标普500指数拒绝为SpaceX开绿灯,这一决定同时关闭了OpenAI和Anthropic借助同类规则提前入市的可能。
标普道琼斯指数公司于6月4日宣布,不会为埃隆·马斯克旗下的太空与AI公司SpaceX提供加速纳入标普500指数的特殊待遇。这一结果出乎市场分析人士的预料。若获准快速入市,SpaceX将能通过被动型基金的自动购股机制,获得潜在数十亿美元的额外资金注入。
此前,标普道琼斯指数公司曾就是否修改规则展开为期一个月的意见征询,专门讨论是否为市值规模空前的"超大型公司"开设例外通道。拟议中的调整方案包括:将新股上市后的"观察期"从12个月缩短至6个月;对超大市值公司豁免"可投资权重因子"(IWF)要求(即至少须有10%股份面向公众流通);以及豁免对最近一个季度及过去四个季度持续盈利的财务要求。
这些调整实际上是为SpaceX量身设计的。据悉,SpaceX计划仅向公众投资者发行约3%的IPO股份,且该公司目前处于亏损状态,因大举投资AI基础设施,债务规模已累计高达290亿美元。
然而,标普道琼斯指数公司在最终声明中明确表示:"不会对入市资格标准作出任何修改,包括财务可行性审核、观察期要求及最低IWF限制。"即便等满标准的一年期限,SpaceX、Anthropic和OpenAI能否实现符合标普500入市门槛的持续盈利,仍是未知数。
资金规则与例外安排
据彭博财经资讯部门估算,若SpaceX成功快速纳入标普500,将触发约140亿美元的被动基金买盘;OpenAI可借此获得逾80亿美元资金,Anthropic则可净获约46亿美元。
这是因为目前共有7.5万亿美元的被动管理基金追踪标普500指数,这类基金会按照各成分股在指数中的权重比例自动购入股票,在个人投资者和机构投资者中均广受青睐。例如,先锋(Vanguard)和富达(Fidelity)这两大经纪巨头均提供追踪标普500成分股的被动投资基金产品。
不过,据科技媒体Quartz报道,标普道琼斯指数公司此次也做出了一项让步,修改了标普全市场指数(S&P Total Market Index)和道琼斯美国全股市指数(Dow Jones US Total Stock Market Index)等"较低知名度基准指数"的IWF规则,这意味着新股仍有望更快进入上述指数。
相比之下,纳斯达克交易所已修改规则,允许SpaceX在IPO后15个交易日内进入纳斯达克100指数,而非通常所需的三个月。富时罗素指数提供商同样决定,在IPO完成后第五个交易日收盘后,给予SpaceX及同类后续公司加速纳入罗素500强指数的资格。
标普500拒绝加速纳入的消息,恰在晨星分析师发布报告数日之后。晨星认为,SpaceX在IPO前已被"严重高估",该机构主要基于SpaceX旗下星链卫星服务及火箭发射业务的实力,将其估值定为7800亿美元,不足SpaceX自身1.75万亿美元IPO目标估值的一半。
此次标普500的决定,也令市场对被动投资资金及民众退休储蓄更多暴露于SpaceX在AI领域大举押注以及轨道数据中心等投机性计划所带来的市场风险这一顾虑有所缓解。与此同时,尽管AI公司纷纷通过按使用量计价的方式将部分运营成本转嫁给用户,但在融资建设高成本AI数据中心方面,整个行业普遍面临更为严峻的挑战。
Q&A
Q1:标普500为什么拒绝SpaceX快速入市?
A:标普道琼斯指数公司在经过为期一个月的意见征询后,最终决定不修改入市资格标准,包括财务可行性审核、12个月观察期要求及最低可投资权重因子限制。SpaceX目前处于亏损状态,债务高达290亿美元,且计划仅向公众发行约3%的IPO股份,均不符合现行标准。
Q2:SpaceX被拒纳入标普500,对OpenAI和Anthropic有什么影响?
A:若标普500为SpaceX修改规则,OpenAI和Anthropic在完成各自IPO后也可能借助同类规则快速入市。据彭博财经资讯部门估算,OpenAI可因此获得逾80亿美元被动基金资金,Anthropic则可获约46亿美元。但随着此次规则修改请求被拒,这一可能性已彻底关闭。
Q3:纳斯达克和富时罗素对SpaceX入市是什么态度?
A:与标普500不同,纳斯达克已修改规则,允许SpaceX在IPO后15个交易日内进入纳斯达克100指数,而非通常所需的三个月。富时罗素同样决定给予SpaceX加速纳入罗素500强指数的资格,时间节点为IPO完成后第五个交易日收盘后。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。