天使和风险投资的合作方法

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《A Collaborative Approach to Angel and Venture Capital Investment
  Recommendations》
---
作者：
Xinyi Liu and Artit Wangperawong
---
最新提交年份：
2018
---
英文摘要：
  Matrix factorization was used to generate investment recommendations for investors. An iterative conjugate gradient method was used to optimize the regularized squared-error loss function. The number of latent factors, number of iterations, and regularization values were explored. Overfitting can be addressed by either early stopping or regularization parameter tuning. The model achieved the highest average prediction accuracy of 13.3%. With a similar model, the same dataset was used to generate investor recommendations for companies undergoing fundraising, which achieved highest prediction accuracy of 11.1%.
---
中文摘要：
矩阵分解用于为投资者生成投资建议。采用迭代共轭梯度法优化正则化的平方误差损失函数。探讨了潜在因素的数量、迭代次数和正则化值。可以通过提前停止或正则化参数调整来解决过拟合问题。该模型的平均预测精度最高，为13.3%。在一个类似的模型中，使用相同的数据集为正在筹款的公司生成投资者建议，预测准确率最高，为11.1%。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类：Computer Science        计算机科学
二级分类：Information Retrieval        信息检索
分类描述：Covers indexing, dictionaries, retrieval, content and analysis. Roughly includes material in ACM Subject Classes H.3.0, H.3.1, H.3.2, H.3.3, and H.3.4.
涵盖索引，字典，检索，内容和分析。大致包括ACM主题课程H.3.0、H.3.1、H.3.2、H.3.3和H.3.4中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> A_Collaborative_Approach_to_Angel_and_Venture_Capital_Investment_Recommendations.pdf (286.15 KB)

2022-6-10 08:00:08 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：风险投资 Quantitative Applications Optimization QUANTITATIV

!天使和风险资本投资建议的合作方法刘欣怡*和Artit Wangperawong*美国纽约州纽约市纽约大学。应向其发送信函；电子邮件：xl2351@nyu.edu, xinyiliu0227@gmail.com摘要矩阵分解用于为投资者生成投资建议。采用迭代共轭梯度法优化正则化的平方误差损失函数。探讨了潜在因素的数量、迭代次数和正则化值。可以通过提前停止或正则化参数调整来解决过拟合问题。该模型的平均预测精度最高，为13.3%。在一个类似的模型中，使用相同的数据集为正在筹款的公司生成投资者建议，预测准确率最高，为11.1%。关键词：金融、风险投资、协同过滤、矩阵分解、交替最小二乘1。简介由于公众往往无法获得有关私营公司，尤其是初创公司的详细信息，天使和风险投资（VC）投资者将不得不花费大量时间和资源来发现新的投资公司。对于初创企业的评估，研究人员花了大量时间进行问卷调查和访谈，以获得必要的数据。另一方面，研究还发现，财务信息在风险投资公司选择投资的方式中并不起主要作用[2]，因为早期风险投资通常无法提供传统估值技术所需的成熟财务数据[3]，这使得天使和风险投资商更难缩小潜在选择的范围。

很多时候，投资者依赖于他们与公司现任投资者或融资轮主要投资者的关系，从而限制了他们的投资选择。投资者还可以更成功地投资于能够利用其网络和资源的公司。因此，成功的投资线索不一定是最受欢迎的初创公司，因为投资者可能没有机会参与此类交易。在这里，我们提供了一种筛选潜在投资选项的方法，供投资者进行调查，以便他们能够更有效地将时间和资源花在他们有更大潜力达成交易的公司上。1.1应用投资个人或公司往往有一个投资论文，该论文规定了其投资活动的范围[6]。例如，专注于少数特定行业或地理位置的投资者可能更喜欢相同的公司[7]。投资者也可以投资那些可以对冲其投资组合风险的公司。即使对投资一家公司没有明确的理由，一个投资者是否投资的决定仍然可以提供积极或消极的信号，影响其他投资者的决定。因此，我们开发了一个模型，而不依赖于详细的财务分析来推荐给定投资者的潜在投资目标，这是基于其他行为类似的投资者所投资的。这种方法可以捕获投资者的直接或间接投资网络。1.2协同过滤协同过滤是一种常用的技术，涉及机器学习算法，根据系统中用户的观看偏好生成电影推荐【10】。

在多组协同过滤算法中，我们使用了基于交替最小二乘（ALS）优化方法的矩阵分解（MF）或矩阵分解。用户评级矩阵由分别代表用户和电影的行和列组成，可以分解为两个矩阵的乘积，以预测未知值。在我们的例子中，我们对矩阵进行了分解M 这表示投资者i 投资于一家公司c, 其中矩阵元素M 是：m%&=1)if)i)invested)in)c0)if)i)did) not)in ve st)in)c         （方程1）转化为代表投资者的因子矩阵和代表公司的因子矩阵的乘积。对于FactoryMatrixX 代表公司，每行x%)包含有关公司的最新因素，而对于因素矩阵Y) 针对每一行的投资者y&) 有关投资者的所有因素。！！图1：。投资者和公司的矩阵分解图。为了便于说明，行y& 矩阵的Y 显示为的列Y7.2.  在这里，我们讨论了2013年Crunchbase的数据集如何应用协同过滤【11】。该数据集包含21417家公司和16946名投资者，共进行了80245项投资，包括投资者在同一家公司的重复投资。在我们的模型中，我们发现，同一投资者对同一家公司的多项投资的会计核算并不能提高准确性，这可能是由于风险资本有义务缓解信号问题的后续投资实践所致【12】。因此，我们只使用唯一的投资者-公司对，从数据集中删除重复项。

除了向投资者推荐公司外，我们还可以使用相同的数据集，通过转换矩阵向公司推荐投资者M 并将其分解为代表投资者的矩阵和代表公司的矩阵的乘积。2.1损失函数用于ALS的损失函数为L = ) m%&- x%7.y&:%, &+ )λ x%:%+ ) y&:& （方程2），其中该函数的第一部分是平方误差之和，第二部分是解决过拟合的正则化项【13】。每次迭代都基于交替最小化上述损失函数X 和Y. 第一X 和Y 根据投资者、公司和潜在因素的数量随机初始化。X   更新时已修复Y   使用共轭梯度法的三个步骤，然后Y 更新时已修复X  采用三步共轭梯度法。我们可以认为，当X  和Y  在后续迭代中可以忽略不计。最后，我们可以根据价值观对建议进行排名m%&   预测矩阵的M   对应于m%&= 输入矩阵中的0M. 给定条目中由指定的值m%& 反映投资者推荐的力度i 投资公司c.2.2准确性虽然许多涉及矩阵分解的著名研究（如Netflix prize competitors）比较了基于MAE或RMSE的绩效【14-16】，但在此，我们使用测试准确性作为我们模型有效性的一个更相关指标，以MSE（即训练损失）作为补充。

我们的目标是最大限度地提高对每对投资者-公司进行二元分类的预测能力。为了计算准确度，我们从随机抽样的10%投资过两次或两次以上的投资者中随机隐藏了一项投资。这些隐藏的投资可以被视为测试数据。我们希望确保每个投资者都有足够的投资历史，以便我们为其提供建议。如果隐藏投资出现在为投资者提供的前十大投资建议中，则认为预测是正确的。因此，精度计算如下：Accuracy =BCDDE%F）GDEH&%F&CIJK&HHEI）和ILEJFMEIFJ（方程3）我们报告的预测精度是50次试验的平均值。2.3训练为了确定最佳迭代次数和潜在因素，我们首先调整迭代次数以查看最佳迭代次数，然后调整最近因素的数量以获得最高的预测精度。笔记虽然下文报告了训练数据集的损失，但预测精度基于如上所述的测试数据集。结果和讨论图2。（a-d）向投资者推荐公司，（e-f）向公司推荐投资者。（a） 在1400个潜在因素和λ =)超过2次迭代后，虽然训练损失不断减少，但精度不会进一步提高。（b） 之间的精度比较λ = 0 ,   λ = )1和λ = )2在1400个潜在因素。除了四次迭代之外，增加正则化可以通过迭代更显著地提高精度。（c） 在1000个潜在因子和8次迭代时，正则化对精度的影响。

对于1400个潜在因素和5次迭代，使用λ = 2.5. （d） 潜在因素对2次迭代和λ = 在2400个潜在因素中，最高准确率为13.3%。然而，超过2200个潜在因素产生了可比的准确度。（e） 哦！在1400个潜在因素下迭代对精度的影响和）λ = 超过2次迭代，精度不会进一步提高，而训练损失会不断减少。（f） 潜在因素对2次迭代精度的影响。用1300个潜在因子获得了最高的准确率，约为11.1%。！！在具有4核和16 GB RAM的2.7 GHz Intel core i7上，对于1400个潜在因子，每次迭代大约需要8秒，对于2400个潜在因子，每次迭代最多需要40秒。培训是在多个核心上并行进行的。如图2（a）所示，随着迭代次数的增加，精度和训练损失在2次迭代后都会降低，而训练损失率也会显著降低。这些结果表明，经过两次迭代后，模型拟合过度。虽然提前停止可以解决拟合过度的问题[17]，但在生产部署中，提前停止的峰值可能会有所不同，很容易错过。因此，正则化可以作为一个参数，以更重复地解决过拟合问题，从而在实践中产生更高的测试精度。例如，图2（b）显示λ = 1.0精度在3次和6次迭代之间具有可比性，因此提供了具有一定稳定裕度的操作范围。为了观察增加正则化参数是否可能在更高的迭代次数下提高预测精度，我们改变了λ)在5次迭代中（图2（c））。看来λ > 2.5只会导致较低的精度。

