Разработка подхода по отбору стартапов в портфель венчурного инвестора

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ПЕРМСКИЙ ФИЛИАЛ ФЕДЕРАЛЬНОГО ГОСУДАРСТВЕННОГО АВТОНОМНОГО ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ ВЫСШЕГО ОБРАЗОВАНИЯ «НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет экономики, менеджмента и бизнес-информатики

Выпускная квалификационная работа

студента образовательной программы магистратуры

по направлению подготовки 38.04.02 Менеджмент

Разработка подхода по отбору стартапов в портфель венчурного инвестора

Ронжин Александр Николаевич

Рецензент

к.т.н., доцент кафедры управления проектами НИУ ВШЭ

А.А. Дагаев

Пермь 2019 год



Аннотация

Данная работа посвящена разработке подхода по отбору стартапов в портфель венчурного инвестора. Рассматриваются теоретические подходы к принятию инвестиционных решений, а также методы оценки венчурной инвестиционной деятельности. На основании проведенного анализа теоретической базы и количественного анализа ретроспективных данных о инвестиционной деятельности венчурных компаний разрабатывается новый усовершенствованный подход по отбору стартапов. В качестве источника данных для количественного анализа используется база данных Crunchbase. С её помощью происходит сбор данных о характеристиках стартапов и венчурных инвесторов, а также информации о совершенных инвестиционных операциях. Также проводится апробация разработанного подхода путем сравнения его результатов с базовыми моделями. В результате данной работы мы получаем новый подход, способный предоставлять более корректные результаты при отборе стартапов в портфель венчурного инвестора.



Annotation

This paper is devoted to the development of an approach for the selection of startups in the venture investor portfolio. We consider theoretical approaches to making investment decisions and methods for evaluating venture investment activity. Based on the analysis of the theoretical base and the quantitative analysis of the retrospective data of the investment activities of venture companies, a new improved approach for the selection of startups is being developed. The Crunchbase database is used as a data source for quantitative analysis. With its help, we collected data about the characteristics of startups and venture investors, as well as information about investment operations. Approbation of the developed approach is also carried out by comparing its results with the basic models. As a result of this work, we get a new approach that is able to provide more correct results in selecting startups for a venture investor's portfolio.



Введение

Последние годы свидетельствуют о резком увеличении сделок, связанных с венчурным капиталом. Предлагая финансирование и наставничество, венчурные инвесторы нацелены получать высокую прибыль, если их портфельные компании успешно завершат свою деятельность, а именно, будут приобретены другими компаниями или выйдут на первичное публичное размещение акций (IPO). Однако отбор и оценка стартапов для инвестиций в значительной степени зависит от личного опыта инвесторов, социальных отношений и качественной оценки стартапов. Таким образом, данная индустрия призывает к методологически обоснованному количественному изучению сделок венчурного финансирования. Кроме того, более доступные данные и более сложные аналитические методы указывают на возможность принятия методических решений при инвестировании на рынке венчурного финансирования.

В данной работе мы стремимся разработать персонализированную стратегию, чтобы помочь инвесторам выбрать нужные стартапы и определить необходимый объем капитала для финансирования. А именно, сначала мы разрабатываем вероятностную модель с латентными признаками для совместной оценки инвестиционных предпочтений всех инвесторов. В модель включены не только исторические данные о совершенных инвестиционных сделках, но также профили венчурных инвесторов и стартапов. Затем мы оцениваем инвестиционные результаты стартапов путем регрессии потенциальных доходов и рисков, уточняем регрессионные характеристики непараметрическими методами. Наконец, мы используем современную теорию портфеля, чтобы оптимизировать инвестиционную стратегию в отношении стартапов, рекомендованных моделью инвестиционных предпочтений. В результате, инвестиционная стратегия может приносить максимальную отдачу с подавлением потенциальных рисков, и, кроме того, соответствовать инвестиционным предпочтениям венчурных инвесторов.

Мы наблюдаем большую актуальность рассматриваемой темы у зарубежных авторов. В российской литературе данная тема недостаточно проработана, слабо освещен процесс оценки стартапов и их привлекательности для венчурных инвесторов.

Таким образом, цель данной работы определена как разработка подхода по отбору стартапов в портфель венчурного инвестора, основываясь на анализе теоретической базы и количественном анализе ретроспективных данных инвестиционной активности венчурных инвесторов.

Объект исследования- отбор стартапов в инвестиционный портфель венчурного инвестора.

Предмет исследования- разработка модели по отбору стартапов в инвестиционный портфель венчурного инвестора.

Для достижения поставленной цели были выделены следующие задачи:

1) Анализ теоретических подходов к принятию инвестиционных решений;

2) Анализ методов оценки венчурной инвестиционной деятельности;

3) Разработка модели инвестиционных предпочтений венчурных инвесторов, а также дальнейшее включение в модель критериев доходности и риска инвестиций;

4) Апробация разработанного подхода путем его сравнения с базовыми подходами;

5) Оценка влияния различных факторов на принятие решений венчурным инвестором.

В первой главе данной работы мы проанализируем существующие подходы к принятию инвестиционных решений, а также методы оценки венчурной инвестиционной деятельности. Вторая глава будет посвящена непосредственно разработке модели по определению инвестиционных предпочтений венчурных инвесторов, с включением в нее критериев доходности и риска инвестиций. В третей же главе мы сравним разработанный подход уже существующими базовыми моделями, а также проанализируем обнаруженные закономерности при принятии инвестиционных решений. Таким образом научная новизна данной работы будет заключаться в разработке новой модели по отбору стартапов в портфель венчурного инвестора с использованием количественного анализа и добавлением дополнительных критериев, способствующих более корректной работе нашей модели.



