挑选赢家：一种数据驱动的质量评估方法

相似文件 换一批

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：
《Picking Winners: A Data Driven Approach to Evaluating the Quality of
  Startup Companies》
---
作者：
David Scott Hunter, Ajay Saini, Tauhid Zaman
---
最新提交年份：
2018
---
英文摘要：
  We consider the problem of evaluating the quality of startup companies. This can be quite challenging due to the rarity of successful startup companies and the complexity of factors which impact such success. In this work we collect data on tens of thousands of startup companies, their performance, the backgrounds of their founders, and their investors. We develop a novel model for the success of a startup company based on the first passage time of a Brownian motion. The drift and diffusion of the Brownian motion associated with a startup company are a function of features based its sector, founders, and initial investors. All features are calculated using our massive dataset. Using a Bayesian approach, we are able to obtain quantitative insights about the features of successful startup companies from our model.   To test the performance of our model, we use it to build a portfolio of companies where the goal is to maximize the probability of having at least one company achieve an exit (IPO or acquisition), which we refer to as winning. This $\\textit{picking winners}$ framework is very general and can be used to model many problems with low probability, high reward outcomes, such as pharmaceutical companies choosing drugs to develop or studios selecting movies to produce. We frame the construction of a picking winners portfolio as a combinatorial optimization problem and show that a greedy solution has strong performance guarantees. We apply the picking winners framework to the problem of choosing a portfolio of startup companies. Using our model for the exit probabilities, we are able to construct out of sample portfolios which achieve exit rates as high as 60%, which is nearly double that of top venture capital firms.
---
中文摘要：
我们考虑了评估初创公司质量的问题。由于成功创业公司的罕见性以及影响此类成功的因素的复杂性，这可能是相当具有挑战性的。在这项工作中，我们收集了数万家初创公司的数据、他们的业绩、他们创始人的背景以及他们的投资者。我们基于布朗运动的首次通过时间，建立了一个新的创业公司成功的模型。与初创公司相关的布朗运动的漂移和扩散是基于其部门、创始人和初始投资者的特征的函数。所有特征都是使用我们的海量数据集计算的。使用贝叶斯方法，我们能够从我们的模型中获得关于成功创业公司特征的定量见解。为了测试我们模型的性能，我们使用它来构建一个公司投资组合，目标是最大限度地提高至少一家公司实现退出（IPO或收购）的可能性，我们称之为获胜。这个$\\textit{挑选赢家}$框架非常通用，可用于模拟许多低概率、高回报结果的问题，例如制药公司选择开发药物或制片厂选择制作电影。我们将挑选赢家投资组合的构建作为一个组合优化问题，并证明贪婪解具有很强的性能保证。我们将挑选赢家框架应用于选择初创公司投资组合的问题。使用我们的退出概率模型，我们能够构建出样本投资组合，其退出率高达60%，几乎是顶级风险投资公司的两倍。
---
分类信息：

一级分类：Statistics        统计学
二级分类：Applications        应用程序
分类描述：Biology, Education, Epidemiology, Engineering, Environmental Sciences, Medical, Physical Sciences, Quality Control, Social Sciences
生物学，教育学，流行病学，工程学，环境科学，医学，物理科学，质量控制，社会科学
--
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
--

---
PDF下载：
--> Picking_Winners:_A_Data_Driven_Approach_to_Evaluating_the_Quality_of_Startup_Companies.pdf (6.12 MB)

2022-6-23 16:23:32 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：Quantitative Applications Optimization Construction epidemiology

