[논문 리뷰] Graph Neural Network Based VC Investment Success Prediction

Shiwei Lyu, Shuai Ling외 6명|arXiv (Cornell University)|2021. 05. 25.

Private Equity and Venture Capital참고 문헌 38인용 수 6

한 줄 요약

이 논문은 시계열 노드 표현, 자기주의 attention, 그리고 점진적 학습을 통합한 그래프 신경망(GNN) 기반 모델을 제안하여 초기 단계 스타트업의 벤처 캐피탈(VC) 투자 성공 여부를 예측한다. 이 모델은 특히 헬스케어 및 IT 분야에서 최신 기술 수준의 성능을 달성하며, 높은 교육 수준, 성별 다양성, 높은 네트워크 중심성은 성공률과 상관관계가 있음을 드러낸다.

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.

연구 동기 및 목표

• 데이터 기반 방법을 활용하여 벤처 캐피탈 기업과 정책 입안자들이 초기 단계 스타트업의 성공 여부를 향상시킬 수 있도록 한다.
• VC 투자자, 스타트업, 창립 멤버 간의 복잡한 네트워크를 구조적 정보와 속성 수준의 정보를 통합하여 모델링한다.
• 스타트업 투자 네트워크의 시계열 동적 변화를 포착하는 점진적 그래프 표현 학습 프레임워크를 개발한다.
• 성공에 영향을 미치는 예측 가능한 요소들, 예를 들어 교육, 성별, 네트워크 중심성을 규명한다.

제안 방법

• 모델은 시간에 따라 노드 임베딩을 업데이트하는 점진적 그래프 표현 학습 메커니즘을 활용하여 투자 네트워크 내 변화하는 관계를 포착한다.
• 성공 예측에 있어 연결된 스타크홀더들의 중요도를 동적으로 가중치를 매기기 위해 GNN 아키텍처(GST-2)에 자기주의 attention 메커니즘을 사용한다.
• 감독 기반 링크 예측 및 노드 분류 작업을 통해 노드 표현을 정교화하여 역전파 가능한 방식으로 이전 투자 데이터에 대해 훈련할 수 있도록 한다.
• 예를 들어 교육 수준, 성별, 산업 등 풍부한 노드 속성을 그래프 구조적 특징과 융합하여 예측 능력을 향상시킨다.
• 시간에 따른 의존성을 시간 간격을 거쳐 순차적 표현을 학습함으로써 변화하는 스타트업 네트워크에 대한 일반화 능력을 향상시킨다.
• 최적화를 통해 노드 임베딩을 후행 예측 작업에 맞게 조정하여 IPO/인수 성과 예측 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 그래프 신경망은 VC 투자 네트워크에서 네트워크 구조와 노드 속성 간의 상호작용을 모델링함으로써 스타트업 성공 여부를 효과적으로 예측할 수 있는가?
• RQ2 시계열 동적 요소와 점진적 학습을 포함함으로써 정적 GNN 모델에 비해 예측 성능이 어떻게 향상되는가?
• RQ3 성별, 교육 수준, 네트워크 중심성과 같은 관측 가능한 속성이 모델 예측에 있어 스타트업 성공에 유의미한 영향을 미치는가?
• RQ4 모델은 IPO와 인수 예측에서 인간 투자자와 기존 기준에 비해 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ5 모델이 스타트업 성공에 가장 예측 가능한 것으로 규명한 구조적 요소와 인구통계적 요소는 무엇인가?

주요 결과

• 제안된 GNN 모델은 글로벌 VC 투자 데이터셋에서 스타트업 성공 예측에 최신 기술 수준의 성능을 달성하며, 인간 투자자와 기존 기준을 초월한다.
• 모델은 특히 헬스케어 및 IT 분야에서 성공 예측에 뛰어난 일반화 능력과 강건성을 보이며 뛰어난 성능을 발휘한다.
• 성공으로 예측된 스타트업 중 테스트 세트에서 890개(전체 7,268개)는 높은 교육 수준을 가진 개인과 연결되어 있었으며, 이 중 31.0%는 석사 학위를, 14.1%는 박사 학위를 소지하고 있었고, 전체 테스트 세트와 비교해 각각 28.3%와 11.2%였던 것과 비교해 높은 비율을 차지했다.
• 긍정적인 예측에 연결된 여성 비율(10.1%)은 전체 테스트 세트의 비율(8.0%)보다 높아, 성별 다양성과 투자 성공 간 잠재적 양의 상관관계를 시사한다.
• 성공으로 예측된 스타트업과 연결된 개인의 평균 차수 중심성은 전체 테스트 세트(3.20) 대비 높은 3.85를 기록하여 네트워킹 능력이 성공 예측의 핵심 요소임을 나타낸다.
• 모델의 자기주의 attention 메커니즘은 높은 연결성, 높은 교육 수준, 다양성이 있는 개인이 성공 예측에 더 큰 영향을 미친다는 것을 규명하였으며, VC 성공에 있어 구조적 요소와 인구통계적 요소의 중요성을 강조한다.