Глава 1. Анализ теоретической базы и эмпирических исследований венчурной инвестиционной деятельности компаний

1.1 Анализ теоретических подходов к принятию инвестиционных решений

В последние годы можно наблюдать увеличение количества сделок, связанных с венчурным капиталом. Согласно Глобальному мониторингу в области предпринимательства (Global Entrepreneurship Monitor (GEM) за 2014 год), общий уровень предпринимательской активности на ранних стадиях, который представляет собой долю крупных компаний в процессе открытия нового бизнеса, составляет более 13,1% в Соединенных Штатах. Некоторые отрасли, связанные с IT сектором, обладают самой высокой скоростью роста и являются наиболее привлекательными областями для большого количества предпринимателей. Некоторые авторы считают, что основная причина стремительного увеличения количества стартапов заключается в том, что основные цифровые услуги и продукты стали настолько развитыми, дешевыми и повсеместными, что их можно легко комбинировать и использовать для создания новых продуктов. Кроме того, зрелость рынка финансирования предпринимательства способствует появлению новых компаний. Согласно отчету MoneyTree, подготовленному PricewaterhouseCoopers LLP (PwC) и Национальной ассоциацией венчурного капитала (NVCA) в 2014 году, венчурные капиталисты инвестировали 48,3 миллиардов долларов и провели 4356 сделок, что на 61% больше, чем в предыдущем году.

Венчурный капитал -- это форма частного финансирования, предоставляемая в обмен на долю в потенциально быстро растущих компаниях [Stone et.al., 2013]. Являясь одними из крупнейших поставщиков капитала для новых компаний, их основная роль заключается в том, чтобы стимулировать развитие стартапов для облегчения операционной деятельности, производственных процессов или процесса масштабирования. Кроме того, Макмиллан, Сапиенца, Хеллман и Пури установили, что венчурные инвесторы играют дополнительную роль в качестве директоров, влияющих на развитие организаций путем передачи своих знаний и связей, предоставления стратегических и операционных рекомендаций и помощи в оптимизации организационной структуры [MacMillan, 1989][Sapienza, 1992][Hellman, 2002]. Предлагая капитал и наставничество, инвесторы будут получать высокую прибыль, если их портфельные компании будут приобретены или станут публичными. [Lerner et al. 2007].

В данном исследовании мы разрабатываем метод определения стартапа для инвестирования, учитывая предпочтения инвестора и потенциальную возможность успешного совершения M&A (Mergers and Acquisitions) сделок или выхода на IPO (Initial Public Offering). Таким образом, результаты анализа ранних исследований сгруппированы в две категории. Одна категория состоит из традиционного анализа того, как венчурные инвесторы принимают свои инвестиционные решения. Другая категория посвящена популярным рекомендательным методам и методам оценки эффективности стартапов, а также тому, как они могут помочь инвесторам в принятии решений на рынках венчурного финансирования [Лапаев и др, 2009].

В первой категории анализ поведения венчурных инвесторов в процессе принятия решений активно развивался как на микроуровне, так и на макроуровне [Cornelius and Persson 2006][Landstrцm et al. 2007]. На микроуровне исследование уходит корнями в области управления и предпринимательства [Tyebjee and Bruno, 1984][MacMillan et al., 1986][Robinson 1988]. С точки зрения управления и предпринимательства, существует три основных направления исследований [Da Rin et al. 2011]:

1) Вопросы, касающиеся взаимодействия между стартапами и венчурными инвесторами (коммуникация, инвестиции и т. д.);

2) Вопросы, связанные со взаимодействием инвестиционного фонда и его инвесторов (сбор средств, структура вознаграждения и т. д.);

3) Вопросы, связанные с организацией инвестиционных венчурных компаний.

Как подчеркивалось ранее, мы сфокусировались на исследовании проблем, связанных с первым пунктом, то есть анализом венчурных инвестиций. Разбирая данный вопрос Tyebjee и Bruno впервые описали пятиступенчатую модель инвестиционного процесса для венчурного инвестора, которая заключается в:

1) Инициировании сделки;

2) Проверке сделки;

3) Оценке сделки;

4) Структурировании сделки;

5) Постинвестиционной деятельности.

Основываясь на двух наборах данных, собранных посредством телефонного опроса и по почте с просьбой оценить важность различных критериев, венчурные инвесторы также сформулировали четыре критических фактора, на которые обычно рассчитывают инвесторы: потенциал рынка, управление, конкуренция и реалистичность продукта. Позже, Fried и Hisrich опросили 18 типичных представителей стартапов и составили структурированные опросники для определения отраслей, географического положения и стадии финансирования как важных элементов в модели принятия решений венчурными инвесторами на этапе проверки конкретной фирмы [Fried, Hisrich, 1994]. Однако Zacharakis и Meyer указали, что исследования, основанные на опросах или анкетах, подлежат рационализации и содержат нереалистичные данные в ответах ремпондентов [Zacharakis, Meyer, 1998].

Чтобы решить эту проблему, в работах Sandberg и Zacharakis, использовались устные протоколы, которые представляют собой эксперименты в реальном времени, в которых венчурные инвесторы при анализе бизнес-плана рассуждают вслух [Sandberg et al., 1988][Zacharakis et al., 1999]. Устные протоколы могут фиксировать критерии, которые учитывались инвесторами при выборе компаний, и позволяют исследователям выяснить важность различных критериев, наблюдая, как инвесторы оценивают различные факторы и сколько времени они посвящают каждому [Landstrцm et al., 2007]. Для изучения вербальных протоколов, как правило, используется декомбинационный анализ, в котором происходит разложение процесса принятия решений на основную структуру, что позволяет исследователям получить более глубокое понимание [Shepherd, Zacharakis, 1997]. Тем не менее, исследования, основанные на устных протоколах и декомбинационном анализе, страдают недостатком небольшой выборки из-за значительного времени и усилий, требуемых для сбора информации.

Что касается работ на макроуровне, исследователи заинтересованы в прикладном анализе финансов и экономики [Salman, 1986]. Дженг и Уэллс изучали различные детерминанты венчурного финансирования, включая рост валового внутреннего продукта (ВВП) и специализации рынка, жесткость рынка труда и т. д., используя модели линейной регрессии [Jeng, Wells, 2000]. Действительно, стоит согласиться с тем, что отрасль венчурного финансирования не изолирована от макроэкономической финансовой среды [Касьяненко и др, 2014]. Макроэкономическая среда оказывает влияние на рынок венчурного капитала в целом, например, на количество капитала на рынке, долю успешных стартапов и т. д. Тем не менее, данная работа в основном посвящена изучению инвестиционных предпочтений инвесторов, то есть тому, в какие стартапы скорее всего инвесторы будут вкладывать средства и в то же время получат наибольшую потенциальную прибыль [Амадаев и др, 2015]. Другими словами, макроэкономические эффекты в разрабатываемой модели имеют низкий вес.

