1 按投资授权匹配程度安排联络顺序的决策
融资会消耗一种无法买回的资源:能够解释企业或基金的人所投入的注意力。募集私募资本的创始人、首席财务官或发起人,以及向有限合伙人募资的管理人,必须决定先让哪些投资者听到介绍、将哪些留待下一轮,以及完全不联络哪些。本文研究这项顺序决策,并询问:由策略、地域、投资金额和决策周期要素构建的投资授权匹配评分卡,是否足以预测符合标准的首次会面,从而决定联络的先后。
这个问题比初看时更窄。评分卡可能正确排列投资者,却仍误导规划预测;可能在一个市场预测准确,在另一个市场高估;也可能在本就由主观判断挑选的历史联络记录中表现优异。因此,我们区分三个性质:评分是否能排列投资者、概率是否准确,以及支撑它的证据能否经受另一种联络对象选择方式的检验。每个性质支持决策的不同部分,也有不同的失效方式。
现有证据支持这种区分。机构投资者及其标准制定者公布投资授权标准,因此可从文件判断匹配程度。[1, 2, 3] 投资者行为研究记录了分阶段漏斗、依赖关系网络的项目来源和本土偏好。[4, 5, 6] 监管机构界定了谁可以合法接收要约。[7, 8, 9, 10, 11] 统计文献说明应如何评价评分。[12, 13, 16] 这些来源均未将从业者评分卡与联络结果进行对照测试,我们的文献审阅也未找到此类已发表测试;这只说明本次审阅的结果,并非对全部文献作出断言。
本文的主要贡献是可复现的实验,展示验证需要测量什么以及需要多大规模。我们没有取得同意、带有时间戳的观测联络队列,并明确说明这一点。实验总体、结果和比率均为构造数据。实验确定的是既定评分卡在既定假设下的行为,不估计任何投资者的回复率、任何融资的转化率或任何顾问的价值。
2 先定义符合标准的首次会面,再定义评分
评分预测的是结果,因此必须先固定结果定义。我们建议,仅在四项条件均满足时记录符合标准的首次会面:会面确已举行;投资者由有权推进机会的人代表;投资者事先收到融资委托概要;投资者确认该机会属于其可执行的投资授权范围。礼节性通话、出于人情接受的会面,以及与收集市场信息的分析师的会面均予记录,但不计为符合标准的会面。
定义很重要,因为宽松的结果口径会美化薄弱评分。如果任何交谈都算数,按关系熟悉程度排序就会显得有效,因为熟人愿意接听电话。后续阶段同样需要纪律。投资者申请数据室访问权限或提出尽调清单时,记录为进入尽调。仅当签署文件形成具有约束力的投资义务时,才记录投资承诺。不具约束力的条款清单和意向表达另行记录。每项事件均附日期。
表1列出我们建议为长名单中每位投资者建立的记录。它将投资者已公布的信息与团队判断分开,并为每个输入要素附上复核日期。这是有意的区分。第15节说明,未记录的判断是历史队列产生误导的主要途径。该记录是交易档案的设计建议,并非有关任何投资者的研究发现。
| 记录项 | 所需信息 | 支持的决策 |
|---|---|---|
| 已声明的策略 | 资产类别、阶段、工具和排除事项,以及来源文件及其日期 | 机会处于投资授权之内、邻近范围还是之外 |
| 已声明的地域 | 允许、重点和排除地区,以及任何集中度限制 | 投资者能否持有相关风险敞口 |
| 投资金额能力 | 最低和最高承诺金额、占投资载体的比例限制,以及共同投资意愿 | 能否按拟议金额完成投资 |
| 决策周期状态 | 投资部署期、出资节奏、委员会日程和最后已知配置状态 | 投资者能否现在采取行动 |
| 法律边界 | 各相关司法辖区的投资者类别,以及获准采用的联络路径 | 能否联络该投资者以及如何联络 |
| 关系 | 现有联系人、介绍人和接受联络的同意 | 联络渠道和负责联络的人 |
| 联络事件 | 日期、发送人、已发送材料,以及选中该投资者的规则 | 结果能否用作证据 |
| 结果 | 依照上述定义记录并注明日期的会面、尽调和承诺事件 | 用于检验评分的结果 |
3 从投资者自己公布的记录读取投资授权
投资授权匹配程度是可观察的,因为机构会把投资授权写成文件。主权财富基金国际工作组于2008年十月发布的《圣地亚哥原则》指出,基金投资政策应当清晰,并与既定目标、风险承受能力和投资策略一致。原则还指出,政策应涵盖外部管理人的使用及其遴选程序,并应公开披露政策说明。[2] 这些原则属自愿遵循。它们确立披露预期,并未证明某个基金的当前投资意愿与其公开政策一致。
公共养老金政策显示了此类标准的具体形式。2019年十一月提交CalPERS投资委员会的一份私募股权项目政策列出策略目标和区间:收购为65%,区间55%至75%;成长为15%,区间5%至20%;信贷相关和机会型策略各为10%,区间0%至15%;风险投资为1%,区间0%至7%。政策将对任一基金的承诺限制在其规模的25%,限制单一普通合伙人占整个项目的风险敞口比例,并要求员工每月报告收到的提案、在流程中的阶段和处理情况。[3] 这是一份显示拟议修订的有日期委员会文件,支持已公布限制的存在及其形式,不能证明当前限制。
有限合伙人采用的尽调标准指向相同输入要素。机构有限合伙人协会于2021年十一月更新的问卷涵盖二十个主题。投资策略部分要求管理人提供预期交易规模,包括最低和最高金额、投资节奏、持有期、地域重点、行业重点和阶段,以及跨地域或行业的集中度限制。[1] ILPA说明,问卷并非必交文件。它展示投资者首先询问哪些属性,不对这些属性排序,也不测量不匹配导致对话结束的频率。
这些来源为评分卡的输入类别提供依据,但均未给出权重。第7节分配给每个要素的分值是设计选择,实验考察选择错误时会发生什么。
4 将地域同时视为投资授权要素和法律边界
地域从两个方面进入决策。它是一种偏好,因为投资者集中于拥有知识和关系的地方;它也是一种许可条件,因为只能以特定方式向特定人士提出要约。Hochberg和Rauh发现,各类机构投资者均超配本州的私募股权基金;对公共养老金而言,超配幅度平均相当于私募股权组合的9.7%,而州内投资回报低于州外投资。[5] 该研究覆盖美国有限合伙人和一个资产类别。它支持将邻近性作为兴趣的预测要素,并未证明邻近性能预测任何一方的良好结果。
下述监管实例描述的是所引规则的特定版本。每次联络前,法律顾问应确认现行法律、公司的许可和接收者分类。所引美国投资顾问营销规则定义了受其约束的广告,并限制不实陈述、无依据的重大主张,以及未公平、平衡说明风险的利益陈述。是否适用于某项具体沟通,取决于内容、接收者和适用的排除情形。[7] Rule 506(c)允许发行人公开招揽,但每位购买者必须是合格投资者,发行人须采取合理步骤核实该身份,并满足Regulation D的其他条件。[8] 在英国,除非适用与接收者经认证类别相关的豁免,公司不得传播可能被零售客户接收的非大众市场投资推广材料。[9] 非受监管集合投资计划的份额不属于该规则范围,而由section 238 of the Financial Services and Markets Act 2000规管。[9]
海湾地区的规则同样具体。迪拜金融服务管理局规则手册的指引记载,外国基金仅在满足三个条件之一时,方可从迪拜国际金融中心进行发售;其中一种情形是向符合Professional Clients资格的人士私募配售,初始认购额至少为USD 50 000。[10] 沙特《投资基金条例》要求外国基金通过持牌分销商以私募方式发售,投资对象由机构及合格客户界定,并对每位零售要约对象可支付的金额设上限;发售前至少十五天须通知管理局。[11] 我们未审阅阿布扎比全球市场监管机构的规则,不对其作出陈述。
表2将这些规则转化为评分卡记录。法律边界是一道准入门槛,不产生分值。属于许可类别之外的投资者,在任何排序开始前即从名单剔除,或转入允许的渠道。高匹配分值绝不能成为突破法律边界联络投资者的理由。本表是研究摘要,不是法律意见。
| 司法辖区及来源 | 来源确立的内容 | 长名单应留存的记录 |
|---|---|---|
| 美国:投资顾问营销规则,17 CFR 275.206(4)-1 | 顾问向潜在私募基金投资者进行的某些沟通属于广告定义;受约束的主张须有依据且表述平衡;规则还包含总收益/净收益展示条件及排除情形 | 向每位投资者发送的获批材料版本;主张依据档案 |
| 美国:Rule 506(c) | 所有购买者均为合格投资者,且采取合理核实步骤时,允许公开招揽 | 所选发售路径;每位购买者的核实证据 |
