Detailansicht
Algorithmic venture insights
exploration of machine learning in predicting startup success and enhancing investment decision-making
Tomáš Gallo
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Banking and Finance
Betreuer*in
Christian Westheide
DOI
10.25365/thesis.75752
URN
urn:nbn:at:at-ubw:1-29859.43259.574332-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die vorliegende Studie hat zum Ziel, die Einsatzmöglichkeiten moderner Methoden des maschinellen Lernens (ML) für Venture-Capital-Geber (VCs) im Rahmen ihrer Entscheidungsprozesse zu demonstrieren. Die finanzielle Unterstützung potenzieller Start-ups birgt das Risiko, dass nur ein geringer Anteil der Gründungen erfolgreich sein wird und Gewinne erzielen wird. In der Realität scheitern die meisten Start-ups, was zu einem Verlust des investierten Kapitals führt. Um die Wahrscheinlichkeit von Fehlentscheidungen zu reduzieren, wurden verschiedene ML-Methoden eingesetzt, um praktische Szenarien zu simulieren. Die hier präsentierten Ergebnisse sind vielversprechend. Die empirischen Ergebnisse deuten darauf hin, dass Modelle wie XGBoost effektiv eingesetzt werden können, um datengestützte Entscheidungen im VC-Bereich zu treffen. Es sei jedoch darauf hingewiesen, dass keine Methode die Möglichkeit von Täuschungen durch Antragsteller sowie die Rolle des Zufalls vollständig ausschließen kann. Vor diesem Hintergrund werden trotz der Integration von Spitzencomputingmodellen in den Bewertungsprozess der Kandidaten auch in Zukunft Schätzungen bleiben, die auf Basis von Wahrscheinlichkeitsaussagen getroffen werden.
Abstract
(Englisch)
The objective of this study is to demonstrate how modern machine learning methods can assist VCs in their decision-making process. When considering potential financial support, it is diffi- cult to predict which start-up will be successful and generate a profit. In reality, the majority of start-ups are unsuccessful, resulting in a loss of invested capital. To reduce the likelihood of in- correct decisions, we utilized various ML methods to simulate practical scenarios. The results presented here are promising. The empirical results indicate that models such as XGBoost can be effectively used to make data-driven decisions in VC. However, it is important to acknowledge that no method can completely eliminate the possibility of deception by applicants as well as the role of chance. Therefore, predictions will remain estimations for the foreseeable future, despite the integration of top computational models in the candidate evaluation process.
Schlagwörter
Schlagwörter
(Deutsch)
Machinelles Lernen Venture Capital Datengetriebene Entscheidungsfindung Start-ups Algorithmische Investitionsstrategien
Schlagwörter
(Englisch)
Machine learning Venture Capital Data-driven decision-making Start-ups Algorithmic investment strategies
Autor*innen
Tomáš Gallo
Haupttitel (Englisch)
Algorithmic venture insights
Hauptuntertitel (Englisch)
exploration of machine learning in predicting startup success and enhancing investment decision-making
Publikationsjahr
2024
Umfangsangabe
53 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Christian Westheide
Klassifikation
85 Betriebswirtschaft > 85.30 Investition. Finanzierung
AC Nummer
AC17179490
Utheses ID
70984
Studienkennzahl
UA | 066 | 974 | |