Кроме того, Kaplan и Strцmberg проанализировали то, как венчурные инвесторы выбирают стартапы, принимая во внимание различные факторы, такие как размер рынка, стратегию, команду и т. д [Kaplan, Strцmberg, 2000]. Однако их анализ был скорее качественным и описательным, следовательно, заключение не может быть общеиспользовано и, следовательно, такой анализ менее убедителен. Baron and Markman исследовали, что делает некоторых предпринимателей более успешными при создании нового предприятия [Baron, Markman, 2000]. Они обнаружили, что высокий уровень социального капитала, основанного на прямых личных контактах, помогает предпринимателям получить доступ к венчурным инвесторам. Потенциально, включение информации об истории и отношениях инвесторов и членов стартапа в модель прогнозирования может принести пользу. Такая справочная информация может раскрыть скрытые причины, ведущие к успеху или провалу некоторых инвестиционных сделок [Башкатова, Бебрис, 2013]. Однако, было решено не использовать такую информацию, в первую очередь из-за ее недостаточности в нашем основном источнике данных, то есть в Crunchbase. В конце концов, такая детальная информация близка к личной и, следовательно, ее трудно собрать для большого количества инвесторов и стартапов.

1.2 Анализ методов оценки венчурной инвестиционной деятельности

Традиционные исследовательские методы естественно развиваются, начиная с выявления критериев принятия решений о венчурном финансировании с помощью специальных опросов и заканчивая пониманием того, как используется информация во время фактического принятия решения, и относительной важностью различных критериев. Однако характеристики традиционных методов, таких как низкое использование информации и упрощенные аналитические методы, ограничивают их популярность и результативность [Landstrцm et al., 2007].

Таким образом, современные и сложные методы обработки информации пользуются большим спросом, учитывая, что появляется все больше и больше информации о венчурных инвестициях. К счастью, благодаря быстрому развитию и совершенствованию в течение последних десятилетий, механизм разработки рекомендаций становится изощренным инструментом для анализа и оценки больших объемов информации. Процессы отбора и оценки стартапов для инвесторов аналогичны выбору стартапов с точки зрения рекомендаций [Безрукова и др, 2015]. Кроме того, рекомендательная система продемонстрировала свою эффективность с помощью различных практических приложений [Linden et al., 2003][Miller et al., 2003][Billsus et al., 2002].

В частности, в категории исследований по современным рекомендательным методам используются интеллектуальный анализ данных и прогнозная аналитика для оптимизации ожидаемых результатов венчурных инвестиций. Эти исследования можно разделить на две группы.

1) Одна небольшая группа - это ориентированные на стартапы подходы, предназначенные для прогнозирования приобретения стартапов или их выхода на фондовый рынок. Например, Xiang использовали профили и новостные статьи компаний и людей для прогнозирования сделок слияний и поглощений (M&A) с использованием методов тематического моделирования [Xiang et al., 2012]. Этот тип подхода использовал инвестиционные утилиты, но был неспособен к персональной рекомендации.

2) Другая группа методов ориентирована на инвесторов и предназначена для изучения модели принятия решений инвесторами или прогнозирования их общей инвестиционной эффективности путем выявления успешных инвесторов. Gupta предложил метод InvestorRank для выявления успешных инвесторов, понимая, как со временем меняется сеть сотрудничества инвесторов [Gupta et al., 2015]. Основная идея состоит в том, чтобы измерить, с течением времени, становится ли инвестор ближе к некоторым известным успешным инвесторам. Stone провел эмпирическое исследование по рекомендации лучших стартапов для венчурных компаний, что является новаторской работой, наиболее близкой к данной [Stone et al., 2013]. Они протестировали несколько алгоритмов рекомендаций на основе совместной фильтрации в наборе данных VentureSource и продемонстрировали эффективность рекомендательных систем в этом сценарии применения. В следующей статье авторы расширили свою работу, предложив SVD-подобный алгоритм с включением отраслевых категорий и информации о профилях компаний [Stone, 2014][Koren, 2008]. Тем не менее, их работа с использованием метода, основанного на SVD, может столкнуться с проблемой чрезмерной подгонки, так как они не упорядочивают скрытые факторы и количественно не определяют неопределенности в подгонке модели. В отличие от нашей работы, они не приняли во внимание ожидаемую доходность инвестиций и риск.

Чтобы достичь максимальной отдачи от венчурных инвестиций, нужно поднять несколько вопросов. В какие стартапы следует инвестировать венчурному инвестору? Когда время лучше всего совершать сделки? Какую сумму инвестировать? Существует много исследований, связанных с ответами на данные вопросы [Александрин, Тюткалова, 2012]. Ранее исследования основывались на личных интервью или анкетировании [Fried, Hisrich, 1994][Clarysse et al., 2005]. Например, чтобы предсказать успех на первоначальном этапе новоучрежденных компаний, Stuart и Abetti разработали опросник из 68 пунктов для 24 новых технических предприятий, связанных с Инкубатором RPI или Технопарком [Stuart, Abetti, 1987]. Sorensen изучил взаимосвязь между опытом венчурных инвесторов и результатами их инвестиций, опираясь на данные 1666 компаний [Sorensen, 2007]. Однако Zacharakis и Meyer утверждали, что исследования, основанные на апостериорных методах (например, интервью и опросы) для анализа процесса принятия решений венчурными инвесторами, являются необоснованными [Zacharakis, Meyer, 1998].

В данной работе мы используем аналитический подход, чтобы помочь венчурным инвесторам принимать решения о потенциальных инвестиционных сделках [Рогова и др., 2011]. Это обусловлено двумя предпосылками. Во-первых, в последние годы информация о стартапах и их фандрайзинге стала намного доступнее благодаря публичным базам данных, таким как Crunchbase, Owler, и т. д. Признанный самым полным в мире массивом данных о деятельности стартапов, Crunchbase имеет около 650 тыс. профилей людей и компаний, в дополнение к истории финансирования, операционному статусу и так далее. Другой предпосылкой для количественного анализа венчурного финансирования стало появление передовых аналитических методов и быстрое развитие вычислительной мощности. В частности, появляющиеся рекомендательные системы стимулировали множество практических приложений, которые помогают пользователям справляться с перегрузкой информацией и предоставляют персональные рекомендации [Adomavicius, Tuzhilin, 2005]. Приложения варьируются от рекомендаций продуктов, рекомендаций фильмов, до рекомендаций новостей. Применение рекомендательных систем в самых разных сферах демонстрирует их потенциал.

