[論文レビュー] Graph Neural Network Based VC Investment Success Prediction

Shiwei Lyu, Shuai Ling+6 more|arXiv (Cornell University)|May 25, 2021

Private Equity and Venture Capital参考文献 38被引用数 6

ひとこと要約

本稿では、時系列的ノード表現、自己注意機構、および段階的学習を統合したグラフニューラルネットワーク（GNN）ベースのモデルを提案し、初期段階のスタートアップ企業におけるベンチャーキャピタル（VC）投資の成功を予測する。このモデルは、特にヘルスケアおよびIT分野において最先端の性能を達成し、高度な教育、性別多様性、および高いネットワーク中心性が成功確率の上昇と相関していることを明らかにした。

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.

研究の動機と目的

• ベンチャーキャピタル機関および政策立案者による初期段階スタートアップの成功予測を、データ駆動型手法を用いて向上させること。
• VCファンド、スタートアップ、創設メンバーからなる複雑なステークホルダーのネットワークを、構造的および属性レベルの情報を統合することでモデル化すること。
• スタートアップ投資ネットワークにおける時間的ダイナミクスを捉える段階的グラフ表現学習フレームワークを開発すること。
• 教育、性別、ネットワーク中心性といった、VC投資結果に影響を与える予測要因を同定すること。

提案手法

• モデルは、時間経過に伴うノード埋め込みの更新を可能にする段階的グラフ表現学習メカニズムを採用し、投資ネットワーク内の進化する関係性を捉える。
• GNNアーキテクチャ（GST-2）において自己注意機構を用い、成功予測における関連するステークホルダーの重要性を動的に重みづける。
• 教師ありリンク予測およびノード分類タスクによるノード表現の最適化により、歴史的投資データ上でエンドツーエンドの学習が可能になる。
• 教育水準、性別、業界といった豊富なノード属性を、グラフ構造的特徴と融合させ、予測性能を向上させる。
• 時間的依存性は、時間期間にわたる順序的表現の学習によってモデル化され、進化するスタートアップネットワークにおける汎化性能が向上する。
• 微調整を適用してノード埋め込みを下流の予測タスクに適応させ、IPO／買収結果の予測性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、VC投資ネットワークにおけるネットワーク構造とノード属性の相互作用をモデル化することで、スタートアップの成功を効果的に予測できるか？
• RQ2 時間的ダイナミクスと段階的学習を組み込むことで、静的GNNモデルと比較して予測性能がどのように向上するか？
• RQ3 性別、教育、ネットワーク中心性といった観察可能な属性のうち、モデルの予測においてスタートアップ成功に顕著に影響を与えるものは何か？
• RQ4 IPOおよび買収予測において、このモデルは人間の投資家や既存のベースラインをどの程度上回るか？
• RQ5 モデルが予測成功に最も寄与すると特定した構造的および文化的要因は何か？

主な発見

• 提案されたGNNモデルは、VC投資のグローバルデータセット上で、人間の投資家や既存のベースラインを上回る最先端の性能を達成し、スタートアップの成功を予測した。
• 特にヘルスケアおよびIT分野のスタートアップにおいて、強い汎化性能と頑健性を示し、優れた性能を発揮した。
• 予測成功とされたスタートアップのうち、テストセットで7,268社中890社（12.2%）が、より高い教育水準を持つ人物と関連づけられていた。これは、全テストセットと比較して、修士号保有者が31.0%（全テストセットでは28.3%）、博士号保有者が14.1%（全テストセットでは11.2%）であったことを示している。
• 予測成功と関連する女性の割合（10.1%）は、全テストセットの8.0%よりも高かったため、性別多様性と投資成功の間には潜在的な正の相関がある可能性が示唆された。
• 予測成功スタートアップに関連する人物の平均次数中心性は3.85であり、全テストセットの3.20よりも高かった。これは、強いネットワーキングが成功の主要な予測要因であることを示している。
• モデルの自己注意機構は、高頻度で接続され、教育水準が高く、多様性に富んだ人物が、ポジティブな結果の予測においてより大きな影響を持つことを特定した。これは、VC成功において構造的および文化的要因が重要な役割を果たすことを強調している。