挑选赢家：评估初创公司质量的数据驱动方法David Scott Hunterooperations Research Center，麻省理工学院，剑桥，MA 02139，dshunter@mit.eduAjay马萨诸塞理工学院电子工程与计算机科学系，马萨诸塞州剑桥，邮编02139，ajays235@mit.eduTauhid马萨诸塞州剑桥市麻省理工学院斯隆管理学院运营管理部，邮编：02139，zlisto@mit.eduWe考虑一下评估初创公司质量的问题。由于成功的初创公司数量稀少，影响此类成功的因素也很复杂，这可能是一个相当具有挑战性的问题。在这项工作中，我们收集了数万家初创公司的数据、他们的业绩、他们创始人的背景以及他们的投资者。我们根据布朗运动的首次通过时间，开发了一个创业公司成功的新模型。与初创公司相关的布朗运动的转移和扩散是基于其行业、创始人和初始投资者的特征的函数。所有特征都是使用我们的海量数据集计算的。使用贝叶斯方法，我们能够从我们的模型中获得关于成功创业公司特征的定量见解。为了测试我们模型的性能，我们使用它来构建一个公司投资组合，目标是使至少一家公司实现退出（IPO或收购）的可能性最大化，我们称之为获胜。这个挑选赢家的框架非常通用，可以用来模拟许多低概率、高回报的问题，例如制药公司选择开发药物或制片厂选择制作电影。

我们将挑选赢家投资组合的构建框架化为一个组合优化问题，并证明贪婪解具有很强的性能保证。我们将挑选赢家框架应用于选择初创公司投资组合的问题。使用我们的退出概率模型，我们能够构建出样本投资组合，其退出率高达60%，几乎是顶级风险投资公司的两倍。关键词：组合优化，统计学，初创公司，随机模型，投资组合优化历史：1。创业中的一个重要问题是评估创业公司的质量。众所周知，由于各种原因，这个问题极具挑战性。首先，成功的公司很少见，所以没有太多可以研究的公司来辨别成功的模式。其次，在一家初创公司成立时，没有太多可用的数据。通常情况下，人们只知道公司的基本信息，公司运营的部门或市场，以及初始投资者的身份。这不是先验的clearHunter、Saini和Zaman：如果这些原始数据足以让人们衡量一家初创公司的质量或预测它是否会成功，那么这就是赢家。第三，如何对初创公司的发展进行建模以及如何使用该模型来衡量其质量尚不清楚。第四，我们需要一种有原则的方法来测试任何初创公司模式或质量衡量标准的有效性。风险投资公司面临着评估创业公司质量的问题。这些公司花费大量时间和资源筛选和选择初创公司交易（Da Rin等人，2011年，Metrick和Yasuda，2011年，Sahlman，1990年）。

尤其是，企业采取亲身实践的方式进行投资，评估每项投资背后的吸引力和风险，并考虑相关因素，包括相对市场规模、战略、技术、客户采纳、竞争以及管理团队的质量和经验。投资筛选过程通常是一个彻底而密集的过程，可能需要几个月的时间。如果风险投资公司有一个量化模型，可以对大量潜在交易的质量进行初步评估，那么他们可以极大地改进投资流程。他们可以使用这样一个模型来确定优先顺序，并更有效地分配人力资源，以评估不同的交易。虽然风险投资公司仍然占早期创业投资者的绝大多数，但随着《Jumpstart-Our Business startups（JOBS）Act》（2012年国会）的制定和通过，美国的日常投资者现在可以获得早期投资机会。在这项政策改变之前，只有某些合格的投资者被允许在大多数私人公司中持有股权。随着这项政策的采用，现在有许多公司，如FlashFunders和NextSeed（FlashFunders 2018，NextSeed 2018），帮助日常投资者发现并参与创业投资机会。虽然这些网站提供了一些有关感兴趣的初创公司的相关信息，但这些网站的用户无法像风险投资公司那样直接访问该公司。因此，他们通常没有执行彻底而密集的选择过程所需的信息。有人预计，这些投资机会的成功率将低于风险资本支持的初创公司。

