論文の概要: Graph Neural Network Based VC Investment Success Prediction
- arxiv url: http://arxiv.org/abs/2105.11537v1
- Date: Tue, 25 May 2021 14:29:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 14:24:35.115055
- Title: Graph Neural Network Based VC Investment Success Prediction
- Title(参考訳): グラフニューラルネットワークによるVC投資成功予測
- Authors: Shiwei Lyu, Shuai Ling, Kaihao Guo, Haipeng Zhang, Kunpeng Zhang,
Suting Hong, Qing Ke, Jinjie Gu
- Abstract要約: 我々は,ノードの豊富な属性とともにネットワーク構造を利用して,漸進的な表現学習機構と逐次学習モデルを設計する。
本手法は,グローバルベンチャーキャピタル投資の包括的データセットを用いて,最先端の予測性能を実現する。
医療やITといった業界のスタートアップの成果を予測するのに長けている。
- 参考スコア(独自算出の注目度): 11.527912247719915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the start-ups that will eventually succeed is essentially
important for the venture capital business and worldwide policy makers,
especially at an early stage such that rewards can possibly be exponential.
Though various empirical studies and data-driven modeling work have been
done, the predictive power of the complex networks of stakeholders including
venture capital investors, start-ups, and start-ups' managing members has not
been thoroughly explored. We design an incremental representation learning
mechanism and a sequential learning model, utilizing the network structure
together with the rich attributes of the nodes. In general, our method achieves
the state-of-the-art prediction performance on a comprehensive dataset of
global venture capital investments and surpasses human investors by large
margins. Specifically, it excels at predicting the outcomes for start-ups in
industries such as healthcare and IT. Meanwhile, we shed light on impacts on
start-up success from observable factors including gender, education, and
networking, which can be of value for practitioners as well as policy makers
when they screen ventures of high growth potentials.
- Abstract(参考訳): 最終的に成功するスタートアップの予測は、ベンチャーキャピタリストビジネスや世界の政策立案者にとって、特に報酬が指数関数的になるような初期段階において、本質的に重要である。
様々な実証研究やデータ駆動モデリングの作業が行われているが、ベンチャーキャピタル投資家、スタートアップ、スタートアップのマネージングメンバーを含むステークホルダーの複雑なネットワークの予測能力は、徹底的に検討されていない。
我々は,ノードの豊富な属性とともにネットワーク構造を利用して,漸進的な表現学習機構と逐次学習モデルを設計する。
概して,グローバルベンチャー投資の包括的データセット上での最先端の予測性能を達成し,人的投資を大きなマージンで上回っている。
具体的には、ヘルスケアやITといった業界におけるスタートアップの成果を予測するのに優れています。
一方、私たちは、ジェンダー、教育、ネットワークといった観察可能な要素によるスタートアップの成功に対する影響を、高い成長可能性のベンチャーをスクリーニングする場合に、実践者だけでなく政策立案者にとっても価値のあるものにしている。
関連論文リスト
- Automating Venture Capital: Founder assessment using LLM-powered segmentation, feature engineering and automated labeling techniques [0.0]
本研究では、ベンチャーキャピタル(VC)意思決定における大規模言語モデル(LLM)の適用について検討する。
我々はLLMプロンプト技術を利用して、限られたデータから特徴を生成し、統計と機械学習を通して洞察を抽出する。
この結果から,特定の創始者特性と成功との関係が明らかとなり,予測におけるこれらの特性の有効性が示された。
論文 参考訳(メタデータ) (2024-07-05T22:54:13Z) - Startup success prediction and VC portfolio simulation using CrunchBase
data [1.7897779505837144]
本稿では、主要な成功のマイルストーンを予測することを目的とした、シリーズBおよびシリーズCの投資ステージにおけるスタートアップに焦点を当てる。
スタートアップの成功を予測するための新しいディープラーニングモデルを導入し、資金調達指標、創業者の特徴、業界カテゴリなど、さまざまな要素を統合する。
私たちの研究は、スタートアップの成功を予測する上で、ディープラーニングモデルと代替の非構造化データによるかなりの可能性を実証しています。
論文 参考訳(メタデータ) (2023-09-27T10:22:37Z) - E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。
実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
論文 参考訳(メタデータ) (2023-05-25T10:27:07Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳(メタデータ) (2022-10-22T14:47:11Z) - Using Deep Learning to Find the Next Unicorn: A Practical Synthesis [42.70427723009158]
Venture Capital(VC)は、ユニコーンスタートアップを早期に特定し、投資し、高いリターンを得ることを期待している。
過去20年間、業界は従来の統計的アプローチから機械学習ベースのものへと移行してきた。
本研究は,DLのライフサイクル全体をカバーする,DLベースのアプローチに関する文献レビューと合成を行う。
論文 参考訳(メタデータ) (2022-10-18T13:11:16Z) - Simulation-Informed Revenue Extrapolation with Confidence Estimate for
Scaleup Companies Using Scarce Time-Series Data [0.5690261407732993]
シミュレーションインフォームド収益外挿法(SiRE)アルゴリズムを提案する。
SiREは様々なセクターで運用されるスケールアップに取り組んでおり、信頼度を見積もっている。
また,SiREが短時間の時系列から長期予測を外挿する際にも高い性能を示す。
論文 参考訳(メタデータ) (2022-08-19T00:20:31Z) - INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
我々はInterNという新しい学習パラダイムを開発した。
複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。
ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
論文 参考訳(メタデータ) (2021-11-16T18:42:50Z) - Embracing advanced AI/ML to help investors achieve success: Vanguard
Reinforcement Learning for Financial Goal Planning [0.0]
強化学習(Reinforcement learning)は、複雑なデータセットに使用できる機械学習アプローチである。
我々は、金融予測、経済指標の予測、貯蓄戦略の作成における機械学習の利用について検討する。
論文 参考訳(メタデータ) (2021-10-18T18:46:20Z) - Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。
知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。
AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文 参考訳(メタデータ) (2021-06-14T02:40:32Z) - Estimating Fund-Raising Performance for Start-up Projects from a Market
Graph Perspective [58.353799280109904]
市場環境を利用して未公開プロジェクトの資金調達実績を予測するためのグラフベースの市場環境(GME)モデルを提案する。
具体的には、市場環境を利用して未公開プロジェクトの資金調達実績を予測するグラフベースの市場環境(GME)モデルを提案する。
論文 参考訳(メタデータ) (2021-05-27T02:39:30Z) - Alpha Discovery Neural Network based on Prior Knowledge [55.65102700986668]
遺伝的プログラミング(GP)は、金融自動化機能構築タスクにおける最先端技術である。
本稿では,分散金融技術指標の自動構築が可能なニューラルネットワーク構造であるAlpha Discovery Neural Network (ADNN)を提案する。
論文 参考訳(メタデータ) (2019-12-26T03:10:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。