По всем вопросам звоните:

+7 495 274-22-22

УДК: 338.27

Применимость использования алгоритмов машинного обучения в венчурном инвестировании

Розинский Егор Дмитриевич аспирант кафедры менеджмента Университета «Синергия», Российская Федерация, 129090, г. Москва, ул. Мещанская, д. 9/14, стр. 1

Научная статья посвящена анализу инновационных подходов к применению алгоритмов машинного обучения в венчурном инвестировании, направленных на повышение эффективности и снижение рисков при отборе перспективных стартапов. Проведен анализ ключевых факторов, влияющих на успешность стартапов, рассмотрены современные алгоритмы машинного обучения, используемые для прогнозирования исходов инвестиционных проектов. Изучены положительные и отрицательные аспекты применения машинного обучения в венчурной индустрии, определена важность интеграции таких технологий в процессы принятия инвестиционных решений.

Литература:

1. Blank S. (2013). Why the lean start-up changes everything. Harvard Business Review, 91 (5), 63–72.

2. Mohout O., Kiemen M. (2016). A critical perspective to exponential organizations and its hyper scalability.

3. Blank S.G. (2006). The Four Steps to the Epiphany.

4. Guo Lou, Pérez-Castrillo (2015). Investment, Duration, and Exit Strategies for Corporate and Independent Venture Capital‐Backed Start‐Ups, 415–455.

5. Li D., Liu J. (2010). The Life Cycle of Initial Public Offering Companies: A Panel Analysis of Chinese Listed Companies.

6. Alam A., Khan S. (2014). Strategic Management: Managing Mergers & Acquisition. International Journal of BRIC Business Research, 3 (1).

7. Akerlof G.A., Yellen J.L., Katz M.L. (1970). The market for Lemons: Quality uncertainty and the market and the market mechanism. The Quarterly Journal of Economics, 488–500.

8. Guo Lou, Pérez-Castrillo (2015). Investment, Duration, and Exit Strategies for Corporate and Independent Venture Capital‐Backed Start‐Ups), 24 (2).

9. Arroyo J., Corea F., Jimenez-Diaz G., Recio-Garcia J.A. (2019). Assessment of machine learning performance for decision support in venture capital investments.

10. Auria L., Moro R.A. (2008). Support Vector Machines (SVM) as a Technique for Solvency Analysis, (August).

11. Breiman L. (2001). Random Forests. ML Journal 45 (1), 5–32.

12. Winn J., Criminisi A. (2006). Object class recognition at a glance.

В течение последних 15 лет в мире произошел ряд финансовых кризисов, которые, в свою очередь, неизбежно трансформируют традиционную финансовую систему и разные классы активов. В частности, процентные доходности от всех привычных финансовых инструментов упали в околонулевые зоны, а ставки по депозитам в ряде европейских стран и вовсе ушли в отрицательную зону. Как следствие, и в других странах, не входящих в Евросоюз, ставки по евровкладам начали падать, так как отрицательные ставки в Европе делают подобные операции для банков невыгодными. В Японии же вопрос отрицательных ставок был открыт еще раньше. На фоне можно сделать вывод, что мир все ближе и ближе к состоянию, когда ставки большинства финансовых инструментов с низким риском будут находиться в околонулевой зоне. В результате инвесторам становится все тяжелее и тяжелее получать интересующие их доходности на традиционных рынках.

В данной ситуации венчурные инвестиции как класс активов крайне привлекательны для инвесторов. Это также крайне выгодно и с обратной стороны, в том плане, что приток новых инвестиций дает толчок для развития экономики.

Популярность создания стартапов растет повсеместно, поскольку правительства, университеты, крупные компании все сильнее стимулируют людей реализовывать свои идеи и создают специализированные бизнес-акселераторы, которые помогают стартапам развиваться и привлекать финансирование. Молодые компании с легкостью привлекают сотни миллионов долларов в течение буквально нескольких лет. За последние 20 лет множество крупных инновационных корпораций выросло из небольших стартапов, которые продолжают развиваться с очень большой скоростью, и список таких компаний растет с каждым годом. Примерами являются такие компании, как Instagram, Pinterest, Uber, WhatsApp и еще множество других.

Но, как и все высокодоходные инструменты, венчурное инвестирование несет за собой очень высокие риски. Существует общепринятое эмпирическое правило, что из 10 проектов три-четыре полностью проваливаются, еще три-четыре окупают первоначальные инвестиции и только один-два приносят значительную прибыль. При этом наиболее выгодно инвестировать в компании, находящиеся на ранней стадии развития, оценка которых еще не является высокой, что сопровождается крайне высоким уровнем риска и неопределенности. На сегодняшний день по-прежнему нет надежных инструментов для инвесторов, которые способны снизить данную неопределенность.

Для Цитирования:
Розинский Егор Дмитриевич, Применимость использования алгоритмов машинного обучения в венчурном инвестировании. Бухгалтерский учет и налогообложение в бюджетных организациях. 2025;4.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: