Socialinės žiniasklaidos ir makroekonominių veiksnių panaudojimas startuolių vertinimuose
Nuorodų lentelė
Santrauka ir 1. Įvadas
2 Susiję darbai
3 Duomenų rinkinio apžvalga, išankstinis apdorojimas ir funkcijos
3.1 sėkmingų įmonių duomenų rinkinys ir 3.2 nesėkmingų įmonių duomenų rinkinys
3.3 Savybės
4 modelio mokymas, vertinimas ir portfelio modeliavimas ir 4.1 atgalinis testas
4.2 Atgalinio patikrinimo nustatymai
4.3 Rezultatai
4.4 Kapitalo augimas
5 Kiti būdai
5.1 Investuotojų reitingavimo modelis
5.2 Steigėjų reitingavimo modelis ir 5.3 Vienaragio rekomendacinis modelis
6 Išvada
7 Tolesni tyrimai, literatūros sąrašas ir priedas
7 Tolesni tyrimai
Kalbant apie tolesnį darbą, perspektyvi kryptis yra įvairių šaltinių tekstinių duomenų apie įmones, steigėjus ir investuotojus naudojimas. Tai gali apimti socialinės žiniasklaidos platformų, tokių kaip „Twitter“ ir „LinkedIn“, panaudojimą, taip pat pačių įmonių svetainių analizavimą.
Be to, gali būti verta pakoreguoti įkūrimo datos filtrą, įtraukiant įmones, įkurtas 1995 m., o ne dabartinę pradžios datą 2000-01-01. Tačiau tai gali sukelti įmonių antplūdį iš „dotcom burbulo“ laikotarpio.
Dabartiniai griežti filtrai, naudojami sėkmingoms įmonėms nustatyti (IPO/ACQ/UNICORN), taip pat galėtų būti atlaisvinti, kad potencialiai būtų galima užfiksuoti daugiau įmonių „pilkojoje zonoje“ tarp sėkmės ir nesėkmės.
Galiausiai, atsižvelgiant į portfelio dydį, gali būti verta atlikti eksperimentus, siekiant nustatyti optimalią ribinę vertę įmonėms įtraukti į portfelį.
Šios papildomos užduotys gali suteikti vertingų įžvalgų ir padidinti AI investuotojo atgalinio patikrinimo modelio efektyvumą. Programinės įrangos kompanijų pristatymo medžiagos, vaizdo interviu ir šaltinio kodo analizė gali padėti geriau suprasti įmonės strategiją, tikslus ir potencialą. Informacijos rinkimo sistemų kūrimas siekiant automatizuoti šį procesą gali sutaupyti laiko ir pagerinti tikslumą.
Įvertinus makroekonominių elementų ir technologinių trajektorijų įtaką startuoliams, gali būti lengviau nustatyti galimas rizikas ir galimybes. Tai taip pat gali padėti plėtoti pasitraukimo strategijas. Be to, konkuruojančių tyrimų analizė gali suteikti įžvalgų apie rinką ir konkurenciją, o tai gali padėti priimti investicinius sprendimus.
Nuorodos
[1] Shamima Ahmed, Muneer M Alshater, Anis El Ammari ir Helmi Hammami. Dirbtinis intelektas ir mašininis mokymasis finansų srityje: bibliometrinė apžvalga. Tarptautinio verslo ir finansų tyrimai, 61:101646, 2022 m.
[2] Si Shi, Rita Tse, Wuman Luo, Stefano D'Addona ir Giovanni Pau. Mašininio mokymosi pagrįsta kredito rizika: sisteminė apžvalga. Neural Computing and Applications, 34(17):14327–14339, 2022 m.
[3] Dale W Jorgenson, Martin L Weitzman, Yoshua X ZXhang, Yann M Haxo ir Ying X Mat. Ar neuroniniai tinklai gali numatyti akcijų rinką? AC Investment Research Journal, 220(44), 2023 m.
[4] Gregas Rossas, Sanjivas Dasas, Danielis Sciro ir Hussainas Raza. Capitalvx: mašininio mokymosi modelis, skirtas paleisties pasirinkimui ir išėjimo numatymui. „The Journal of Finance and Data Science“, 7:94–114, 2021 m.
[5] Ajai Mishra, Dharm Singh Jat ir Durgesh Kumar Mishra. Mašinų intelektas, skirtas numatyti naujų įmonių sėkmę: apklausa. Tarptautinės duomenų mokslo, mašininio mokymosi ir dirbtinio intelekto konferencijos pranešimų medžiaga, DSMLAI '21', 99–105 psl., Niujorkas, NY, JAV, 2022 m. Kompiuterinių mašinų asociacija.
[6] Javieras Arroyo, Francesco Corea, Guillermo Jimenezas-Diazas ir Juanas A Recio-Garcia. Mašininio mokymosi našumo vertinimas siekiant paremti sprendimus investuojant į rizikos kapitalą. Ieee Access, 7:124233–124243, 2019 m.
[7] Ivo Blohmas, Torbenas Antretteris, Charlotta Sirén, Dietmaras Grichnikas ir Joakimas Wincentas. Tai žmonių žaidimas, ar ne?! verslo angelų investicijų grąžos ir mašininio mokymosi algoritmų palyginimas. Verslumo teorija ir praktika, 46(4):1054–1091, 2022 m.
[8] Francesco Corea, Giorgio Bertinetti ir Enrico Maria Cervellati. Įsilaužimas į rizikos pramonę: ankstyvos stadijos pradedančiųjų įmonių investavimo sistema, skirta duomenimis grindžiamiems investuotojams. Mašininis mokymasis su programomis, 5:100062, 2021 m.
[9] Francesco Corea ir Francesco Corea. Ai ir rizikos kapitalas. Įvadas į duomenis: viskas, ką reikia žinoti apie AI, didelius duomenis ir duomenų mokslą, 101–110 psl., 2019 m.
[10] Kamilas Zbikowskis ir Piotras Antosiukas. Mašininis mokymasis, be šališkumo verslo sėkmės prognozavimo metodas, naudojant bazinius duomenis. Informacijos apdorojimas ir valdymas, 58(4):102555, 2021.
[11] Borisas Šarčilevas, Michaelas Roizneris, Andrejus Rumjantsevas, Denisas Ozorninas, Pavelas Serdiukovas ir Maartenas de Rijke. Internetinis starto sėkmės prognozavimas. In Proceedings of the 27th ACM International Conference on Information and Knowledge Management, 2283–2291 puslapiai, 2018 m.
[12] Jaiesh Singhal, Chinmayi Rane, Yash Wadalkar, Mohit Joshi ir Amol Deshpande. Duomenimis pagrįsta analizė, skirta rizikos kapitalo investuotojams pradėti investicijas. 2022 m. Tarptautinė technologijų pažangos konferencija (ICONAT), 1–6 psl. IEEE, 2022 m.
[13] Jongwoo Kim, Hongil Kim ir Youngjung Geum. Kaip pasiekti sėkmės rinkoje? numatant paleidimo sėkmę naudojant mašininio mokymosi metodą. Technologinės prognozės ir socialiniai pokyčiai, 193:122614, 2023 m.
[14] Torbenas Antretteris, Ivo Blohmas, Dietmaras Grichnikas ir Joakimas Wincentas. Naujos įmonės išlikimo numatymas: „Twitter“ pagrindu sukurtas mašininio mokymosi metodas internetiniam teisėtumui įvertinti. Journal of Business Venturing Insights, 11:e00109, 2019 m.
[15] Andranikas Tumasjanas, Reineris Braunas ir Barbara Stolz. „Twitter“ nuotaikos yra silpnas rizikos kapitalo finansavimo signalas. Journal of Business Venturing, 36(2):106062, 2021 m.
[16] Crunchbase. „Crunchbase Unicorn“ įmonių sąrašas. https://news.crunchbase.com/unicorn-company-list/. Prieiga: .
[17] PitchBook. https://pitchbook.com.
A priedas A
