签署承诺数。报告估计区间和决策采用的单笔承诺价值。
列明每项核查、执行顺序、通过率,以及通过和未通过两类对象的抽样比例。报告尚未解决的审计分类及获准跟进的人数。将每次会谈的承诺率与承诺总数及总工时一并展示。如不能取得这些数据,可将情景结果用于计划,并说明缺少哪些观测。
在合法选项范围内,将公式4用于非强制核查。采用有记录的成本和预期损失,并计入误筛有能力出资者的风险。若估计收益对承诺价值敏感,应在批准的试点中测试该项核查。证据不确定时,应先提交复核,再决定是否筛除对象。
23 数据和人工智能可协助维护核查流程;使用分类器仍需开展审计
可考虑用自动化从公开文件中提取投资授权条件,将实体与登记资料匹配,以及拟订有关资本可用时点的询问供人工审阅。其余参数不变时,降低核查成本会提高该项核查的模型价值。文件过时或实体匹配错误都可能改变错误率。用自动化替代人工核查前,应同时评估成本、延误和筛选准确性。
评估自动筛选时,在进入相应环节的对象中抽取通过和未通过的样本,并与参照分类比较。按各项观察的抽样概率加权。若测试集只包含过去实际会谈的对象,就会遗漏部分决定假阴性率的案例。对每项可复核的决定,应保存模型版本及带日期的证据。
应明确保留人工决策权。由人批准筛选方案、执行顺序和审计样本,并决定情况发生变化后,已筛掉的对象能否回到名单。筛除记录须注明核查项目、证据及日期,以便投资授权范围或资本可用时间发生变化时重新审议。若无记录,筛除决定无法审计,假阴性率也无法估计。本文未报告已训练的模型或实测的人工智能收益;本文说明如何检验所声称的收益。
24 局限及增加核查前所需的证据
实验由作者设计,结构是确定性的。四项条件均为二元变量。在基准情景中,各项核查错误相互独立;参加会谈且有能力出资的对象具有相同的转化率。实务中的条件存在程度差异,投资授权也会变化。模型未计入签约后未能交割的成本、未签约会谈中建立的关系所产生的收益,以及筛选询问对对方如何看待募资方的影响。这些遗漏可能使盈亏平衡点向任一方向移动。
本文只选取了部分监管资料,涵盖SEC规则、英国客户分类与电子营销、DIFC客户分类、阿布扎比全球市场客户尽职调查、阿联酋联邦数据保护法律和一项国际标准。本文未查阅沙特阿拉伯资本市场条文,也未查阅DIFC和ADGM各自的数据保护规则。迪拜客户分类引用的是2026年7月第51版。排序规则依据的是重述原结论的二手综述。门槛会变化,实际应用前须查阅现行适用条文并取得法律意见。本文不构成投资、法律或监管建议。
先固定待评估的筛选方案,再在各环节随机抽取通过与未通过的对象进行审计。可行时,采用单独的合法跟进设计,评估可能损失的签署承诺。使用实测参数及明确的单笔承诺价值区间重新计算公式4。未能观察到转化结果时,应展示方案选择如何随合理的转化率假设而变化。
参考文献
- U.S. Securities and Exchange Commission. 17 CFR 230.501(a), 合格投资者定义。2025年版《联邦法规汇编》,GovInfo。 https://www.govinfo.gov/content/pkg/CFR-2025-title17-vol3/xml/CFR-2025-title17-vol3-sec230-501.xml
- U.S. Securities and Exchange Commission. 17 CFR 230.506(c), 公开招揽的条件与非排他性验证方法。2025年版《联邦法规汇编》,GovInfo。 https://www.govinfo.gov/content/pkg/CFR-2025-title17-vol3/xml/CFR-2025-title17-vol3-sec230-506.xml
- Financial Conduct Authority. FCA Handbook, Conduct of Business Sourcebook, COBS 3.5, Professional clients (rules 3.5.2R and 3.5.3R). 手册索引所示文本,查阅日期为2026年11月19日。 https://handbook.fca.org.uk/handbook/cobs3/cobs3s5
- Dubai Financial Services Authority. The DFSA Rulebook, Conduct of Business Module (COB), 合订版COB/VER51/07-26,2026年7月,第2.3.1至2.3.8条。 https://dfsaen.thomsonreuters.com/sites/default/files/net_file_store/DFSA1547_12383_VER510726.pdf
- Financial Action Task Force. International Standards on Combating Money Laundering and the Financing of Terrorism & Proliferation: The FATF Recommendations, 2026年6月修订;第10项建议,第14至15页。 https://www.fatf-gafi.org/content/dam/fatf-gafi/recommendations/fatf-recommendations-2012.pdf
- Financial Services Regulatory Authority, Abu Dhabi Global Market. Anti-Money Laundering and Sanctions Rulebook (AML), 版本VER11.210526,第8章,客户尽职调查。 https://assets.adgm.com/download/assets/Anti-Money+Laundering+and+Sanctions+Rules+and+Guidance+VER11.210526+.pdf/6a0053227a6911ef819fe625b52cf370