Аналогичным образом, мы можем проанализировать инвестиционные предпочтения венчурных инвесторов и рекомендовать им стартапы, наилучшим образом отвечающим их интересам [Яфясов, 2011]. Тем не менее, в применении рекомендательных систем в контексте инвестиций в стартапы остается несколько проблем. Во-первых, в случаях с рекомендациями продуктов и фильмов один пользователь мог оценить сотни фильмов независимо от того, смотрел он эти фильмы или нет [Bennett, Lanning, 2007]. С другой стороны, средний венчурный фонд обычно закрывает в среднем менее 100 инвестиционных сделок каждый год [Adomavicius, Tuzhilin, 2005]. Кроме того, по сравнению с подробной информацией о рейтингах в кейсе о рекомендации фильмов, у нас есть только суммы, инвестируемые в стартапы в качестве неявных оценок склонности. В-третьих, в отличие от традиционных проблем рекомендаций, в венчурном финансировании инвесторы обычно финансируют отдельные компании определенной суммой денег и рассчитывают получить прибыль от этих инвестиций в течение нескольких лет, обычно 5-10 лет. Вследствие этого, рассмотрение потенциальной доходности и риска имеет решающее значение в разрабатываемой модели.

Чтобы справиться с вышеуказанными проблемами, мы адоптируем методики рекомендательной системы для изучения инвестиционных предпочтений венчурных инвесторов с целью рекомендации правильных кандидатур для инвестиций. Наш метод, в основном будет использовать исторические данные об инвестициях, включая дополнительную информацию, в том числе информацию о географическом местонахождении стартапов, отраслях, продуктах и т. д. Что особенно важно, основная цель венчурных инвестиций -- это максимизация финансовой отдачи от компаний, которые доходят до поглощения или первичного публичного размещения акций (IPO). Таким образом, ожидаемые доходы от инвестиций и потенциальные риски являются критическими факторами, волнующими венчурных инвесторов. Основываясь на современной портфельной теории, мы оптимизируем инвестиционную стратегию с целью максимизации финансовой отдачи и снижения инвестиционных рисков, исключая неподходящие стартапы и предлагая оптимальные объемы инвестиций [Elton et al., 2009].

Таким образом, для корректной работы разрабатываемой модели мы используем ретроспективные данные о характеристиках стартапов, венчурных инвесторов, а также данные о совершенных инвестиционных операциях. Также, анализируя данные, собранные с помощью базы данных Crunchbase, нам будет необходимо отдельное внимание уделить критериям доходности и риска рассматриваемых инвестиций.

доходность риск инвестиция венчурный



Глава 2. Разработка подхода по отбору стартапов в портфель фенчурного инвестора

2.1 Разработка модели инвестиционных предпочтений венчурных инвесторов

В данной главе будет проведен обзор нашего аналитического инвестиционного подхода. В общем, наша цель состоит в том, чтобы помочь венчурным инвесторам определить, в какую группу стартапов инвестировать, чтобы удовлетворить свои инвестиционные предпочтения, а также получить максимальную отдачу с наименьшими рисками. В нынешних условиях мы относим венчурных инвесторов именно к институциональным инвесторам, в отличие от бизнес-ангелов. Есть по крайней мене две причины рассмотрения именно институциональных инвесторов. С одной стороны, в отличие от частных бизнес-ангелов, венчурные инвесторы являются основными источниками финансирования для стартапов, которые сигнализируют о необходимости в финансировании. С другой стороны, рассматриваемые инвесторы имеют более формальный процесс принятия инвестиционных решений и предоставляют более доступные данные об инвестициях [Fried, Hisrich, 1994]. В то время как, индивидуальные бизнес-ангелы принимают окончательные инвестиционные решения более неформальным образом и в меньшей степени раскрывают достоверную информацию.

Для формальных венчурных игроков инвестиционный процесс может быть смоделирован в пять этапов: инициирование сделки, проверка сделки, оценка сделки, структурирование сделки и постинвестиционная деятельность [Tyebjee, Bruno, 1984]. Мы стремимся использовать наиболее полные данные процесса венчурного финансирования, чтобы помочь венчурным инвесторам отобрать подходящих кандидатов и оценить потенциальные инвестиционные сделки.

Для отбора кандидатов среди стартапов мы применяем методы рекомендательных систем для изучения инвестиционных предпочтений венчурного инвестора. Рекомендационные методы могут моделировать исторические данные о совершенных инвестициях и предоставлять каждому венчурному инвестору наиболее подходящие варианты для инвестиций. Соответствие инвестиционных предпочтений венчурных инвесторов важно на рынках венчурного финансирования, потому что венчурные инвесторы станут наставниками своих портфельных компании после капиталовложений, а разные инвесторы имеют довольно различный опыт и предрасположенность при оценке инвестиционных сделок. Выбор может основываться на отрасли стартапа или навыках членов команды. Таким образом, понимание и лучшее использование различных предпочтений венчурных инвесторов являются ключом для рекомендации правильных кандидатов для инвестирования.

Для оценки потенциальных инвестиционных сделок на рынке венчурного финансирования, с учетом сложной оценки ожидаемой доходности венчурных инвестиций, мы прибегаем к оценке вероятности последующих M&A сделок или выхода на IPO как показателей их эффективности [Lerner et al., 2007][Hellmann, Puri, 2002]. Как правило, при успешном сценарии инвесторы ожидают получения финансовой прибыли, размер которой зависит от цены выпущенных акций (посредством IPO) или цены продажи (посредством M&A), а также от доли принадлежащих им акций [Landstrцm et al., 2007]. При достаточно точной оценке вероятности реализации данных сценариев один венчурный инвестор может увеличить (или уменьшить) свою долю для достижения лучших инвестиционных результатов. В данной работе мы стремимся спрогнозировать вероятность реализации данных сценариев в будущем, используя непараметрический метод. Непараметрический метод регрессии может изучать нелинейные отношения между случайными переменными и, таким образом, повышает эффективность прогнозирования. Кроме того, непараметрический метод, используемый в этой работе, может одновременно оценивать инвестиционные риски.