| 英国:FCA COBS 4.12B | 非大众市场投资推广不得触达零售客户,适用豁免除外;须采取合理步骤确认接收者类别;非受监管计划的份额由section 238规管 | 客户类别;相关情况下的证明日期 |
| DIFC:DFSA Collective Investment Rules,第15章 | 外国基金发售须采用指定基金、适合性建议,或面向Professional Clients的私募配售路径;后者初始认购至少为USD 50 000 | 采用的路径;Professional Client分类 |
| 沙特阿拉伯:CMA Investment Funds Regulations,第6部分 | 外国基金经持牌分销商私募发售,以机构及合格客户界定对象,并对每位零售要约对象设金额上限;须提前十五天通知 | 获委任的分销商;通知日期;投资者类别 |
为研究目的概括所引来源,不构成法律意见。每行说明来源确立的内容,不是对整个监管制度的完整说明。[7, 8, 9, 10, 11]
5 将决策周期状态与结构性投资授权匹配分开
策略、地域和投资金额变化缓慢,说明投资者获准并倾向于做什么。决策周期状态变化迅速,说明其能否在相关时段行动:投资载体是否仍在投资、年度配置是否开放,以及委员会下一次何时开会。我们将前三者视为结构匹配,将第四者视为时机。结构完全匹配但配置已经关闭的投资者,可能适合下一次融资,却不值得在本轮投入时间。
关于风险投资者的研究提供了所需时间的参考,同时有适用边界。Gompers、Gornall、Kaplan和Strebulaev调查了885名机构风险投资者,分布于681家公司;他们报告,平均交易需83天完成,包含118小时尽调和十次背景推荐电话。[4] 这些数字来自评估企业的风险投资公司自报,并不描述评估基金的有限合伙人、信贷投资者或海湾机构。它们说明,从首次接触到投资承诺的间隔足够长,投资者的周期状态可能在流程进行期间发生变化。
时机要素的数据也最差。公开政策有日期且稳定;投资部署状态则须从公告、谈话和日程推断。因此,我们预期决策周期记录比其他要素更容易过时,并在实验中赋予它最高的过时率。这是表4明确列出的假设,第16节会改变该参数。预测权重最大的要素,也可能最不可靠。
6 投资者筛选研究确立了什么,又未确立什么
文献中的三个发现塑造了实验。第一,投资者流程分阶段且筛选严格。Gompers及合作者报告,风险投资公司每完成一笔交易,大约考察100个机会。约四分之一进入与管理层会面,其中三分之一进入合伙人会议,再有约一半进入尽调,而尽调案例中约三分之一获得条款清单。[4] 这是投资者自己的漏斗,支持将结果建模为一系列条件性阶段,第13节正是如此处理。
第二,接触机会依赖关系。同一调查报告,超过30%的交易源于专业网络,约20%由其他投资者推荐,只有约10%来自企业管理层的主动接洽。约一半受访者将与基金匹配列为重要筛选因素,14%将其视为最重要因素,远落后于管理团队。[4] 因此,投资授权匹配只是多个输入之一,既有关系是另一个独立预测要素。在构造的生成模型中,关系提供额外的结果信息。其在真实联络活动中的增量样本外预测价值必须经过评估,不能直接假定。
第三项发现涉及方法。Bernstein、Korteweg和Laws在一个在线平台进行随机实地实验,发送近17 000封电子邮件,收件人为约4 500名活跃早期投资者,并改变各邮件披露的信息。平均投资者对创始团队信息反应强烈,对业务进展或现有领投投资者的信息则没有同样反应。[6] 研究场景是单一平台的早期股权投资。这里重要的是设计:披露信息经过随机分配,因此可将反应归因于信息。评分卡研究也需要这一性质。
这些研究均未测量投资授权匹配评分能否预测面向机构的私募配售中的首次会面,也均未覆盖海湾地区。我们用它们选择实验结构,不用其设定任何比率。
7 明确规定评分卡,使其能够被证伪
评分卡应足够简单,才能接受审计并证明其使用价值。我们提出四个输入要素,每项按三个水平评分,总分为100。策略和决策周期各占30分,地域和投资金额各占20分。记录显示机会不属于投资授权或周期关闭时,该项得零分;邻近匹配或不确定时得一半分值;有文件证明匹配时得满分。表3给出矩阵。第4节的法律边界在评分前适用,不计分。