这意味着需要对创业公司质量进行量化衡量，这可以从公开可用的数据中得出。这些措施有助于公平竞争，并为日常投资者提供动力。从运营的角度来验证创业公司质量模型是很有用的。这种模式将是风险投资公司或其他投资者建立初创公司投资组合过程的一部分。因此，模型的运营价值在于其产生成功投资组合的能力。在初创公司的典型投资组合中，少数表现强劲的公司负责大部分回报（Peters 2014）。如果创业公司退出，可能会产生过高的回报，这意味着他们要么被收购，要么进行首次公开募股（IPO）。例如，2004年，彼得·蒂尔（Peter Thiel）投资50万美元购买了该公司10%的股份，2012年，他以10亿美元的价格出售了这些股份，从而实现了2000倍于其初始投资的回报（Julianne Pepitone和Stacy Cowley，2012）。Hunter、Saini和Zaman：WinningIn general，一家初创公司的投资者将亏损，除非该公司退出，我们称之为赢家。因为一个投资组合只需要少数赢家，所以建立投资组合的一种方法是选择至少有一个赢家的可能性最大的公司。我们将此称为“Picking winners”问题。除了建立初创公司的投资组合外，该框架还可用于模拟各种低概率、高回报结构的问题。例如，制药公司开发的大多数新药都失败了。然而，有些药物成功的可能性很小，至少有一种中奖药物就足以让一家公司获得成功。再举一个例子，考虑一个工作室，它必须选择一组电影来制作。

如果他们能制作一部大片，这个工作室就会成功。在这些例子中，解决问题的一种方法是选择一个项目组合（药物、电影、初创公司），以最大限度地提高其中至少一个项目具有优异表现或“获胜”的可能性。1.1. 我们的贡献在这项工作中，我们提出了一种数据驱动的方法来评估初创公司的质量。我们的结果对风险投资公司尤其有用，因为风险投资公司在做出投资决策之前可能需要分析数千家初创公司。我们提供了一种量化初创公司质量的方法。我们的工作包括一个关于初创公司的大型综合数据集，一个新的发展模型，以及验证我们模型的新方法。我们的第一项贡献是收集和分析数千家公司的海量数据集。这些数据包括公司的融资日期、投资者以及创始人的详细职业和教育历史。对这些数据的探索性分析揭示了创业公司融资轮进展的有趣特性以及影响其成功的因素。我们的第二个贡献是一个创业公司融资循环演变的模型。该模型描述了一个使用布朗运动的初创公司，该运动具有依赖于公司的漂移和扩散。布朗运动在不同级别的首次通过时间对应于初创公司获得新一轮融资，最高级别对应于公司退出。我们的模型的一个有用特性是，它自然地包含了由于观测时间有限而发生的审查。Wee使用贝叶斯方法估计模型参数。

这使我们能够对影响公司成功的特性进行统计分析。我们的最终贡献是通过挑选赢家投资组合来验证我们的模型。我们使用基于过去数据的模型估计结果为未来几年构建此类投资组合。我们发现，我们的投资组合实现了高达60%的收益率。我们投资组合的业绩超过了顶级风险投资公司。这不仅为我们的模型提供了支持的证据，而且还证明了其对投资决策的潜在操作效用。本文其余部分的结构如下。我们从第2节的文献回顾开始。我们在第3节中对我们的创业公司数据进行了探索性分析。在第4节中，我们介绍了Hunter、Saini和Zaman：创业资金的Winningour布朗运动模型。我们开发了核心模型第5节的贝叶斯公式。在第5.4节中，我们讨论了模型的估计。我们研究了从第6节的评估结果中获得的见解。在第7节中，我们阐述了挑选赢家问题，并讨论了它的一些理论性质以及与子模块优化和对数最优投资组合的关系。我们根据第8节中的模型展示了挑选赢家投资组合的绩效。我们总结第9节。附录中包含了所有证据以及有关数据、模型公式和模型估计的更详细信息。2、文献综述已有多项研究采用定量方法确定哪些因素与初创公司的成功相关。波特和斯特恩（2001）认为，地理位置是创新活动成功的重要因素。

