减少信息不对称！机器学习正在风投中发挥作用

机器学习已经在进入风投领域了。

许多风投从业者表示，利用大数据指导风险投资的前景是十分广阔，机器学习能减小投资方和被投资方之间的信息不对称，从而使双方的合作更融洽。

08年金融危机过后，银行利率呈指数级别下降，风险投资忽然因回报可观而变得炙手可热。然而，短短十年间，市场风云变幻，趋于饱和，商业帝国不断崛起，早期投资很难获得稳定回报。事实上，资本是有的，资金也是流通的，大大小小规模的公司是遍地都找的到的。

于是，投资变得异常艰难，想要获得收益更是形如大海捞针，而且，目前的投资工具箱不能帮助投资者们更好地应对不确定性并抵御风险。因此，我们就想着利用机器学习指导风险投资。

风险投资不容易，机器学习来帮忙

我们不仅可以利用机器学习发现市场缺口，把握市场的总体趋势，打造更好的投资组合，将匹配的投资者或交易对接在一起，还可以获取到竞争对手的情报并寻找潜在的收购者，同时，机器学习的模型还可以用来完善我们的定价和评估体系。即使到了风投的最后阶段，风险企业已经走到了成长期，我们仍然可以利用机器学习获取更多的信息。从这些角度看来，机器学习确实帮了大忙。

还有一种情况我没有说到，但确实是我们所关心的：机器学习可以利用大数据帮助我们寻找潜在的创业公司。所以，我们的宗旨是，在尽量不参考数据报表的情况下去评估创业公司的成功潜力。

从大数据中寻找分类指标

通过调查研究，我发现大数据能帮助发掘可以判别初创企业成功与否的指标，对此，我总结出一个相对复杂的表格，该表格列出了一些影响因素及善用这些因素可能带来的积极影响。

链接如下：

https://medium.com/@Francesco_AI/artificial-intelligence-and-venture-capital-a-recap-bec6d30c2f1e

为了更全面的考察问题，我们调查了超过12万家公司来寻找衡量指标，这些指标不仅可以用来指导收购和首次公开募股，还能预测公司下一轮的融资情况甚至其生死存亡。

我们运用了一种与回溯测试类似的方法，以时间轴为线索，调查了截止2015年年龄不超过4岁的公司，利用超过100种的衡量指标和5种模型来预测他们未来3年内的盈利情况，这5种模型包括：支持向量机、决策树、随机森林、极度随机数和梯度提升树。

这些算法里，随机森林和梯度提升树貌似性能最好，尤其是针对某些特定情况的时候。然而，想要找到一个普适的算法几乎不可能，但不同的算法中特征权重的差异可以进一步揭示数据内涵。

从左到右依次为随机森林、极度随机树和梯度提升树算法中不同特征所占权重

未来可期

如果你做过深入研究，就会发现‘“自动化风险投资”其实是一件很难的事。我们的目标也并非是将风险投资完全交给机器学习或大数据，事实上，这看起来像是天方夜谭。当然，这并不妨碍机器学习作为辅助性工具来帮助投资者减少风险。而这正是我们研究的方向。

同时，要声明的一点是，周密的准备工作和良好的决断能力确实可以帮到投资者，但这不能解决所有问题。机器学习这类工具可以在公司原始财务信息不全的情况下为投资者获取更多的信息以完成估值，但它不能代替投资者完成一个交易。当然啦，公司是否能融到资并不完全取决于投资者的估值情况，主要还是看公司的管理能力和创造附加价值的能力。

机器学习在风险投资这条道路上能走多远，我们拭目以待。