在公式(1a)中,S为投资者i的评分,w为输入要素k的分值权重,带波浪号的记录水平取值为0、0.5或1。公式(1b)是实验使用的生成模型:符合标准的首次会面发生时,M等于一;x是各输入的真实水平;存在关系时r等于一;u是从不被记录的投资意愿;希腊字母是明确设定的系数。评分采用记录中的输入和固定分值。结果取决于真实输入,以及评分看不到的另两项因素。
| 输入要素 | 分值 | 零分情形 | 半分情形 | 满分情形 | 应留存的证据 |
|---|---|---|---|---|---|
| 策略 | 30 | 资产类别、阶段或工具被排除 | 允许,但不属于已声明的重点 | 属于已声明的重点 | 注明日期的政策、投资授权或基金文件 |
| 地域 | 20 | 地区被排除 | 地区获准,但不是重点 | 重点地区或本土市场 | 政策限制;既往投资 |
| 投资金额 | 20 | 投资金额超出所述区间 | 处于区间边缘或投资载体占比上限附近 | 处于区间之内 | 承诺金额区间;占基金比例限制 |
| 决策周期 | 30 | 投资载体已全部作出承诺,或配置关闭 | 周期中段或状态不确定 | 配置开放且正积极部署资金 | 注明日期的状态记录及其来源 |
| 法律边界 | 准入门槛 | 不联络,或经获准渠道联络 | 不适用 | 有文件依据证明合资格 | 类别与路径,见表2 |
三个选择使评分卡可受检验。输入为类别变量,因此两位分析师阅读相同文件应得到相同评分。权重在结果揭晓前固定。关系不纳入评分,以便区分匹配的价值和接触渠道的价值。
8 从区分能力、校准和提升倍数评价评分
评分要完成两项任务,衡量方法不同。区分能力是排序能力:接受会面的投资者应比未接受者得分更高。标准指标是受试者工作特征曲线下面积。Fawcett说明,该面积等于随机选取一个正例排名高于随机选取一个负例的概率;随机排序给出0.5,基尼系数则为面积的两倍减一。[12] 在保持每类结果内部评分分布不变时,AUC不受类别比例变化影响。跨融资比较仍需关注案例构成和结果生成机制。
在公式(2a)中,a指接受符合标准会面的投资者,b指未接受者;同分按半个胜例计,这对不同分值较少的评分卡很重要。在公式(2b)中,十分位d的提升倍数为该组会面率,即m次会面除以n名投资者,再除以全名单会面率。提升倍数回答首批对象比平均水平好多少这一实际问题。Fawcett指出,提升倍数会随基准率变化,而ROC曲线不受同样影响;因此,将一个融资的提升倍数移用于另一个时,必须同时保留其基准率。[12]
校准是第二项任务:预测为20%的事件,实际应约每五次发生一次。Van Calster及合作者称校准是预测模型的薄弱环节,并区分其层次。平均校准比较平均预测与观测比率。弱校准由目标为零的截距和目标为一的斜率概括;斜率低于一说明预测过于极端。他们列出的原因包括过拟合、情境差异、随时间漂移和测量误差,并指出校准不佳的模型可能不如AUC更低的竞争模型有用。[13]
在公式(3a)中,以帽号表示的投资者i的拟合概率,在对数优势尺度上与结果作回归;alpha是将斜率固定为一时估计的校准截距,lambda是校准斜率。公式(3b)为布里尔分数B,即n名投资者预测与结果差值的平方平均值;数值越低越好,而且只能比较在相同结果上检验的评分。2026年四月发布的银行模型风险监管指引,将模型输出与实际结果的比较称为结果分析,并指出,当设计依赖专家判断时,这有助于评估其质量。[16] 该指引针对银行机构,不是约束顾问的规则;我们借用其术语,不借用其监管效力。
9 具有明确生成假设的构造总体
实验完全由构造而成。我们生成12 000名投资者,固定随机种子为1376。每位投资者的策略、地域、投资金额和决策周期均有真实水平,按照表4所列占比独立抽取。每五名投资者中一人与团队存在关系。每人都有从标准正态分布抽取、未记录的投资意愿,代表所有能推动投资者行动却从未进入数据库的因素。每人另有一个不影响任何结果的知名度值。
