摘要

Verdad 的核心判断是：系统化、量化的方法在生物科技领域同样有效，而生物科技恰恰是量化投资者过去完全放弃的板块。 Dan Rasmussen 的出发点是：生物科技约占 Russell 2000 的 25%，是市场上相关性最低的板块，但 Joel Greenblatt 的筛选模型却直接建议“排除整个生物科技行业”。Greg Obenshain 承认自己起初根本没把这项任务当回事——“我当时觉得，生物科技不可能做出量化策略”——直到结果让他彻底改观。
最核心的信号是专业基金共识：把约 70 家生物科技持仓占比超过 50% 的基金视作一台“投票机”。 相对于持有该股的基金总数，被多家专业基金共同持有的股票表现强劲；被大量综合型基金持有、却没有任何专业基金持有的公司则“表现极差”。反直觉的是，专业基金的独有观点跑输共识观点——“当它是唯一一个这么想的人时，这个 alpha 观点很可能是错的”——因此跟随共识胜过跟随信念。
Verdad 的价值指标颠覆了传统价值投资：衡量价值的锚不是利润，而是支出——收入与经营现金流之间的差额——再与市值比较。 这个“简单得近乎愚钝的洞见”是：在市值相同的情况下，投入 5亿美元做临床试验的公司，平均而言比只投入1000万美元的公司更有价值。尽管构造粗糙，“价值指标的效果优于专业基金指标”，也是模型中最强的回报驱动因素之一。
在做空端，生物科技 beta 天生糟糕——60%–70%的个股最终亏钱——但集中押注基本面的做空策略曾让专业基金遭受重创，迫使它们放弃做空，转而在 XBI 上维持约 105%多头、5%空头的仓位。 Rasmussen 的答案是量化风险管理：“相比于做空我最有信心的 7 只股票，我宁愿分别做空 70%的生物科技股票。”收益更多来自缓慢下跌而非股价暴跌，空头的价值在于降低波动损耗——“你完全可能在空头上亏一点钱，却因为做了空头而明显受益。”
内部人买入具有预测力，但真正有用的信号主要来自前 CEO 以外的高管：“CEO 不管股票表现好不好，都会买入”，而 CFO 和其他 C-suite 高管的买入信号可以持续数月。由于所有人都会卖出获授股票，卖出行为的信息量很低；Verdad 主要统计买入人数而不是金额，董事会买入也只有“轻微的预测力”。
分类和动量都建立在临床试验数据之上：Verdad 将各公司的试验汇总成时间序列相似度指标，并在这些同类公司群中捕捉主题性动量。 Andrew Walker 质疑竞争对手获批理应对公司构成打击，Rasmussen 则以 Toyota/Ford 反驳：肥胖药物、mRNA 等宏观主题可能压过单一竞争事件，而且“生物科技的大多数波动都不是由具体事件驱动的”。
更高层的策略是寻找遭受重创的板块，而生物科技专业投资者自身的悲观——“你们为什么要看生物科技？” ——正是机会信号，类似“2015或2016年的石油”。 Rasmussen 如今的烦恼是，自己的逆向判断已经变成共识：“私募股权处于泡沫中，离它远点”如今登上头版；日本也已成为表现最好的市场之一，公司正努力更新自己的投资篮子，甚至半开玩笑地盯上了大幅折价的私人信贷 BDC。

精读

1. 生物科技占小盘股 25%、与市场不相关，也不符合传统筛选条件——这正是 Verdad 进攻它的理由

Rasmussen 的切入点是：作为价值投资者，生物科技“完全不符合筛选条件……它们全都在亏钱。所以你会想，我是不是该直接放弃整个板块？但它占 Russell 2000 的 25%，那我到底该怎么办？”Walker 补充说，Greenblatt 的 magic formula 以及“大量量化基金”都会直接排除这一板块，而这恰恰构成了机会。
投资组合层面的逻辑是：生物科技“是相关性最低的板块，真的很奇怪”——它提供了一个规模庞大、几乎没有系统性暴露的非相关收益来源。Rasmussen 让团队的债券专家接手这项持续一年的研究，起因只是一个玩笑：“生物科技股票大概就像债券吧。”两者都拥有大量现金。
Obenshain 的认知转变值得保留：“你没法真正使用财务报表……一开始我基本忽略了它，因为我觉得不可能在生物科技里建立量化策略。”真正的突破在于“按生物科技自身的规律来理解它——只使用在生物科技领域确实有意义的因子”。

