Assessing venture capital investor performance drivers – A practical application of machine learning

Abstract

Venture capital investors can work as great facilitators in the growth of entrepreneurial ventures. Investment performance drivers are researched in venture capital markets, but practical research of investor success is limited. The data for these studies usually consists of single investments and their categorical success due to data unavailability issues. More comprehensive studies on investor returns are limited.

This study aims to construct a practical machine learning model on existing investors and their future success in target companies. The model prioritizes interpretability and practicality to generate investment signals. A literature review explores the factors of investor and investment performance in venture capital prediction. Based on the findings, this research focuses in four feature categories: syndicates & networks, reputation, fund characteristics, and target companies. These findings are used to execute an empirical study with machine learning. The data is collected from NGP Capital’s database which incorporates several private databases, such as Tracxn and Dealroom. After training, the best model is an XGBoost tree-based ensemble model.

The empirical research with explainable artificial intelligence (XAI) models shows that all four feature categories explain GP performance. GPs with experience generate the most visible exits, which affects their reputation. They syndicate with central GPs in the network, and they focus into young target companies with an experienced founder. These findings affect both funding and exit performance. Reputation is the most prominent feature category in this study. Our findings are supported by prior research.

Venture capital sijoittajat voivat toimia pienten yritysten merkittävän kasvun johtajina. Venture capital sijoitusten menestystä on tutkittu, mutta käytännönläheistä tutkimusta sijoittajien menestyksestä on vähän. Näissä tutkimuksissa data on usein yksittäisiä sijoituksia ja niiden onnistumisen luokittelua datan saatavuuden takia. Laajempia tutkimuksia sijoittajien tuotoista on rajatusti.

Tämän tutkimuksen tarkoitus on rakentaa käytännöllinen koneoppimismalli mallintamaan olemassa olevia sijoittajia ja heidän tulevaisuutensa onnistumista kohdeyrityksisssä. Malli priorisoi tulkittavuutta ja käytännöllisyyttä luodakseen investointisignaaleja. Kirjallisuuskatsaus tutkii käytettyjä tekijöitä sijoittajien ja sijoitusten menestyksen ennustamiseen. Perustuen löydöksiin, tämä tutkimus keskittyy neljään investoijan osa-alueeseen: syndikaatteihin ja verkostoihin, maineeseen, rahaston ominaisuuksiin ja kohdeyrityksiin. Kirjallisuuskatsausta käytetään empiirisen tutkimuksen pohjana. Data on kerätty NGP Capitalin tietokannasta, johon sisältyy useita yksityisiä tietokantoja, kuten Tracxn ja Dealroom. Paras malli on XGBoost niminen päätöspuihin perustuva kokonaismalli. Testattuja malleja on yhdeksän.

Empiirinen tutkimus selittävillä tekoäly (XAI) -malleilla näyttää, että jokainen neljästä osa-alueesta selittää sijoittajan suoriutumista. Kokeneet sijoittajat tekevät näkyviä irtautumisia, jotka vaikuttavat heidän maineeseensa. He sijoittavat yhdessä verkoston keskeisten sijoittajien kanssa, ja he keskittyvät nuoriin yrityksiin, joissa on kokenut perustaja. Nämä löydökset koskevat sekä rahoitusmääriä, että irtautumissuoriutumista. Sijoittajan osa-alueista maine on kaikista tärkein tässä tutkimuksessa. Olemassa oleva tutkimus tukee löydöksiämme.