结果遵循公式(1b)。符合标准的首次会面的对数优势,在策略完全匹配时增加2.2,决策周期开放时增加2.0,投资金额匹配时增加1.2,地域匹配时增加1.0;存在关系再增加0.9,每单位投资意愿增加0.7。尽调和投资承诺依照进一步明确的公式生成,并以前一阶段为条件。在这些输入下,若均被联络,总体中12.5%会接受符合标准的会面。该比率是输入的结果,不是市场估计。团队看不到真实水平,只能看到记录;各记录按明确概率过时:策略和地域为5%,投资金额为15%,决策周期为20%。
总体随机分为开发半样本和验证半样本,每个包含6 000名投资者。评分卡分值预先固定,不使用任一半样本。开发半样本只用于拟合评分到概率的映射。报告中的全部区分能力、提升倍数和校准指标均来自验证半样本,其中每名投资者都被联络。最后这一条件至关重要,它是完全随机联络活动的构造对应物,而真实团队几乎从未拥有这种条件。第15节取消该条件。
| 输入 | 假设 | 状态 |
|---|---|---|
| 总体 | 12 000名投资者;随机种子1376;两个半样本各6 000名 | 构造 |
| 策略匹配(范围外/邻近/核心) | 40% / 35% / 25% | 假设 |
| 地域匹配(范围外/允许/重点) | 30% / 35% / 35% | 假设 |
| 投资金额匹配(区间外/边缘/区间内) | 30% / 40% / 30% | 假设 |
| 决策周期(关闭/中段/开放) | 30% / 40% / 30% | 假设 |
| 既有关系 | 20%的投资者 | 假设 |
| 会面的对数优势 | -5.95 + 2.2 策略 + 1.0 地域 + 1.2 投资金额 + 2.0 周期 + 0.9 关系 + 0.7 意愿 | 生成模型 |
| 在会面条件下,尽调的对数优势 | -2.3 + 1.2 策略 + 0.8 投资金额 + 0.6 周期 + 0.5 意愿 | 生成模型 |
| 在尽调条件下,投资承诺的对数优势 | -2.3 + 1.0 投资金额 + 1.0 周期 + 0.4 地域 + 0.5 意愿 | 生成模型 |
| 未记录的意愿;知名度 | 各自服从标准正态分布;知名度不影响结果 | 假设 |
| 评分卡分值 | 30 策略/20 地域/20 投资金额/30 周期 | 设计选择 |
| 记录过时,基准情形 | 5% 策略/5% 地域/15% 投资金额/20% 周期 | 假设 |
| 记录过时,压力情形 | 15% / 10% / 30% / 50% | 压力输入 |
| 错误权重评分卡 | 15 策略/45 地域/40 投资金额/0 周期 | 压力输入 |
| 市场降温 | 每项会面对数优势下降0.7;重新抽取结果 | 压力输入 |
| 首轮 | 100次联络,以每1 000个名单对象计 | 设计选择 |
| 队列重抽样 | 每种规模抽取2 000个随机队列,不放回抽样 | 方法 |
全部为构造数据。各水平评分为0、0.5和1。没有任何输入是观测到的市场比率。
10 区分能力:评分比替代方法更好地排列投资者
在验证半样本中,基准评分卡的AUC达到0.744,相当于基尼系数0.488。随机抽取时,接受了符合标准会面的投资者,其得分高于未接受者的概率约为四分之三。两个比较基准为该结果提供参照。按知名度排序,即习惯先接触最大和最知名的对象,得到0.524;由于模型设定知名度对结果没有影响,因此接近随机。仅按关系排序得到0.550:关系在生成模型中有作用,但只有五分之一的投资者存在关系,所以该规则无法排列其余对象。
上限与结果本身同样有启发。按团队无法知道的真实生成概率排序,得到0.833。0.744与该上限的差距有三个来源。记录不完善:同样权重用于完美记录时,可达到0.782。评分卡遗漏了关系。此外,意愿项按构造设定不可观测。基于文件的评分无法弥合最后一项差距,团队不应期待它做到。
权重的重要性可能低于预期。以四个记录输入和关系在开发半样本拟合的逻辑回归达到0.758。四项匹配系数归一化至总和100;各自独立四舍五入后的占比为35/18/19/29,因四舍五入而合计101。它们接近预先选择的30、20、20和30。每项权重均为25的评分卡达到0.732。在这个总体中,输入选择和记录质量对区分能力的影响,大于对分值进行精细调整。