Ключевой идеей при согласовании инвестиционных предпочтений венчурных инвесторов с использованием методик рекомендательной системы является факторизация их исторических инвестиционных данных. В частности, мы рассматриваем стартапы и венчурных инвесторов как две различные группы. Предположим, что есть венчурные инвесторы M и стартапы N. Пусть U = {, , ..., } -- набор инвесторов, а V = {, , ..., } -- набор стартапов. Мы моделируем венчурных инвесторов и стартапы как неявные факторы.

Данный подход широко используется в рекомендательных системах. В частности, инвесторы моделируются как U = (, , ..., ) в то время как стартапы V = (, , ..., ).

В традиционных рекомендательных системах, основанных на латентных моделях (например, модели вероятностных латентных признаков), предполагается, что наблюдаемая сумма финансирования от инвестора до стартапа следует распределению Гаусса [Mnih, Salakhutdinov, 2008][Schmidt et al. 2009]:

? N (, ),

где N (м, ) обозначает распределение Гаусса со средним м и точностью б. Здесь среднее значение распределения является точечным произведением двух скрытых факторов and :

= (, ).

В данном случае, однако, на основании нашего исследования доступности данных и характеристик, мы модифицируем модель до:



? LN (, ),

= ((, +г*)+(, )).

где LN означает логнормальное распределение. Причина, по которой мы выбираем логарифмически нормальное распределение, заключается в том, что логарифмически трансформированные объемы финансирования одного венчурного инвестора приблизительно соответствуют распределению Гаусса.

Далее мы осветим больше деталей модели, после чего последует вывод модели с количественным определением неопределенности. В Таблице 1 суммированы важные математические обозначения.

Таблица 1. Математические обозначения

Символ	Размер	Описание
U	K*M	Латентный фактор венчурного инвестора
V	K*N	Латентный фактор стартапа
d	M*N	-- географическая близость между и
C	K*S	Латентный фактор отраслевой категории
Z	L*N	Явные свойства стартапа
в	L*M	Склонность венчурного инвестора к свойствам стартапа

По сравнению с обычными рекомендательными системами, использующие уравнение 1, мы включаем некоторые новые условия в уравнение 2, чтобы учесть несколько важных аспектов соответствия инвестиционным предпочтениям инвестора.

Рассмотрим показатель Географическая близость (). Венчурные инвесторы имеют сильную тенденцию к местному бизнесу. Florida и Smith отметили, что венчурные компании на рынке высоких технологий предпочитают географически близкие компании [Florida, Smith, 1993]. По данным Powell более половины биотехнологических фирм в США получили наибольшее финансирование от местных венчурных фирм [Powell et al., 2002]. Таким образом, мы можем наблюдать, что вероятность того, что инвестор выберет стартап , в целом уменьшается с увеличением расстояния между ними. В связи с этим мы встраиваем в нашу модель географическое расстояние в качестве критического фактора. Мы обозначаем и как места расположения инвестора и стартапа , соответственно. Таким образом, географическая близость между и рассчитывается следующим образом [Liu et al., 2013]:

= ,

где = || ?|| -- евклидово расстояние, а -- эвристический параметр.

Теперь рассмотрим показатель Специализация рынка () Как утверждали Tyebjee и Bruno, секторы венчурного рынка являются важными факторами на этапе оценки инвестиционных сделок [Tyebjee, Bruno, 1984]. Фирмы венчурного финансирования обычно имеют отличающиеся предрасположенности в отношении отраслевых подразделений из-за различных областей специализации их фондовых менеджеров. Поэтому мы включаем рыночный сектор как важную особенность для лучшего понимания инвестиционной склонности инвесторов.

В нашем наборе данных, каждый стартап связан со списком отраслевых характеристик ? C характеризующих его рыночную специализацию, где полный набор отраслевых категорий обозначен C = {, , ..., }. Чтобы отразить скрытые отраслевые предпочтения венчурных инвесторов, мы далее предположим, что каждая отрасль l ? C связана латентным вектором ? . Затем, мы рассчитываем рыночную специализацию стартапа как:



= ,

и общие скрытые факторы, связанные со стартапом в уравнении 2:

= +г*

где г -- это весовой коэффициент. Таким образом, наша модель включает рыночную специализацию стартапов, с целью изучения отраслевых предпочтений инвесторов.

Таблица 2. Список дополнительных свойств стартапов

Обозначение	Описание
	Количество приобретений
	Частота приобретений
	Количество этапов финансирования
	Ежемесячная сумма финансирования
	Количество учредителей
	Количество ушедших участников
	Частота ухода участников
	Частота новостей в СМИ
	Количество инвесторов
	Количество наемных сотрудников
	Количество конкурентов
	Количество продуктов

Рассмотрим показатель Дополнительные свойства (). Помимо вышеупомянутых условий, для улучшения разрабатываемой рекомендательной модели инвестиционных сделок мы рассматриваем другие свойства стартапов. Используемые нами характеристики представлены, но не ограничены, членами правления, нынешними и бывшими сотрудниками и записями о приобретении компаний. В таблице 2 перечислены характеристики с их математическими символами и соответствующими описаниями. Как правило, N ... обозначает переменные, которые можно посчитать, а F ... обозначает частоту определенных событий ежемесячно. Например,

=

где -- количество месяцев с даты основания стартапа. А, допустим, определяется как сумма средств, полученных стартапом за месяц в среднем. Пусть Z -- множество всех переменных, каждая из которых
? -- вектор, содержащий все характеристики стартапа , где L --количество переменных свойства.

Как модель вероятностных латентных признаков (PLF), мы также накладываем априорную вероятность по Гауссу на латентные факторы из уравнения 2, где , -- средние гауссовские векторы, а , -- гауссовские прецизионные матрицы, для U и V соответственно.