- United Kingdom. The Privacy and Electronic Communications (EC Directive) Regulations 2003, 第22条,修正条文自2026年2月5日起生效。legislation.gov.uk修订版,查阅日期为2026年10月14日。 https://www.legislation.gov.uk/uksi/2003/2426/regulation/22
- Information Commissioner's Office. Guidance on direct marketing using electronic mail, 2026年4月28日更新。 How do we comply with the PECR electronic mail marketing rules? 查阅日期为2026年11月20日。 https://ico.org.uk/for-organisations/direct-marketing-and-privacy-and-electronic-communications/guidance-on-direct-marketing-using-electronic-mail/how-do-we-comply-with-the-pecr-electronic-mail-marketing-rules/
- United Arab Emirates. Federal Decree by Law No. (45) of 2021 Concerning the Protection of Personal Data, 第2、4及31条;官方公布的英文文本,查阅日期为2026年11月20日。 https://uaelegislation.gov.ae/en/legislations/1972/download
- Gompers, P., Gornall, W., Kaplan, S. N. and Strebulaev, I. A. How Do Venture Capitalists Make Decisions? NBER Working Paper 22587, 2016年9月,表6及交易筛选流程一节。后发表于《Journal of Financial Economics》。 https://www.nber.org/papers/w22587
- Bernstein, S., Korteweg, A. and Laws, K. Attracting Early-Stage Investors: Evidence from a Randomized Field Experiment. Journal of Finance 72(2), 2017, 509-538. 仅查阅网页说明,未阅读全文。 https://www.gsb.stanford.edu/index.php/node/399181
- Weitzman, M. L. Optimal Search for the Best Alternative. Econometrica 47(3), 1979年5月,第641至654页。仅查阅摘要。 https://www.econometricsociety.org/publications/econometrica/1979/05/01/optimal-search-best-alternative
- Ünlüyurt, T. Sequential testing problem: A follow-up review. arXiv:2511.15742, 2025年11月;发表于 Discrete Applied Mathematics 377 (2025), 356-369. 串联系统排序结论引自Butterworth(1972年)。 https://arxiv.org/abs/2511.15742
- Li, L., Shen, C., Li, X. and Robins, J. M. On weighting approaches for missing data. Statistical Methods in Medical Research 22(1), 2013, 14-30 (2011年在线发表). https://pmc.ncbi.nlm.nih.gov/articles/PMC3998729
关于作者
Chennakeshav(CK)是一位企业融资与投资银行高管,在并购、成长资本与企业战略领域拥有25年以上全球交易发掘、结构设计及执行经验。他曾为创始人、企业与基金领导价值创造项目,将董事会层面的视角衔接至实际执行与交割。
他的职业经历涵盖Morgan Stanley、HSBC、Lloyds Banking Group、EWEC、ADQ旗下投资组合公司与Emirates Growth Fund,涉及TMT、房地产、金融科技、深科技、清洁科技、基础设施与能源。他曾与企业高管、私募股权及创投基金、主权财富基金和家族办公室合作,为复杂融资与扩张期企业筹资,并领导并购尽调、并购后整合与业务转型项目以创造价值。
他在Matchpoint Partners担任管理合伙人,领导公司的企业融资、并购与募资业务。他拥有London Business School的MBA学位、VTU的工程学位,并正在UCL London攻读法学硕士(LLM)。
CK积极担任初创企业导师,参与Techstars、DIFC FinTech Hive、Startup Grind、Founder Institute与IN5的导师工作,在London Business School担任Entrepreneur Mentor in Residence(EMiR),并担任Entrepreneurship World Cup评委。
https://www.linkedin.com/in/ckadya/
https://www.matchpoint-partners.com/team/ck-adya.html
免责声明
本文属于持续研究私人及另类市场结构的系列。文中观点为作者个人观点。本文仅供参考,以一般性方式讨论市场结构,不构成投资、法律、税务或监管建议,也不构成针对任何证券、载体或交易对手的推荐。