11 按十分位计算的提升倍数使首轮更集中
表5和图1按评分排列验证半样本,并将其分成十个等量组。四输入评分卡产生的不同数值较少,因此同分投资者按固定随机键排序,相邻十分位的评分区间也随之接壤。最高十分位会面率为36.2%,是平均值的2.89倍,平均会面率为12.5%。最低十分位会面率为2.5%,提升倍数0.20。最高两个十分位包含所有符合标准会面的44.6%,最高三个包含58.7%,最高半数包含81.0%。
曲线形态承载着决策。提升倍数在第一十分位后急降,并在第四和第五十分位之间降至一以下。此后每次联络的产出低于随机联络,到第八十分位时约为随机水平的四分之一。打算覆盖全部名单的团队,无法通过评分增加总会面数,只能改变会面发生的顺序。评分是排序工具,在产能最紧张时价值最高。
| 十分位 | 投资者 | 评分区间 | 会面 | 生成率 | 预测率 | 提升倍数 | 累计占比 |
|---|---|---|---|---|---|---|---|
| 1 | 600 | 75至100 | 217 | 36.2% | 39.1% | 2.89 | 28.9% |
| 2 | 600 | 65至75 | 118 | 19.7% | 23.1% | 1.57 | 44.6% |
| 3 | 600 | 60至65 | 106 | 17.7% | 16.7% | 1.41 | 58.7% |
| 4 | 600 | 55至60 | 103 | 17.2% | 13.0% | 1.37 | 72.4% |
| 5 | 600 | 50至55 | 64 | 10.7% | 9.6% | 0.85 | 81.0% |
| 6 | 600 | 45至50 | 53 | 8.8% | 7.9% | 0.71 | 88.0% |
| 7 | 600 | 35至45 | 40 | 6.7% | 5.8% | 0.53 | 93.3% |
| 8 | 600 | 30至35 | 17 | 2.8% | 4.3% | 0.23 | 95.6% |
| 9 | 600 | 20至30 | 18 | 3.0% | 3.0% | 0.24 | 98.0% |
| 10 | 600 | 0至20 | 15 | 2.5% | 1.6% | 0.20 | 100.0% |
MatchPoint对构造总体的分析。明确输入下的模型输出,不是观测队列结果。显示值经四舍五入。预测率采用开发半样本拟合的映射。
横向滚动以原尺寸阅读图表,也可打开原尺寸图。
MatchPoint对构造总体验证半样本的分析。明确输入下的模型输出;无观测队列。
12 校准将排名转化为规划概率
排名告诉团队从哪里开始;概率告诉团队,为获得目标会面数需要联络多少对象,这也是客户关心的数字。我们在开发半样本上拟合从评分到概率的双参数逻辑映射,截距为-4.89,系数为5.30,作用于评分除以100后的数值。映射将9.6%分配给50分、23.4%分配给70分、60.0%分配给100分。应用于验证半样本后,平均预测为12.4%,而生成率为12.5%。
验证半样本的校准截距为0.01,斜率为0.89。因此平均校准良好,而低于一的斜率说明预测稍显极端。表5显示了差异所在:最高十分位预测为39.1%,实际模型会面率为36.2%;任一十分位内预测率与生成率的最大差距为4.2个百分点。图2将十个十分位与对角线比较。布里尔分数为0.0994,而给每位投资者统一平均概率的预测为0.1095,改善9.2%。
由此得到两点警示。斜率来自一次结果抽取中的751次会面,偏离一的部分原因是抽样变动,并非全是映射本身的性质;我们按原样报告,没有调整。更重要的是,映射是评分卡中脆弱的部分。在该压力测试中,评分权重保持固定,而概率映射拟合于原先的构造响应机制。第16节固定评分顺序,同时改变会面概率;市场降温情形将会面数量高估超过一半。
横向滚动以原尺寸阅读图表,也可打开原尺寸图。
MatchPoint对构造总体验证半样本的分析。过时记录折线直接采用基准记录拟合的映射,不重新拟合。
13 沿漏斗追踪首次会面至投资承诺
首次会面是中间结果。因此,实验采用风险投资调查从投资者一侧记录的条件结构,将每位投资者继续推进至尽调和投资承诺阶段。[4]