Далее формирование вывода в данной модели может быть сделано путем максимизации лог-постериорных показателей по латентным коэффициентам с фиксированными гиперпараметрами Щ, где:

И = {U, V, C, в}

Щ = {, , , , , , , }

Однако эти гиперпараметры часто трудно определить, чтобы обобщить модель должным образом, особенно из-за высокой неопределенности в разреженных и несбалансированных наборах данных [Salakhutdinov and Mnih 2008]. Поэтому, чтобы улучшить общность модели и количественно оценить неопределенность данных, мы используем полный байесовский вывод модели вероятностных латентных признаков (PLF) с использованием метода Монте Карло по схеме марковской цепи (MCMC), в частности, алгоритма выборки Гиббса.

Алгоритм выборки Гиббса циклически перебирает скрытые переменные (включая и И, и Щ), каждая из которых выбирается условно по текущим значениям всех других переменных. Чтобы сделать процесс выборки простым для реализации, мы дополнительно размещаем на Щ априорные числа Гаусса-Уишарта, которые сопряжены с гауссовым распределением И. В частности, мы получаем = {, } для и ? И = {U, V, C, в} и:

= {, } ? N (|)) · W ( |, ).

Здесь W -- распределение Уишарта с степенями свободы и масштабной матрицей K Ч K . Для удобства и симметрии в наших экспериментах мы определим, что = D, - идентифицирующая матрица, -- все нули и = 1. Таким образом, условное распределение определяется распределением Гаусса-Вишарта:

P (, | и = N (|) · W ( | ,).

Где обозначение |и | = M, N, S, M соответственно для и = U, V, C, в.

Теперь мы можем вывести условные распределения в циклической выборке Гиббса для и ? И = {U, V, C, в}.

Предположим, что мы оценили параметры модели вероятностных латентных признаков (PLF), теперь мы можем вычислить ожидаемое скрытое предпочтение в уравнении 2 для инвестора для стартапа :

= ,

где вычисляется с помощью в алгоритме выборки Гиббса. Затем для конкретного инвестора , мы можем отобрать стартапы V = {, , ..., } относительно значений в порядке убывания. Кандидаты вверху списка будут рекомендованы инвесторам.

2.2 Включение в модель критериев доходности и риска инвестиций

В традиционной рекомендационной задаче создание списка кандидатов на основе предпочтений или вкусов пользователей является исключительной целью. Но в нашей задаче рекомендация стартапов инвесторам, учитывающим исключительно их склонности, редко соответствуют их целям, которые в основном сводятся к максимизации финансовой отдачи при подавленных потенциальных рисках. Таким образом, в этом разделе мы оптимизируем ожидаемый доход и риск инвестиций с помощью современной теории портфеля, предложенной Вонгом [Wang, 2009].

В связи с этим предполагается, что это набор стартапов, рекомендуемый инвестору . Мы оптимизируем долю инвестиций для стартапа ? . При условии, что ? 0 и = 1, цель оптимизации -- максимизировать ожидаемый доход от инвестиций в стартапы, неподверженные риску:

= ? ,

где ф -- эвристический параметр, и

= E () = ,

= Var () = .

Необходимо обратить внимание, что незначительная корреляция между различными стартапами игнорируется. Переменная указывает на успех или провал стартапа ,

=

где j = 1, 2, ..., N. Для некоторых стартапов, у которых имеется неизвестный индикатор успеха или провала, их вероятности выхода будут оценены, в силу того, что они все еще являются частными. С этой целью мы обучаем прогнозную модель, используя свойства критериев из таблицы 2. В частности, мы используем ядерную регрессию, которая может определить нелинейные отношения между случайными величинами. Учитывая наблюдаемые стартапы , финансовая эффективность нового стартапа оценивается как [Guo et al., 2016]

r = ,

=

где параметр h (h > 0) называется «диапазоном частот», которая определяет соотношение локальной и удаленной информации, используемой в суммировании, а k -- это ядерная функция, которая, в нашем случае, задается как многомерная гауссова,

=

Использование ядерной регрессии имеет несколько преимуществ: это взвешенный нелинейный метод регрессии на основе примеров, сопровождаемый мерами неопределенности регрессии; он регрессирует метки классов, присваивая более высокие веса более похожим стартапам, управляемым настраиваемыми ядрами; параметр h в регрессии ядра может быть автоматически изучен на основе наблюдений.

Довольно просто использовать приведенное выше средневзвешенное значение результативности аналогичных стартапов, чтобы предсказать инвестиционную отдачу от нового стартапа. Однако для прогнозирования риска мы не можем принять такое средневзвешенное значение напрямую, так как значения риска прошлых стартапов не определены количественно. В результате мы количественно оцениваем инвестиционный риск нового стартапа через взвешенную дисперсию:

=

Таким образом, основываясь на разработанной модели мы можем детально представить наши экспериментальные результаты. Сначала мы представим наш тестовый набор данных из Crunchbase. Затем перечислим несколько базовых алгоритмов для сравнения производительности. Мы обобщим подробные условия проведения эксперимента, после чего оценим работоспособность предложенных нами и базовых алгоритмов.



Глава 3. Апробация разработанного подхода по отбору стартапов в портфель венчурного инвестора

3.1 Сравнение разработанной модели с базовыми моделями

В данной главе мы рассмотрим результаты проведенного анализа. Мы опишем данные, собранные с помощью ресурса Crunchbase. Затем перечислим несколько базовых алгоритмов и сравним результаты, полученные с их помощью. А также, оценим результативность предложенного нами метода и сравним его с базовыми алгоритмами.

Набор данных, используемый в нашей статье, взят из Crunchbase, самой полной в мире базы данных о деятельности стартапов. Есть несколько преимуществ использования этой базы данных по сравнению с другими альтернативами. Первое - это доступность. При условии ограничения частоты запросов API все представленные данные доступны и бесплатны. Во-вторых, он имеет различную информацию о финансировании, включая компании, людей, финансовые организации, этапы финансирования, приобретения, продукты, новостные статьи и так далее. В-третьих, он содержит большой объем данных, связанных с тематикой стартапов, поскольку люди могут совместно пополнять базу данного ресурса. Всё вышеперечисленное, однако, не может гарантировать качество данных из-за случайной генерации информации, что, следовательно, требует дальнейшей обработки данных и анализа.

