1/2免费的文章了剩下的

算法投资比天使投资更好、更公平吗?

2020年11月2日
仙人掌创意工作室/ Stocksy

许多大型风险投资基金使用人工智能(AI)支持他们的投资决策。比尔·马里斯,在谷歌风投管理合伙人,曾经有人说当你“能够接触到世界上最大的数据集……走出去进行大胆的投资将是愚蠢的。”

然而,大多数初创公司投资者无法获得谷歌那样的资源,仍然以老派的方式行事。例如,天使投资者在很大程度上依赖直觉进行投资。但随着技术的进步,以及通过机器学习构建强大算法的成本下降,这些投资者将需要决定是否将人工智能纳入其中。在进行早期投资决策时,它能否超越人类的判断?天使投资者又该如何利用它呢?

为了回答这些问题,我们建立了一个投资的算法和比较它与255对天使投资的回报表现。利用国家的最先进的机器学习技术,我们训练的算法,从欧洲最大的天使网络的一个选择当中623个交易最有前途的投资机会。该算法的决定是基于这是提供给天使投资人的时候,其中包括沥青材料,社交媒体的个人,网站等相同的数据。我们用这个数据来预测一个启动的生存前景 - 而不是措施,如估值,投资者往往青睐 - 因为它使我们的算法用一个更大,更可靠的数据集进行训练。

在我们的测试中,我们使用这个预测模型来模拟投资,并将天使投资者的投资组合与由算法创建的投资组合的回报进行比较。我们进一步调查了不同经验的天使投资者——投资少于10笔的新手和投资至少10笔的专家投资者——是如何相对于算法的表现表现得更好的。在我们的样本中,专业天使投资者的平均投资额是新手的两倍(12.2比5.2),是每个初创公司投资额的两倍(10,530比4548)。

洞察力中心

研究结果令人震惊,并为如何以及何时利用算法投资工具发挥最大优势提供了重要见解。根据我们的研究,投资新手很容易被算法优于 - 用自己有限的投资经验,他们发现在他们的决策认知偏差的高得多的迹象。有经验的投资者,不过,流线型好得多。因此,我们的研究表明偏见如何塑造人类投资者的决定 - 以及如何使用的算法可能有助于产生更好,更公平的投资回报工作。

该算法与天使

它一直有据可查认知偏差——即理性行为的系统性偏差——会导致较差的投资业绩。我们测量了五种偏差:1)本地偏差,即天使投资者倾向于投资于距离他们自己很近的地区;2)损失厌恶,天使投资者倾向于对潜在损失比对潜在收益更敏感;3)过度自信,即投资者“过度承诺”并在一家初创公司上投入比他们通常投入的多得多的资金;4)性别偏见;5)种族偏见。我们的数据显示,所有的偏见都存在于过度自信的天使投资者中——91%的人至少遭受过一次——是影响投资回报的最频繁和最强烈的偏见。

因为认知偏差会导致投资者做出非理性的投资决策,所以我们的投资算法表现优于人类平均水平也就不足为奇了。虽然该算法实现了7.26%的平均内部收益率(IRR),但255名天使投资者的平均内部收益率为2.56%。换句话说,该算法产生了超过人类平均水平184%的增长。

然而,并非所有投资者都同样容易受到他们的偏见的影响。例如,投资组合中非理性行为迹象较低的天使投资者的表现明显好于非理性的对手:偏差较小的新手组平均3.51%,而偏差较高的新手组平均亏损了-20.52%的内部收益率。

这些结果引起了我们的兴趣,我们研究了即使在投资者经验丰富的情况下,算法是否会胜出。我们发现,有经验的天使投资者表现出的认知偏差迹象要少得多,因此获得的投资回报要高得多。这群经验丰富的精英天使投资者平均实现了22.75%的内部收益率。然而,仅凭经验是不够的:那些有丰富经验但也表现出高度认知偏差的投资者平均只能实现2.87%的内部收益率。因此,我们的结果表明,只有有经验的投资者能够有效抑制自己的认知偏差,才能在做出早期投资决策时胜过机器学习算法。

有,我们发现在作怪,这可能会给算法边缘另外一个因素。实现风险投资较高的组合收益具有两面性 - 保护不利,增加了上攻。中央论文和风险投资的主要焦点一直找统计离群值(即,“独角兽”);我们的研究,然而,使人们有理由重新考虑在天使投资这个中央投资假说。通过预测生存概率,该算法能够挑选更好的组合比大部分255的天使投资人。因此,我们的数据表明,在事物的更大的计划,它实际上可能避免糟糕的投资更重要,而不是试图击出本垒打。鉴于其有限的资金,天使只能投资于企业和必须的数量是有限的,因此,采取非常谨慎,每投入。因此,问“这是一个可行的商业与生存非常高的可能性有多大?”可能是在实现不是搜索在大海捞针更高的组合收益更有价值。

越办越好也意味着更公平?

