[论文解读] Probabilistic Modeling of Venture Capital Portfolio Outliers

Kensei Sakamoto, H. U. Köylüoglu+2 more|arXiv (Cornell University)|Feb 8, 2026

Private Equity and Venture Capital被引用 0

一句话总结

本论文建立了一个潜在因子高斯模型，用以量化相关的风险投资结果及离群风险，验证了预期独角兽数量不足以描述风险并且相关性在结构层面影响投资组合的可靠性与 upside（收益上行空间）。

ABSTRACT

In this paper, we define probabilistic measures for venture portfolio performance based on individual outlier probability for each investment and the dependence across investments. This work is inspired by loan portfolio modeling against default risk used in banking. In mathematical terms, we calculate the probability distribution of the sum of N non-homogeneous Boolean outcomes (investments becoming outliers) that are correlated through common factors such as overall market conditions and sector effects. Specifically, we implemented a latent-factor model in which each investment's success is the exceedance of a Gaussian latent variable composed of idiosyncratic returns and returns from interpretable shared factors (stock markets, industry sector indices, geography and founder type). The formulation follows a simulation approach to preserve heterogeneous deal-level success probabilities and uses empirically estimated correlation matrices. When applied to synthetic portfolios, our model reveals that expected outlier counts alone are insufficient statistics for evaluating venture portfolios. Portfolios with identical expected outcomes can exhibit drastically different levels of reliability and risk when various levels and forms of correlation are embedded. Diversification improves the probability of achieving a minimum number of outliers by reducing exposure to common shocks, but at the cost of lower upside, underscoring a fundamental tradeoff between reliability and magnitude of clustered successes. The framework provides a practical bridge between deal-level outlier probability assessment and objective-aware portfolio construction.

研究动机与目标

• 通过关注罕见的离群成功（独角兽）来推动对风险投资组合收益的评估，超越均值回报。
• 引入一个灵活的潜变量框架，含行业、地理和创始人类型暴露，以捕捉投资之间的相关性。
• 在嵌入可解释的跨投资相关性的同时，保留异质的交易级成功概率。
• 通过仿真演示相关性如何改变左尾风险以及最优多样化策略。

提出的方法

• 将A_i定义为高斯超出潜在变量，A_i = w_i^T Z + sqrt(1 - w_i^T Σ w_i) ε_i。
• 将独角兽事件建模为 A_i > Φ^{-1}(1 - p_i)，保持各自的成功概率 p_i。
• 通过载荷构造将行业、地理、创始人类型的归属输入到 w_i，权重为 (S, G, F) = (0.6, 0.3, 0.1)，并标准化为 b_i，使 w_i = w_0 b_i。
• 将 w_0 设置为目标平均成对相关性约为 0.12，使用 ρ_{ij} = w_i^T Σ w_j，且矩阵 Σ 由公开代理估计。
• 从月度回报（2020–2025）在5个行业、4个地理区域、2种创始人类型下估计 Σ，使用 Cholesky 抽样生成 Z ~ N(0,Σ)。
• 使用蒙特卡洛仿真为投资组合生成相关的独角兽结果，并分析分布特性。

实验结果

研究问题

• RQ1 相关性在投资组合中如何影响独角兽数量分布（相对于均值以外）？
• RQ2 在相关结果下，多样化对左尾风险（P(U=0)、P(U≤1)、P(U≤2)）有何影响？
• RQ3 投资组合结构（行业/地理/创始人组合）及规模如何与相关性交互，塑造风险与 upside？
• RQ4 在存在性依赖的情形下，可靠性（左尾风险）与聚类离群成功的幅度（上行）之间的权衡是什么？

主要发现

• 相关性在固定每笔交易概率的前提下，增大了联合失败和联合成功的概率，相较独立更高。
• 投资组合多样化降低左尾风险，但达到阈值后可能降低上行潜力。
• 与单一因子相比，完整多因子相关性对左尾风险有适度的恶化，即使有行业多样化。
• 在相关性存在时，独立下上涨概率的提高对左尾风险的下降作用更慢。
• 具有相同预期独角兽数量的投资组合，由于依赖结构，可靠性可能差异很大。
• 在存在依赖的情况下，最优投资组合设计取决于目标是最小化失败概率还是最大化条件性上行。