В этой базе данных есть различные виды информации о стартапах, которые в основном разделены на две категории: основные характеристики стартапа и история инвестиций. В данных об основных характеристиках стартапа имя является единственным идентификатором для каждой компании. Местоположения офисов обозначаются в порядке страна - регион - штат - город. Также содержится информация об отрасли стартапа. Помимо этого, в наборе данных также содержатся подробные сведения о совете директоров и исполнительных органах компании, конкурентах, продуктах, информация о M&A сделках или выходе на IPO. Что касается данных об инвестициях, предоставлена информации о венчурных инвесторах, раундах финансирования, суммах финансирования в каждом раунде от каждого инвестора и так далее. Как правило, один стартап будет иметь несколько раундов финансирования. В каждом этапе участвуют несколько венчурных инвесторов, и каждый из них предоставляет определенную сумму денег, чтобы получился достаточный итоговый капитал для каждого этапа. В некоторых случаях один инвестор может удовлетворить потребность стартапа в финансировании, предоставив достаточную сумму. Наряду с информацией о сумме финансирования в наборе данных указывается дата закрытия этапов финансирования.

Мы используем данные из Crunchbase об около 33 000 инвесторов, 80 000 стартапов и 130 000 инвестиционных сделок. Нам необходимо предварительно обработать данные, чтобы очистить их для последующего анализа. Во-первых, набор данных охватывает стартапы и инвесторов по всему миру, 85% из которых находятся в США. Стартапы из США имеют более полную информацию по сравнению с теми, кто находится за ее пределами, мы ограничиваем объем данных только компаниями из США. Затем, мы сокращаем записи со слишком большим количеством пропущенных значений и сохраняем только тех инвесторов, которые заключили как минимум три инвестиционные сделки. В результате мы сократили объем данных до 1 320 венчурных инвесторов, 3 606 стартапов и 15 736 инвестиционных сделок. Соответствующая разреженность матрицы инвесторов и стартапов составляет 99%, что все еще является относительно высоким показателем.

Для экспериментов мы разделили нашу базу данных на обучающие, проверочные и тестовые выборки и оценили наши алгоритмы с разных точек зрения. Чтобы смоделировать реальный вариант использования, который должен рекомендовать стартапы для инвесторов в указанные даты, мы не можем напрямую принять традиционную схему перекрестной проверки наших временных данных. В противном случае информация о некоторых инвестициях на более поздних этапах могла бы использоваться в модели обучения для прогнозирования инвестиций на более ранних этапах, что противоречит действительности. Поэтому мы сортируем инвестиционные записи во временном порядке. Затем генерируются три пары обучающей контрольной выборки путем задания соотношения обучающей контрольной выборки 7:3, 8:2 и 9:1 соответственно. С другой стороны, тестовая выборка считается набором невидимых данных, используемых для оценки модели.

Предлагаемая нами модель основывается на Байесовской вероятностной модели латентных признаков и портфельной теории (BPLF+Портфель). Модель интегрируется с предпочтениями, с помощью байесовской вероятностной модели латентных признаков, описанной в параграфе 2.1 с точки зрения портфеля, с помощью оптимизации портфеля, описанном в параграфе 2.2. Мы сравним нашу модель с другими современными рекомендательными методами, учитывающими предпочтения инвестора в процессе принятия инвестиционных решений. Первый -- сингулярная векторная декомпозиция (SVD), которая является хорошо известным методом матричной факторизации, которая обеспечивает наилучшие аппроксимации нижнего ранга исходной матрицы [Adomavicius, Tuzhilin, 2005, с. 734][Sarwar et al., 2000]. Мы также рассмотрим алгоритм совместной фильтрации на основе элементов (ItemCF) для изучения различий в результативности рекомендательных [Sarwar et al., 2001, с. 285]. Кроме того, мы принимаем во внимание неотрицательную матричную факторизацию (NMF) и вероятностную матричную модель (PMF), которые нашли множество применений при рекомендации различных сценариев [Lee, Seung, 2001, с. 556] [Mnih, Salakhutdinov, 2008]. Кроме того, мы включили два несложных алгоритма: лучший инвестор (BestU) и лучший стартап (BestV). Говоря кратко, BestU рекомендует стартапы, получившие инвестиции от самого успешного венчурного инвестора, в то время как BestV рекомендует стартапы с самыми успешными показателями возврата инвестиций.

Мы оцениваем предложенный нами алгоритм, а также другие современные алгоритмы с разных точек зрения. Первый показатель -- это точность прогноза. Как упоминалось ранее, неявные инвестиционные склонности инвесторов к определенным стартапам количественно определяются объемом финансирования. Соответственно, мы используем среднюю квадратичную погрешность (RMSE) и среднюю абсолютную ошибку (MAE), чтобы измерить, насколько хорошо конкретный алгоритм предсказывает объем инвестиций от конкретного инвестора в конкретный стартап, определяемых следующим образом [Gunawardana, Shani, 2009]:

=

MAE =

где и обозначают наблюдаемое и прогнозируемое значения соответственно, а - количество всех тестовых показателей.

Таблица 3

Показатели RMSE и MAE для базовых алгоритмов и нашего алгоритма

	RMSE	MAE
Cингулярная векторная декомпозиция (SVD)	0,7574	0,5516
Алгоритм совместной фильтрации на основе элементов (ItemCF)	0,8426	0,6075
Неотрицательная матричная факторизацию (NMF)	0,6995	0,5376
Вероятностная матричная модель (PMF)	0,6774	0,5202
Байесовская вероятностная модель латентных признаков (BPLF)	0,6163	0,4592

Таблица 3 показывает результаты для всех алгоритмов. Можно заметить, что предлагаемый нами алгоритм (BPLF) дает лучшие общие показатели прогнозирования в отношении RMSE и MAE. Среди всех рассмотренных вариантов, алгоритм совместной фильтрации на основе элементов (ItemCF) представляет самые плохие показатели, так как использует только локальную информацию (наиболее похожие элементы). В BPLF процедура байесовской оценки объединяет такие параметры регуляризации, что приводит к меньшему переобучению и лучшей общности моделирования. Другими словами, путем усреднения по всем оценкам выборки, которые совместимы с данными, BPLF справляется с неопределенностью более эффективно, чем небайесовские альтернативы. NMF также дает низкую производительность по той причине, что неотрицательное ограничение не является оптимальным для объяснения наших данных, которые могут быть хорошо смоделированы с логнормальным распределением, как предложено в нашем методе.