在公式(4a)中,投资者i作出投资承诺时C等于一;p为符合标准会面的概率,q为会面条件下的尽调概率,c为尽调条件下的投资承诺概率。在公式(4b)中,E为首轮K次联络的预期投资承诺数,T为依据被测试规则排名最高的K名投资者集合。在生成模型中,策略和投资金额驱动尽调,投资金额和决策周期驱动承诺,未记录的意愿进入每个阶段。
表6和图3按评分组报告生成结果。最高五分位会面率为27.9%,其中47.2%的会面转为尽调,52.5%的尽调转为投资承诺,对应69.2项承诺,以每1 000次联络计。中间三个五分位产生15.0项,最低五分位产生2.5项。最高五分位提供83项承诺,占全部140项的59.3%。评分对承诺的排序AUC为0.791,略高于会面,因为开启首次会面之门的输入同样推动后续阶段。
有一项数字限制了这一结果。对于已经参加会面的投资者,评分区分其是否进入尽调的AUC仅为0.595。投资者一旦进入会议室,评分卡所能提供的额外信息便有限;剩下的是其看不到的意愿,以及实验未建模的机会质量。绝对转化率由作者设定,远高于风险投资公司报告的约每100个机会完成一笔交易。[4] 这些数字描述的是构造情形中经过筛选的长名单,不应当作市场比率。
| 评分组 | 对象数 | 会面 | 尽调 | 签署 | 会面率 | 尽调率 | 签署率 | 每1 000次的签署数 |
|---|---|---|---|---|---|---|---|---|
| 最高五分位 | 1,200 | 335 | 158 | 83 | 27.9% | 47.2% | 52.5% | 69.2 |
| 中间三个五分位 | 3,600 | 383 | 145 | 54 | 10.6% | 37.9% | 37.2% | 15.0 |
| 最低五分位 | 1,200 | 33 | 8 | 3 | 2.8% | 24.2% | 37.5% | 2.5 |
| 全部 | 6,000 | 751 | 311 | 140 | 12.5% | 41.4% | 45.0% | 23.3 |
MatchPoint对构造总体的分析。明确输入下的模型输出,不是观测队列结果。显示值经四舍五入。对象数为已联络投资者;签署代表投资承诺;尽调率以会面为分母,签署率以尽调案例为分母。
横向滚动以原尺寸阅读图表,也可打开原尺寸图。
MatchPoint对构造总体验证半样本的分析。生成结果;漏斗比率为作者设定的输入。
14 首轮产能使提升倍数转化为决策
排序决策有资源预算。假设负责人在首轮能够完成100次充分准备的联络,以长名单每1 000个对象计。表7利用生成概率的预期值,在该预算下比较排序规则。这从比较中去除了新伯努利结果抽取的噪声,同时保留对有限构造总体、排序和同分排序抽取,以及假定参数的依赖。随机顺序给出12.9次预期会面和2.40项承诺。按知名度排序给出13.1和2.44。关系优先给出19.9和3.55。基准评分卡给出36.8和8.80,相当于随机顺序会面数的2.8倍、承诺数的3.7倍。
多数团队真正面临的是与关系驱动联络的比较。由于关系在生成模型中有真实作用,在构造情形下先找熟悉投资者优于随机顺序;但在相同联络次数下,评分卡产生的预期投资承诺仍是其2.5倍。结合两者的拟合模型达到39.5次会面。实际含义是:以匹配选择对象,以关系选择路径。评分卡捕获了完美预知情况下74%的会面,表中没有一种基于文件的排序能消除该差距。
| 排序规则 | 联络次数 | 预期会面 | 预期尽调 | 预期投资承诺 | 每项承诺所需联络 |
|---|---|---|---|---|---|
| 随机顺序 | 100 | 12.9 | 5.5 | 2.40 | 42 |
| 仅按知名度 | 100 | 13.1 | 5.6 | 2.44 | 41 |
| 关系优先 | 100 | 19.9 | 8.3 | 3.55 | 28 |
| 错误权重 | 100 | 23.0 | 10.7 | 5.56 | 18 |
| 过时记录 | 100 | 31.1 | 15.2 | 6.94 | 14 |
