Потенциал машинного обучения и искусственного интеллекта для развития венчурного инвестирования в России

Обложка
  • Авторы: Казакова Е.Д.1
  • Учреждения:
    1. Финансовый университет при Правительстве Российской Федерации
  • Выпуск: Том 19, № 2 (2023)
  • Страницы: 209-215
  • Раздел: Математические, статистические и инструментальные методы в экономике
  • URL: https://journals.eco-vector.com/2541-8025/article/view/568528
  • ID: 568528

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В настоящее время российская экономика столкнулась с беспрецедентным санкционным давлением со стороны западных стран. Помимо импортозамещения и цифровой трансформации одним из важнейших направлений государственной политики является упрощение и стимулирования новых технологических решений—стартап-проектов, при поддержке как государственного, так и частного финансирования. Целью исследования является изучение потенциала использования искусственного интеллекта и машинного обучения в предынвестиционной аналитике потенциальной доходности стартап–проектов на ранних уровнях зрелости для последующего венчурного инвестирования. В результате сформирован ряд рекомендаций по развитию венчурного инвестирования в российские стартап-проекты, описана технологическая и информационная база в соответствии с направлениями применения искусственного интеллекта и машинного обучения, исследованы подходы к формализации параметров будущей рекомендательной системы венчурного инвестирования для последующего практического применения: выявления перспективных стартап-проектов, расчета рисков и потенциальной прибыли.

Полный текст

Доступ закрыт

Об авторах

Екатерина Даниловна Казакова

Финансовый университет при Правительстве Российской Федерации

Автор, ответственный за переписку.
Email: 191841@edu.fa.ru
ORCID iD: 0009-0008-8081-1722
SPIN-код: 6714-5454
Россия, Москва

Список литературы

  1. Amram, M., & Kulatilaka, N. (1999). Real Options: Managing Strategic Investment in an Uncertain World. Harvard Business School Press. https://books.google.fr/books?id=dM16QgAACAAJ.
  2. Business Evaluation: Textbook / Edited by A.G. Gryaznova, M.A. Fedotova. —Moscow: Finance and Statistics (in Russia), 2009. —Chapter 7.
  3. Dittmann I., Maug E., Kemper J. How fundamental are fundamental values? Valuation methods and their impact on the performance of German venture capitalists //European Financial Management. —2004. —V. 10. —№. 4. —P. 609–638. https://www.researchgate.net/publication/227361733_How_Fundamental_are_Fundamental_Values_Valuation_Methods_and_their_Impact_on_the_Performance_of_German_Venture_Capitalists.
  4. Fisher I. The theory of interest //New York. —1930. —V. 43. —P. 1–19.
  5. Gartner, Press Release STAMFORD, Conn. March 10, 2021 Gartner Says Tech Investors Will Prioritize Data Science and Artificial Intelligence Above «Gut Feel» for Investment Decisions By 2025 https://www.gartner.com/en/newsroom/press-releases/2021-03-10-gartner-says-tech-investors-will-prioritize-data-science-and-artificial-intelligence-above-gut-feel-for-investment-decisions-by-20250.
  6. Retterath,Andre. 2020. The Future of VC: Augmenting Humans with AI. https://mediatum.ub.tum.de/doc/1574989/1574989.pdf.
  7. Arroyo, J., Corea, F., Jiménez-Díaz, G., & Recio-García, J.A. (2019). Assessment of Machine Learning Performance for Decision Support in Venture Capital Investments. IEEE Access, 7, 124233-124243. https://www.semanticscholar.org/paper/Assessment-of-Machine-Learning-Performance-for-in-Arroyo-Corea/a076d1e0f713a14fed555ee4493c2196227b9a0f.
  8. Ross, Greg and Das, Sanjiv Ranjan and Sciro, Daniel and Raza, Hussain, Capital VX: A Machine Learning Model for Startup Selection and Exit Prediction (September 1, 2020). Available at SSRN: https://ssrn.com/abstract=3684185.
  9. Antretter, Torben & Blohm, Ivo & Sirén, Charlotta & Grichnik, Dietmar & Malmstrom, Malin & Wincent, Joakim. (2020). Do Algorithms Make Better—and Fairer—Investments Than Angel Investors? Harvard business review. https://hbr.org/2020/11/do-algorithms.
  10. Paul Gompers & Josh Lerner, 2006. «The Venture Capital Cycle, 2nd Edition», MIT Press Books, The MIT Press, edition 1, volume 1, number 0262572389, December. https://ideas.repec.org/b/mtp/titles/0262572389.html.
  11. Sahlman, William A., and Daniel R Scherlis. A Method for Valuing High-Risk, Long-Term Investments: The «Venture Capital Method». Harvard Business School Background Note 288-006, July 1987. (Revised October 2009.) https://www.hbs.edu/faculty/Pages/item.aspx?num=6515.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Основная формула Салмана.

Скачать (45KB)
3. Рис. 2. Формула расчета DCF.

4. Рис. 3. Результаты испытаний точности методов машинного обучения Андре Реттара.

Скачать (49KB)

© Юр-ВАК, 2023

Ссылка на описание лицензии: https://www.urvak.ru/contacts/