Второй проблемой при оценке модели является эффективность алгоритма в рекомендации Top-K. Мы применяем часто используемые метрики рекомендаций, в том числе Precision@K, Recall@K и MAP (Mean Average Precision- метрика качества ранжирования) [Stone, 2014]. В нашем контексте, Precision@K, Recall@K и MAP определяются как [Manning et al., 2010]

,

,

,

где - это количество рекомендуемых стартапов, в которые действительно инвестируют, - количество стартапов появившихся в тестовой выборке, в которые инвестируют, и - это количество инвесторов в тестовой выборке. Кроме того, обозначает ранг стартапа в списке рекомендаций для инвестора. Таким образом, MAP интерпретируется как интегрированная средняя точность рекомендаций для каждого инвестора.

Кроме того, мы использовали нормализованный дисконтированный кумулятивный доход (NDCG) в качестве показателя оценки для измерения эффективности рекомендационных алгоритмов. В частности, дисконтированный совокупный доход (DCG@K) имеет вид

,

где - градуированная релевантность результата на позиции i. Соответственно, NDCG@K определяется как

,

где IDCG_K - это идеальный DCG_K .

Таблица 4. Сравнение точности прогнозирования базовых алгоритмов и нашего алгоритма

	Prec@1	Prec@5	Prec@10	Rec@1	Rec@5	Rec@10
Cингулярная векторная декомпозиция (SVD)	0,0012	0,0005	0,006	0,0012	0,0013	0,0031
Алгоритм совместной фильтрации на основе элементов (ItemCF)	0,0012	0,0009	0,0008	0,0002	0,0011	0,0020
Неотрицательная матричная факторизацию (NMF)	0,0012	0,0002	0,0002	0,0001	0,0001	0,0001
Вероятностная матричная модель (PMF)	0,0000	0,0005	0,0002	0,0000	0,0008	0,0008
Лучший инвестор (BestU)	0,0000	0,0021	0,0012	0,0000	0,0029	0,0029
Лучший стартап (BestV).	0,0000	0,0000	0,0005	0,0000	0,0000	0,0030
Портфель (Portfolio)	0,0000	0,0021	0,0011	0,0000	0,0029	0,0029
Байесовская вероятностная модель латентных признаков (BPLF)	0,0023	0,0035	0,0032	0,0004	0,0042	0,0083

Таблица 5

и базовых алгоритмов и нашего алгоритма

Cингулярная векторная декомпозиция (SVD)	0,0030	0,1156
Алгоритм совместной фильтрации на основе элементов (ItemCF)	0,0024	0,1178
Неотрицательная матричная факторизацию (NMF)	0,0012	0,1107
Вероятностная матричная модель (PMF)	0,0017	0,1136
Лучший инвестор (BestU)	0,0036	0,1234
Лучший стартап (BestV).	0,0030	0,1236
Портфель (Portfolio)	0,0029	0,1181
Байесовская вероятностная модель латентных признаков (BPLF)	0,0053	0,1239

Необходимо обратить внимание, что в данных расчетах мы сконцентрировались на оценке способности алгоритма рекомендовать стартапы, не привлекающие инвестиции ранее. В таблице 4 перечислены показатели точности рекомендации top-k по каждому алгоритму. Из результатов мы видим, что наш метод BPLF превосходит другие базовые алгоритмы со значительным отрывом. SVD, NMF, ItemCF и PMF работают намного хуже по сравнению с BPLF по той причине, что они отслеживают только инвестиции в стартапы, в то время как предлагаемая нами модель BPLF учитывает дополнительную информацию. В таблице 5 представлены показатели MAP и NDCG для всех моделей. Общие результаты показывают, что наша модель может лучше охарактеризовать процесс принятия решений инвесторами.

Для сравнения, в таблицах 4 и 5 мы дополнительно включили два возвратно-ориентированных алгоритма, BestU и BestV, а также один портфельный алгоритм. Мы можем видеть, что эти алгоритмы работают немного лучше по сравнению с другими алгоритмами без портфеля, что может означать, что выбор потенциально высокодоходных стартапов частично соответствует предпочтениям инвесторов в принятии инвестиционных решений. Однако по сравнению с нашей моделью BPLF с расширенным контекстом, в них безусловно наблюдаются недостатки в объяснении инвестиционных предпочтений инвесторов.

3.2 Оценка влияния доходности и риска инвестиций и дополнительных свойств стартапов на принятие решений венчурным инвестором

Чтобы лучше понять склонности венчурных инвесторов к различным свойствам стартапов на этапе оценки инвестиционных сделок, в этом разделе мы изучим оценочное значение в. В таблице 6 приведены оценочные значения в при всех значениях выборки Гиббса.

Таблица 6. Распределение склонности инвестора к свойствам стартапа

Обозначение	Описание	в
	Количество приобретений	-0,0024
	Частота приобретений	-0,0352
	Количество этапов финансирования	0,0050
	Ежемесячная сумма финансирования	0,0200
	Количество учредителей	-0,0011
	Количество ушедших участников	0,0045
	Частота ухода участников	0,0060
	Частота новостей в СМИ	0,0147
	Количество инвесторов	0,0044
	Количество наемных сотрудников	0,0036
	Количество конкурентов	0,0151
	Количество продуктов	0,0024

Мы выделяем несколько интересных результатов. В какой-то момент
представляется наиболее важным фактором для принятия решений инвесторами. Наблюдение обоснованно, поскольку средняя ежемесячная сумма финансирования, полученная стартапом, играет существенную роль в успешном функционировании стартапа.

, по-видимому, является наименее решающим аспектом в оценке инвестиционных сделок. С одной стороны, если деятельность по приобретению будет слишком агрессивной, это может повредить денежным потокам стартапа. С другой стороны, не многие стартапы имеют записи о приобретениях, что приводит к значительной части пропущенных значений, что делает этот показатель достаточно правдоподобным. Интересно, что коэффициент оказывает меньшее влияние на решение инвесторов, поскольку его соответствующий параметр близок к 0. Это разумно, поскольку обычно развитие стартапа зависит больше от возможностей его основателей, а не от их количества. Можно также сказать, что положительно влияет на решение инвесторов. Очевидно, что более частое упоминание в средствах массовой информации может быть предпосылкой роста стартапа.

...