[논문 리뷰] A Data-Driven Framework for Identifying Investment Opportunities in Private Equity

Samantha Petersone, Alwin Tan외 3명|arXiv (Cornell University)|2022. 04. 04.

Private Equity and Venture Capital인용 수 4

한 줄 요약

이 논문은 영국 등록 기업의 재무, 이사 및 딜 데이터를 통합하여 사모투자(PE) 투자 기회 선별을 자동화하는 데이터 기반, 해석 가능한 인공지능(XAI) 기반 프레임워크를 제안한다. 여러 기계학습 모델과 데이터 불균형에 대한 강력한 대응(과소표본화 및 SMOTE를 통한 처리)을 통해 높은 예측 정확도(F1 최대 0.99)를 달성하고 해석 가능한 권고를 제공하여 수동 방법에 비해 의사결정 효율성이 크게 향상된다.

ABSTRACT

The core activity of a Private Equity (PE) firm is to invest into companies in order to provide the investors with profit, usually within 4-7 years. To invest into a company or not is typically done manually by looking at various performance indicators of the company and then making a decision often based on instinct. This process is rather unmanageable given the large number of companies to potentially invest. Moreover, as more data about company performance indicators becomes available and the number of different indicators one may want to consider increases, manual crawling and assessment of investment opportunities becomes inefficient and ultimately impossible. To address these issues, this paper proposes a framework for automated data-driven screening of investment opportunities and thus the recommendation of businesses to invest in. The framework draws on data from several sources to assess the financial and managerial position of a company, and then uses an explainable artificial intelligence (XAI) engine to suggest investment recommendations. The robustness of the model is validated using different AI algorithms, class imbalance-handling methods, and features extracted from the available data sources.

연구 동기 및 목표

• growing 데이터 볼륨과 복잡성에 대비하여 수동 PE 투자 선별의 비효율성과 주관성을 해결하기 위해.
• 재무, 이사 및 딜 수준 데이터를 통합하여 종합적인 기업 평가를 위한 통합적이고 데이터 기반의 프레임워크를 개발하기 위해.
• 다양한 기계학습 알고리즘, 클래스 불균형 기법, 특징 집합을 통해 프레임워크의 성능을 검증하여 강건성과 신뢰성을 확보하기 위해.
• 높은 위험도를 지닌 PE 환경에서 투자 의사결정의 투명성과 정당성을 확보하기 위해 설명 가능한 인공지능 출력을 제공하기 위해.
• PE에서 흔한 데이터 부족과 불균형 문제를 해결하기 위해 과소표본화 및 SMOTE 기법을 활용하여 모델의 일반화 능력을 향상시키기 위해.

제안 방법

• 프레임워크는 세 가지 소스에서 데이터를 통합한다: Unquote(사모투자 딜 데이터), Fame(재무제표), Companies House(이사 및 기업 등록 데이터).
• 기본 데이터 분석(EDA)을 통해 영국 등록 기업 데이터셋의 데이터 분포, 누락치, 특징의 관련성에 대한 이해를 도모한다.
• 표준 평가 지표를 사용하여 로지스틱 회귀, 랜덤 포레스트, XGBoost, 서포트 벡터 머신(SVM), K-최근접 이웃(KNN), 결정 트리 등 여러 기계학습 모델을 학습하고 비교한다.
• 클래스 불균형 문제를 해결하기 위해 과소표본화 및 SMOTE 기법을 사용하여 비투자 결과에 대한 모델 편향을 방지한다.
• 재무 비율, 이사 경험 지표, 딜 전용 지표 등을 추출하여 특징 공학을 통해 모델 입력을 풍부화한다.
• 모델 예측을 해석하기 위해 설명 가능한 인공지능(XAI) 기법을 적용하여 투자 권고의 투명성과 신뢰성을 확보한다.

실험 결과

연구 질문

• RQ1 다양한 소스의 데이터를 활용하여 데이터 기반 프레임워크가 영국 기업의 사모투자 기회를 효과적으로 자동으로 식별할 수 있는가?
• RQ2 희소하고 불균형한 영국 기업 데이터를 기반으로 훈련된 다양한 기계학습 모델이 PE 투자 결과 예측에서 어떻게 성능을 내는가?
• RQ3 과소표본화 및 SMOTE와 같은 클래스 불균형 처리 기법이 PE 투자 예측에서 모델 성능과 공정성에 얼마나 기여하는가?
• RQ4 재무, 이사 및 딜 수준의 특징 조합 중 어떤 조합이 가장 정확하고 강건한 투자 권고를 도출하는가?
• RQ5 설명 가능한 인공지능 방법이 PE 의사결정자들에게 이해 가능하고 실행 가능한 통찰을 제공하는 데 얼마나 효과적인가?

주요 결과

• 모든 특징과 SMOTE 샘플링을 사용할 경우, 랜덤 포레스트 및 XGBoost 모델이 검증 세트에서 F1 점수 0.99를 기록하여 뛰어난 예측 성능를 입증했다.
• 모든 특징과 SMOTE로 균형 조정된 데이터셋을 사용할 경우, 랜덤 포레스트 모델이 F1 점수 0.99를 달성하여 투자 예측에서 높은 정밀도와 재현율을 보였다.
• 과소표본화와 SMOTE 모두 모델 성능을 향상시켰으며, 특히 검증 및 검증 세트에서 재현율과 F1 지표에서 SMOTE가 略로 더 우수한 성능을 보였다.
• 이사 수준의 특징(예: 경험, 재직 기간)의 포함이 모델 성능을 크게 향상시켜 투자 성공에 있어 경영진의 품질이 중요한 요소임을 입증했다.
• XAI 구성 요소는 성공적으로 설명 가능한 특징 기여도 순위를 생성하여 PE 기업이 모델 기반 권고를 이해하고 검증할 수 있도록 했다.
• 모든 특징과 SMOTE를 사용할 경우, 검증 세트에서 높은 정확도(최대 0.94)와 AUC(0.94)를 유지하여 다양한 데이터 분할에 대한 강건성을 확인했다.