尽管能够规范化模型，但提前停止可能仍然是减少训练计算成本的有效方法。因此，在图2（d）中，我们改变了潜在因素的数量，以找到在两次迭代中获得最高精度的最佳数量。然而，应注意的是，由于计算中涉及的矩阵较大，增加潜在因素的数量会增加计算成本。！因此，提前停止和大量潜在因素的组合可以在准确性和训练计算成本之间提供最佳的权衡。下表1列出了一些公司对投资者的建议示例。出于对投资者隐私的尊重，我们不披露投资者姓名，尽管数据库中有相关信息。表1：。匿名投资者的正确预测示例。第二行包括预测前的已知投资。投资者AInvestor BInvestor CCreditPing。comAwesom ness tvdramafeversquarechallengepostozi GroupLivestream4INFOTopixWanderful mediatublarfluidinfoongoour模型向投资者A推荐管状体，投资者A是投资种子轮的个人天使投资者。这一建议很有意义，因为投资者A通过其投资AwesomenessTV和DramaFever对数字媒体行业表现出了兴趣，这两家公司都是视频平台。Turbular提供视频智能软件，可优化视频平台的内容和营销策略。此外，由于投资者A位于大洛杉矶地区，他似乎是加利福尼亚州投资的首选。信用评级。com和AwesomenessTV都位于加利福尼亚州，而DramaFever有一家位于加利福尼亚州的母公司华纳兄弟公司。

Turbular也在加利福尼亚州。此外，AwesomenessTV是Turbular的客户之一，这表明AwesomenessTV和Turbular之间的关系可能是投资者a能够利用的。在第二个示例中，我们的模型推荐FluidInfo投资者B，另一个个人种子投资者。在这种情况下，已知的两项投资Square和ChallengePost分别位于不同的行业（支付处理和软件招聘）和地点（旧金山和纽约）。因此，投资者B名义上似乎没有行业或地理偏好。对这三家公司的简要回顾表明，除了投资者B之外，他们都拥有另一个共同的投资者。这表明投资者可能会根据他们的网络或其他利益追随其他投资者。在最后一个例子中，投资者C是一家媒体控股公司。基于对Cozi Group、Livestream、4INFO、Topix和Wanderful Media的投资，投资者希望专注于互联网媒体投资。4INFO是一家为消费者收集数据并跟踪MobileAdvertision的公司。Cozi Group帮助家庭组织日历，同时提供针对现代家庭的物品和食谱。Topix最初是新闻故事的集合体，现在致力于内容创作。因此，不足为奇的是，该模型推荐Ongo作为投资者C的其他投资，Ongo是一家还为可信新闻品牌的内容使用者提供服务的公司。我们还转置了矩阵M 并执行了相同的培训过程，以获得公司推荐投资者的准确性。与之前一样，发现两次迭代最适合此模型（图2（e））。

在两次迭代中，潜在因素的数量对预测精度的影响不同于上述先前模型。如图2（f）所示，将延迟因子的数量增加到1300个以上似乎只会降低精度。该模型可能有助于公司在为其企业融资时寻找投资者。如前所述，我们的推荐投资模型可以捕捉各种类型的投资，例如地理、行业、关系等。它还可以向公司推荐投资者。通过向训练集中添加更多数据，可以提高准确性。例如，我们可以通过2013年后的投资进一步改善培训。获取每个投资者的投资量数据，以获取投资强度，并生成一个不完全基于二进制值的模型，也可能很有用。集团投资，例如银团和融资回合，可能是一个额外的因素，因为同时投资同一家公司可能更好地被视为对模型的不同信号。！！4、结论我们在这项工作中证明，协同过滤可以用于预测天使和风险投资投资者的投资。虽然我们不寻求量化或支持此类投资的任何回报或盈利能力，但所提供的框架可用于向投资者推荐相关公司，反之亦然。Crunchbase和AngelList等投资平台可以为用户提供更相关的内容。投资者和正在进行投资和筹资的公司可以缩小其前景，以节省时间和成本。参考文献【1】Davila，A.，&Foster，G.（2005）。管理会计系统采用决策：早期/初创公司的证据和绩效影响。