关于算法的创造者是否有偏见,已经有了充分的讨论。在我们的案例中,培训数据的结果并不是由人直接分类的(比如,与雇佣算法相比,在雇佣算法中,由人来决定谁是过去的好雇员)。该算法是基于数百家企业的实际生存和绩效数据进行训练的。鉴于这种高度的客观性,我们可以看到,与普通投资者相比,算法的投资组合选择较少受到损失厌恶或过度自信等经典投资偏见的影响。然而,这并不意味着它没有显示出偏见。我们惊讶地发现,算法确实倾向于选择白人企业家,而不是有色人种企业家,而且更倾向于投资由男性创始人创办的初创公司。

考虑到这些具体的结果,我们可以说,当前争议的讨论围绕偏置算法被指责为制造不公平的决定过于简单,错过期望膨胀的根本问题。机器学习模型经常训练的不同决策方案,例如,好或坏的早期投资之间进行区分。AI本身是,每默认情况下,不理性或偏置;它只是推断存在于现实世界的数据,我们给它来学习,为了潜在的决策方案进行区分,以利用这些模式模式。

因此,人工智能可能能够对抗缺乏投资经验的个人投资者有缺陷的决策过程,例如,它可能有助于纠正高估自己评估给定投资风险能力的投资者。然而,将人工智能作为一种对抗社会不平等的手段更具挑战性。在我们的案例中,尽管所有的数据源都是客观的,不受人类判断的影响——而且算法也没有提供种族和性别数据——但它的决策仍然带有偏见。但是算法本身并没有做出有偏见的决定;它再现了在我们的培训数据中固有的社会不平等。例如,算法预测的最重要因素之一是这家创业公司之前获得的资金。最近研究研究表明,女性在融资过程中处于不利地位,最终筹集到的风险资本较少,这可能会导致她们的初创企业不那么成功。换句话说,让女性和非白人创始人的企业过早死亡的社会机制,只是被人工智能投射到未来歧视的恶性循环中。

重要的是,我们的研究结果表明,有意识地去偏种族和性别决策不仅可能提高公平性,而且还可能提高早期投资决策的绩效。例如,我们发现,有经验的投资者在投资非白人创始人的企业时,系统地表现优于我们的算法。因此,这些有经验的投资者做出了成功的投资决策,而没有隐含的歧视模式,破坏了我们算法的结果。一般来说,在资源配置中,公平和效率之间总是存在权衡。这种权衡在算法决策中也很明显。我们永远不能指望人工智能有一个内置的解决方案来自动解决我们输入的数据所固有的社会问题。

一种混合的方法

我们的研究强调了在早期投资中使用人工智能的优势。它可以处理大量数据,纠正个人投资偏差,平均而言,它的表现优于人类对手。与此同时,最成功的个人——能够纠正自己认知偏差的经验丰富的投资者——在效率和公平方面都超过算法。

当然,这并不一定是直觉和算法决策之间的二选一。管理人员和投资者应该考虑,算法产生的是对未来潜在结果的预测,而不是决策。取决于如何使用预测,它们是基于人类的判断,这可能会(也可能不会)导致决策和行动的改进。因此,在复杂和不确定的决策环境中,核心问题不是是否应该取代人类的决策,而是应该如何通过结合人类和人工智能的优势来增强人类的决策能力——这一思想被称为“人工智能”混合智能

人工智能的循环。我们的研究表明,算法可以帮助新手投资者在作出早期投资决策。为了与算法的帮助下开始天使投资使投资新手,避免决策的警告,从而在他们的投资生涯,鼓励他们继续投资早期获得更高的回报。谁继续投资天使到一个生态系统,创造引发就业和创新提供了重要的资源。因此,我们看到很多潜力的投资培训新手投资者的算法在制作专家一样,导致改善财务回报的决定。

人类的智慧在循环。对于有经验的天使投资谁学会了管理自己的认知偏差,我们的研究结果显示,他们的直觉仍应被视为早期投资的黄金标准。因此,算法不仅应该对“客观”过去的业绩数据,可以轻松地再现社会偏见,也是对决策和选择这些决策者的行动训练。因此,在同一时间,我们看到潜力有经验的投资者培养投资的算法ŧØ做出更好,更公平的投资决策。

最后,尽管人工智能正迅速进入金融市场,但一流的早期投资仍由经验丰富的天使投资者主导。建立一种投资算法的关键是,即使是最有经验的天使投资者,最终也可以代替他们做出投资决定,这不仅在于克服人类的偏见,还在于在寻找最有前途的投资机会时模仿专家的直觉。


托本Antretter是联合创始人和董事总经理RightNow公司。他也是圣加仑在瑞士大学创业金融研究员。


Ivo Blohm是圣加伦大学信息管理研究所数据科学和管理的助理教授。


CHARLOTTA警报器是管理的副教授圣加仑大学全球创业中心与创新。


迪特马尔Grichnik是圣加仑大学(University of St. Gallen)创业学教授和技术管理学院院长。


马林表示是卢利理工大学创业与创新专业的教授。


乔金 - 维森特是汉肯经济学院(Hanken School of Economics)和圣加仑大学(University of St. Gallen)全球创业与创新中心创业与管理教授。


这篇文章是关于技术
相关话题: