78分，实际反对票28.66%，换算成百分制大约72分——预测基本准确。
“验证通过。”沈清如说，“至少对三一这个案例，模型有效。”
“但三一太典型了。”陈默保持谨慎，“我们需要更多样本。”
接下来测试第二个案例：一家去年股改失败的公司——方案被否决，股价暴跌。他们当时没有参与，但事后做过复盘。
输入数据，运行。
结果：
公司基本面质量：61分（一般）
大股东实力与动机：45分（资本型，动机可疑）
对价方案吸引力：38分（差）
行业景气度：52分（平稳）
投票博弈强度预测：92分（极高）
综合评分：57.6分
建议对价区间：10送3.5-4.0股（但大股东不可能接受）
风险提示：方案大概率被否决
实际情况：方案10送1.5股，反对票比例41%，被否决。股价随后下跌30%。
“又对了。”沈清如说，“模型识别出了**险。”
陈默稍微松了口气。两个成功案例的回测，给了模型初步的验证。但这还不够，模型需要预测未来，而不是解释过去。
“现在测试国信那三个项目。”他说。
先输入湖南国企的数据。
这家公司财务数据尚可，但非财务因素复杂。沈清如收集到的信息显示：省国资委内部对股改态度分歧，有的领导认为应该“大方一点树立标杆”，有的认为“国有资产不能流失”。职工股问题更是敏感——两千多名职工持有未确权股份，处理不好可能引发群体事件。
数据输入完毕，运行。
等待的几秒钟显得格外漫长。屏幕上进度条缓慢移动，陈默能听到自己的心跳声。
结果跳出：
公司基本面质量：68分（中等）
大股东实力与动机：52分（动机复杂，分歧明显）
对价方案吸引力：？分（需输入方案细节）
行业景气度：63分（传统行业，增长缓慢）
投票博弈强度预测：85分（高）
综合评分：未完成
关键提示：大股东内部存在分歧，职工股问题未解决。建议方案设计需包含职工股处理方案，对价不低于10送2.5股，否则可能引发强烈反对。
…。。