2. 专业基金共识是一台投票机——独行者式的高确信度反而是负面信号

定义刻意保持简单：专业基金是指投资组合中超过 50%配置于生物科技的基金，目前约有 70 家，不按历史业绩加权；ARKG 也只是“一条数据、一次投票”。Pfizer 这类战略性制药持有者也可能被列入专业基金名单，不过战略持股数据“更混乱”，仍在研究流程中。Walker 总结这一简化假设：有人把钱交给这些基金管理，因此它们大概确实了解这个行业。
真正关键的不是专业基金的绝对数量，而是专业基金数量相对于所有持有该股基金数量的比例。Obenshain 称其中最有意思的发现是：“被很多基金持有、却没有任何专业基金持有的公司，表现极差。”这个指标最终起到了质量筛选器的作用。
面对“为什么不直接跟着专业基金投资”的问题，Rasmussen 的答案是：当专业基金持有独有观点时，表现反而没那么好。“共识才是信号……你不希望生物科技基金经理拥有独立观点。当他是唯一一个这么想的人时，这个 alpha 观点很可能是错的。”Walker 的解读是：他们可能找到了唯一一个真正适合最佳创意型基金的行业。

3. 信号并不是预测事件，而是识别表现更稳健的股票，以及缓慢变化的 13F 持仓

对于这一信号究竟来自临床试验成功还是并购，Obenshain 坦率地回答：“我没法直接回答你。”不过，高持股公司“往往会被收购”，而在这个行业里，并购“基本上就是成功的衡量标准”。但可供事件研究的样本太少；真正可交易的事实是，专业基金持有的股票“表现更好——相对于波动率的回报更高”，非常适合持续再平衡的风险模型。
对于 13F 滞后带来的换手风险，Obenshain 的反驳是：一家规模 10亿美元的基金在小盘生物科技股票上投入5000万美元，持仓会“完全没有流动性……你被套住了”。共识仓位不可能快速移动——“10家不同的生物科技基金同时卖出一家小盘股的概率很低，但一旦发生，股价肯定会被砸穿。”
Walker 提出结构性反对意见：专业基金可能通过 PIPE 和低价认股权证获得更优条款，而实益持股申报有时会披露普通持股数据中看不出的仓位。Verdad 对此坦率回应：“我们正在研究。我还没有答案，但会解决。”听众提出的问题会直接进入 Verdad 的研究流程。

4. 做空生物科技：在基本面基金遭遇灭顶之灾的地方，进行极致分散

前提是“生物科技 beta 很差”——这是长期亏损个股占比最高的板块，可能有 60%或70%的股票都是“科学项目”，只有少数彩票式赢家。因此做空必须成为策略组成部分，但专业基金基本已经放弃，转而维持“105%多头、5%空头，而且这 5%空头是在 XBI 上”的仓位，因为集中、高确信度的空头曾被宣传性拉升“彻底摧毁”。
Rasmussen 的解决方案纯粹是量化：根据市值、流动性、空头持仓和借券成本决定仓位。“相比于做空我最有信心的 7 只股票，我宁愿分别做空大约 70%的生物科技股票。”空头持仓因子在每个行业都有效——空头持仓和借券成本极高的股票“表现就是很差”——但最好的空头往往借券成本也最高，足以抵消预期收益，因此模型可能更偏好 50 个轻微看空、借券便宜的空头，而不是 10 个昂贵的高确信度空头。
空头组合的回报“更多来自缓慢失血”，而不是药物试验失败导致的突然暴跌；它真正的作用是管理波动：“你完全可能长期在空头上亏一点钱，却因为做了空头而明显受益。”Walker 提到 SAVA 从 $8 一夜涨到 $180、涨幅 25倍且根本来不及平仓的尾部风险噩梦，Rasmussen 只用两个词回答：“高度分散。”

5. 内部人买入有效——但要降低 CEO 的权重，关注 CFO

不对称性在于：卖出是噪音——“所有人基本都会卖出自己的股票”——非例行买入才是信号，但“CEO 不管股票表现好不好，都会买入”。Verdad 统计 CEO 以外的高管买入；“CFO 通常相当悲观，所以他们开始买入时，这是一个相当不错的信号。”董事会买入只有轻微的预测力。
Rasmussen 的发现是，内部人买入在被观察到之后“数月内仍然有效”，并不是日内交易信号。学术文献总在研究财报超预期前的买入，但“公司里的人不是这么想的……这是他们的生计。如果他们认为公司不错，就会因为认为公司不错而买入。”
Walker 提到，生物科技公司内部人经常面临很长的禁售窗口；他也见过 CFO 在临床数据公布后买入，包括在数据不利之后买入。讨论最终将这一信号视作持续且需要结合背景理解的指标，而非某个临床阶段专用的交易规则。

6. 重新定义价值：支出是价值锚，也是模型中最强的因子

Obenshain 对支出的定义是：“收入与经营现金流之间的差额……不管它叫研发、SG&A，还是打印机成本，都无所谓。”Rasmussen 对这个“简单得近乎愚钝的洞见”的解释是：假设所有生物科技支出都拥有相同的投资回报率，那么在市值相同的情况下，投入5亿美元做试验的公司理应比投入1000万美元的公司更有价值，尽管传统价值指标会把前者这个更大的亏损者排在更差的位置。即便试验失败，背后的团队也可能继续尝试重新利用这项研究。
Rasmussen 主动给出的结论是：“价值指标的效果优于专业基金指标……尽管构造极其简单，它仍是我们最强的回报指标之一。”原因在于，它衡量的是价值随时间的变化，而模型可以据此作出反应。
Walker 说，自己是在制药行业崩溃、公司股价跌破现金价值时开始感兴趣的；Rasmussen 则把这一切入点与 Verdad 偏好遭受重创板块的更广泛逻辑联系起来：“人们对某件事越悲观，它可能就越有意思。”他们访谈的专业基金经理都问：“你们为什么要看生物科技？”这“就像2015或2016年的石油”。Walker 担心支出指标会偏向昂贵的肿瘤和阿尔茨海默病试验，Verdad 的回答是“最终会大致相互抵消”，而且风险模型也不会让组合集中押注任何一个适应症。

7. 通过试验相似度给公司分类——动量捕捉的是主题，而非竞争关系

分类难点在于，生物科技公司的临床阶段、靶点和核心试验都会随时间变化。因此 Verdad 汇总每家公司的临床试验，建立时间序列描述符，再计算它与其他所有公司的相似度——“我和那家公司有 54 的相似度，和另一家有 98 的相似度”——由此构建同类公司指数，用来衡量价值和动量。Rasmussen 称，一家同时拥有阿尔茨海默病3期项目和10个临床前肿瘤项目的公司是一个“非常难的问题”，这正是量化投资者不愿进攻生物科技的原因。
Walker 对动量提出质疑：竞争对手的膀胱癌药物获批，按理说应该打击你的公司，最多形成一个双寡头市场。Rasmussen 的反驳是，离散的竞争事件只占少数；“如果 Toyota 在上涨，而你是 Ford，你大概率也会上涨。”策略目标是捕捉主题资金流——“只要人们喜欢肥胖药物，我就想持有肥胖药物相关股票。”Walker 最终用 Pfizer 的 Metsera 竞购战举例认可这一点：竞购战推升了所有肥胖药物相关股票。
Obenshain 指出，生物科技从业者“太关注事件了。生物科技就是事件”，但“生物科技的大多数波动都不是由具体事件驱动的”。量化的优势在于捕捉底层驱动因素，而不是预测试验读数。

8. 用基准概率替代预测——而逆向判断变成共识本身也会制造烦恼

Rasmussen 在节目结尾引用价值因子研究：新闻会打击昂贵股票、提振便宜股票，因为“人们认为世界比实际更可预测”。如果市场给一项临床试验定价为 90%的成功概率，“那可能就不太聪明”；整个方法不是给单个读数计算胜率，而是构建仓位，“让最终发生的事件对你有利”。
说到当下最惨淡的板块，Rasmussen 反而卡住了：“我们一直说私募股权处于泡沫中，离它远点。”现在“已经没人再因为这话骂我疯了，因为大家都同意我”。另一个判断日本也已成为表现最好的市场之一。“对价值投资者来说，连续两三年表现不错时，你就该开始担心了。”因此他半开玩笑地说，团队可能会“成为私人信贷 BDC 的超级多头”，因为这些资产正以大幅折价交易。
Walker 问到 KKR 2500万美元内部人买入时，话题转向最后一个方法细节：在内部人分析中，Verdad 主要依赖买入人数，而非买入金额——“我不想因为某个人恰好更有钱，就给他的买入更高权重。”针对 Walker 提到的 ServiceNow 案例，Rasmussen 追问：还有没有其他人在跟随 CEO 的买入？

哈佛教授 David Sinclair 揭示逆龄科学：如何让人看起来、感觉上更年轻 2028年全球智能危机：AI会引发市场崩盘吗？