（Guzman和Stern 2015b）和（Guzman和Stern 2015a）中的工作使用logit模型根据公司名称、专利和注册等特征预测创业成功，然后使用该模型评估地理位置的创业质量。在（Azoulay et al.2018）中发现，成功的企业家通常年龄较大。Eesley等人（2014年）发现，创始团队的组成对初创公司的最终业绩有影响。特别是，这项研究发现，多元化程度越高的团队往往表现出更高的绩效，而更高的绩效是通过退出率来衡量的。此外，研究人员还考虑了创业成功与创始人在社交网络中的关系（Nann等人，2010）。另一项研究（Gloor等人，2011年）考虑了创业者的电子邮件流量和社交网络连通性如何与创业成功相关。在Marmer等人（2011年）的研究中，研究人员研究了硅谷创业公司的创始人如何影响公司的成功，发现创始人学习和适应新环境的能力对公司的成功至关重要。在（Xiang et al.2012）中，作者使用新闻文章的主题建模来预测并购。Nanda等人（2017年）发现，风险投资公司的成功投资增加了未来投资成功的可能性。（Bhakdi 2013）研究了建立初创公司投资组合的问题，其中使用了基于模拟的方法来正确构建早期初创公司的投资组合，以调整市场波动性。在私营部门，一些风险投资公司一直在采用分析工具来协助投资过程。众所周知，Alphabet，Inc.旗下的风险投资子公司Google Ventures（Google 2018）使用定量算法帮助做出投资决策（Kardashian 2015）。

SocialCapital（SocialCapital 2018）是一家风险投资公司，拥有一项名为“资本即服务”的服务，该服务根据公司的数据做出投资决策（Carroll 2017）。Correlation Ventures（Correlation Ventures 2018）是一家管理资金超过3.5亿美元的风险投资公司，它使用预测模型做出创业公司投资决策。它要求初创公司提交五份规划、财务和法律文件，做出投资决定只需两周时间，而且从不需要管理亨特（administrativeHunter）、塞尼（Saini）和扎曼（Zaman）：赢得董事会席位。有趣的是，Correlation Ventures只接受共同投资机会，并免除了一级投资者的一些审查（Leber 2012）。关于挑选优胜者的问题，有大量的研究。这个问题与各种集合覆盖问题之间有着天然的联系。在一个区域放置固定数量的传感器以尽可能快地检测某些信号是一个问题。这已针对水网（Leskovec et al.2007）和一般空间区域（Guestrin et al.2005）进行了研究。在信息检索中，从大型语料库中选择一组文档以涵盖感兴趣的主题也存在一个问题（Agrawalet al.2009，Chen and Karger 2006，El Arini et al.2009，Swaminathan et al.2009）。另一个相关的问题是，在社交网络中选择一组用户来传播一条信息，以便在社交传播过程中最大限度地扩大信息传播到的人数（Kempe et al.2003）。另一种看待这个问题的方法是，人们希望消息到达网络中的某个目标用户，但并不确切知道该用户是谁，因此试图覆盖尽可能多的网络。

可以将传感器、文档或种子用户视为投资组合中的项目，获胜意味着其中一个传感器检测到信号，其中一个文档涉及相关主题，或者其中一个种子用户能够将消息传播给未知的目标用户。挑选优胜者和这些覆盖问题之间的相似性具有重要的意义。这些覆盖问题中的目标函数是子模块，最大化它们被称为NPhard（Karp 1975）。挑选优胜者的问题也是如此。子模性质很重要，因为它意味着贪婪解的性能有一个下界（Nemhauser et al.1978）。这一事实，再加上计算贪婪解的简单性，促使我们使用agreedy方法来选择赢家。在挑选优胜者的问题和传统的portfolioconstruction方法之间也有着有趣的联系。例如，如果项目具有二元回报，即回报要么很高，要么很低，那么挑选赢家问题中的最优投资组合与所谓的对数最优投资组合之间存在着惊人的相似性（封面1991）。事实上，我们在第7节中表明，当存在独立性时，投资组合是等价的，并且在某些条件下，选择赢家的投资组合会产生对数最优投资组合选择问题的强解。3、数据分析我们收集了大量有关创业公司业绩和特点的相关数据。对于每家公司，我们获得的数据分为两类：达到不同融资周期的时间以及与行业、投资者和领导层相关的特征。我们从三个不同的来源获得数据。第一个是Crunchbase（Crunchbase 2018），这是一个初创公司的公共数据库。