00:00 / 00:51
连播
清屏
智能
倍速
点赞25
00:00 / 01:23
连播
清屏
智能
倍速
点赞10
华尔街投行面试必杀题——「Walk me through debt vs. equity analysis」 当年我面摩根大通,也碰到过这道题,直接让我在终面翻身!今天无偿大放送👇 很多视频上的内容加上额外的分析都给大家放在这了! 🔥 核心心法:这不是计算题,是「商业战略演讲」! 面试官想听的,不是公式,是你如何像CFO一样思考。 🎯 第一步:灵魂拷问——公司现在是什么「人设」? 成长型明星(高增长、烧钱期)→ 可能偏爱股权,避免债务枷锁。 现金流奶牛(稳定盈利、低增长)→ 债务是好朋友,税盾真香! 行业周期玩家(如航空、大宗)→ 慎用债务,小心周期跌爆现金流。 📊 第二步:硬核拆解「四维测评表」 我习惯用这个表快速拉齐认知: 成本维度:债务利息 vs. 股权稀释,算清楚WACC。 风险维度:公司现在的负债率多高?利息覆盖率够安全吗? 弹性维度:需要融资灵活性?债务条款会不会捆住手脚?(比如并购限制) 信号维度(华尔街最爱的心理游戏!):发债通常被市场认为是「自信」;发股可能被解读为「股价已见顶」或「缺钱」的消极信号。 💡 第三步:亮出「决策矩阵」,秒杀模版答案 根据上面分析,直接给结论: ✅ 推荐债务 if:税率高、盈利稳、股价被低估、想维持控制权。 ✅ 推荐股权 if:风险高、负债率已预警、需要战略投资人背书、行业处于颠覆期。 ⚠️ 混合方案:很多时候「可转债」才是王炸!既享受低利率,又给未来转股留余地。 ✨ 面试加分金句(背下来!): “我的分析不仅基于当前数字,更基于公司未来18-24个月的战略路线图。比如,如果贵司计划明年进行大型并购,那么保留债务额度会比当下发债更重要。” 最后扔个底层逻辑:最优融资方案,永远是成本、风险、战略灵活性的三角平衡,没有标准答案,只有最贴合故事的答案。 这套框架帮我拿下了JPM、高盛的offer,真心好用!姐妹们面试前多模拟几遍,咱们评论区可以组队mock! #华尔街面试 #投行干货 #金融求职 #债务股权分析 #摩根大通面试
00:00 / 03:26
连播
清屏
智能
倍速
点赞39
00:00 / 01:14
连播
清屏
智能
倍速
点赞2
00:00 / 06:32
连播
清屏
智能
倍速
点赞23
00:00 / 03:41
连播
清屏
智能
倍速
点赞0
00:00 / 09:26
连播
清屏
智能
倍速
点赞5413
00:00 / 07:33
连播
清屏
智能
倍速
点赞3
别再说AGI遥不可及了。上周,红杉资本的两位合伙人发了篇博客,标题很直接——AGI已经来了,就在此刻。 什么叫AGI?他们给了个特别实在的解释。不是什么图灵测试,也不是科幻电影里的机器人。他们说,AGI的本质就一句话:能把事情搞清楚的能力。在模糊中导航,在未知里探索,最终达成目标。它会形成假设、验证假设、撞了南墙再掉头,直到某些东西真正奏效。而以Claude Code为代表的长周期智能体,正是这种能力的第一批例证。 这种能力到底长什么样?我给你讲个真事。有位创始人要招一个开发者关系负责人,他把任务交给了智能体。智能体先上LinkedIn搜了一圈,发现职位头衔根本说明不了问题。于是它转向YouTube,找技术演讲,筛选出那些互动数据亮眼、观众真正买账的演讲者。再跟Twitter交叉比对,找出谁有真品味、谁有真粉丝。然后它做了个特别微妙的判断:检查谁最近发帖变少了,因为这往往意味着对现职的倦怠。最后锁定了一位刚经历公司裁员、专业方向完全匹配的候选人,起草了一封精准的挖角邮件。整个过程,自主决策,自主转向,一气呵成。 这还不是最惊人的。红杉给出了一条清晰的时间表:长周期智能体的能力每7个月翻一番。按这个速度,2028年智能体能完成人类专家一天的工作,2034年能完成一年的工作。这个指数曲线,值得我们每个人刻在脑子里。 别以为这只是硅谷的独角戏。在国内,AGI的商业化已经渗透进你的日常生活。打开支付宝,蚂蚁的阿福正在用AGI改写健康医疗的问诊体验;淘宝和飞猪背后,阿里的千问在帮你做购物和旅行推荐,替你精打细算;昆仑万维的天工,已经成了很多职场人桌上最得力的办公助理;而字节跳动的即梦,则让图片视频创作变得像说话一样简单。 所以你看,AGI不是实验室里的概念验证,也不是什么科幻预警。它已经藏在你的手机App里,藏在那些你以为是工具、其实已经是智能体的软件里。它不是远方的一声雷,而是此刻的雨点,已经落在了我们每个人的头上。真正的问题,不是AGI什么时候来,而是当它已经来了,你准备好了吗?#AGI #智能体概念 #阿里千问 #蚂蚁阿福 #AI应用概念
00:00 / 02:23
连播
清屏
智能
倍速
点赞50
00:00 / 07:43
连播
清屏
智能
倍速
点赞NaN
金融的双面真相:数学与人性的永恒博弈 "金融不是靠数学,而是研究人,我甚至连微积分都没学过。" 当黑石集团创始人史蒂夫·施瓦茨曼(Stephen Schwarzman)说出这句话时,华尔街的宽客们(Quants)也许会皱起眉头。这位掌管着近万亿美元资产的PE巨头,用自己的成功轨迹为这个观点背书——他确实没有在办公室里摆满数学公式,却在全球各地编织着最复杂的商业关系网,频繁穿梭于中国的各个城市,与政商界建立深厚纽带。 但这个观点真的正确吗?或者说,它只是幸存者偏差下的片面之词?   第一章:数学的光辉与阴影 精密仪器的诱惑 走进曼哈顿任何一家顶级投行的交易大厅,你会看到一个充满数学符号的世界。 屏幕上跳动着希腊字母——Delta测量期权价格对标的资产价格的敏感度,Gamma描述Delta本身的变化率,Vega衡量波动率的影响。这些来自Black-Scholes期权定价公式的参数,被交易员们奉为圭臬。 蒙特卡洛模拟在瞬间完成数十万次随机抽样,预测着未来可能的价格路径。随机微积分优雅地描绘着资产价格的布朗运动轨迹。Value at Risk模型量化着潜在损失,压力测试模拟着极端情况。 这些工具如此精密,以至于让人产生一种危险的错觉:市场是可以被精确计算的,风险是可以被完美控制的。 当模型遇见现实 然后,现实给了所有人一记响亮的耳光。 2008年金融危机前夕,华尔街集中了世界上最聪明的数学家。他们构建了看似完美的风险模型:高斯Copula函数将不同资产的相关性量化到小数点后四位,CDO(担保债务凭证)的定价公式复杂而优雅,蒙特卡洛模拟显示极端风险事件的概率微乎其微。 评级机构给出AAA评级,数学模型显示一切可控。监管者放心了,投资者安心了。 然后呢? 2008年9月15日,拥有158年历史的雷曼兄弟宣布破产。全球金融体系在72小时内濒临崩溃。数万亿美元的财富蒸发,数百万人失去工作和住房。 问题出在哪里?数学本身并没有错,错的是数学的假设前提。 所有这些精妙的公式都建立在几个看似合理但实际脆弱的假设上: - 市场参与者是理性的 - 价格变动服从正态分布 - 历史会不断重复 - 资产价格之间的相关性是稳定的 #金融银行卡 #金融资产#投资理财
00:00 / 00:22
连播
清屏
智能
倍速
点赞7
00:00 / 01:00
连播
清屏
智能
倍速
点赞141