| 基准评分卡 | 100 | 36.8 | 18.6 | 8.80 | 11 |
| 拟合权重加关系 | 100 | 39.5 | 20.0 | 9.39 | 11 |
| 生成概率(实际不可获得) | 100 | 49.6 | 27.4 | 13.78 | 7 |
MatchPoint对构造总体的分析。明确输入下的模型输出,不是观测队列结果。显示值经四舍五入。预期值来自生成概率。
图4是排序地图。它将满分70的结构匹配分值与记录中的决策周期状态分开,展示各单元格的预期会面率,以及其中多数投资者被分配的轮次。在最高匹配组,记录周期关闭时会面率为18.1%,开放时升至44.5%,为前者的2.5倍。轮次按总分设置:70及以上、55至69、40至54,以及低于40的暂缓组。第1轮占名单16.8%,包含预期会面的43.6%。第1轮和第2轮合计占名单40.2%,包含预期会面的73.7%。
暂缓组是决策中较难面对的一半。它占名单30.9%,包含7.5%的预期会面,每次会面需33.6次联络,对比数为3.2次,后者属于第1轮。暂缓这些对象可以保护高层时间和融资机会的声誉,也会放弃真实会面,因为误记为关闭的周期实际上仍可能开放。因此,地图需要更新规则:暂缓是注明日期的状态,随记录复核而重新审视,绝不是永久排除。
横向滚动以原尺寸阅读图表,也可打开原尺寸图。
MatchPoint对构造总体验证半样本的分析。单元格显示符合标准会面的平均生成概率和最常见轮次。
15 非随机联络改变了队列表面上显示的结果
到目前为止,假设每名投资者都被联络。真实历史不同:团队选择联络谁,而且选择有其理由。Heckman将样本选择偏差描述为模型设定错误,并提出纠正它的估计方法。[14] 当纳入样本的规则与结果有关时,除非对该规则建模,否则样本估计有偏。Seaman和White综述了一种补救方法,即逆概率加权:每个观测案例按其被观测概率的倒数加权,并讨论如何选择该概率模型。[15]
在公式(5a)中,投资者i被联络时A等于一,pi为被联络概率,z汇集记录特征,u为未记录意愿。在公式(5b)中,以带帽号mu表示的重新加权会面率,将所有已联络投资者的结果相加,每项结果除以估计的联络概率;该概率只能利用已记录特征。我们在全部总体上测试三个设计。第一种随机联络四分之一的投资者。第二种偏向关系和知名对象,两项均有记录。第三种偏向关系、真实匹配和团队感知有意愿的投资者,而这三项中只有第一项被记录。
表8和图5给出结果。随机联络的表现符合预期:队列会面率为12.2%,尚未联络投资者的预测为12.2%,其生成率为12.6%。按记录特征选择使队列会面率升至14.5%;朴素地按该队列拟合的映射,对剩余名单预测14.4%,而生成率为12.0%。重新加权后预测降至12.8%。当选择规则有记录时,偏差较小且大部分可纠正。
按未记录判断选择对象时,队列会面率为22.5%,接近总体的两倍,因为团队选择得好。剩余对象的朴素预测为18.0%,其生成率为9.7%。预测高达应有水平的1.86倍,按记录特征重新加权也只能降至1.76倍。区分能力受到的影响较小且方向相反:队列内AUC为0.720,而总体为0.752,因为按匹配选出的队列中,可供区分的不匹配对象更少。
| 联络设计 | 队列规模 | 队列会面率 | 重新加权率 | 队列内AUC | 朴素预测,剩余名单 | 重新加权预测,剩余名单 | 生成率,剩余名单 |
|---|---|---|---|---|---|---|---|
| 随机联络 | 3,024 | 12.2% | 12.1% | 0.750 | 12.2% | 12.2% | 12.6% |
| 按记录特征选择 | 2,503 | 14.5% | 13.0% | 0.753 | 14.4% | 12.8% | 12.0% |
| 按未记录判断选择 | 2,628 | 22.5% | 18.0% | 0.720 | 18.0% | 17.1% | 9.7% |
MatchPoint对构造总体的分析。明确输入下的模型输出,不是观测队列结果。显示值经四舍五入。只有在构造总体中,才能知道未联络投资者的生成率。
在这个构造的选择设计中,判断提高了队列会面率,同时降低未联络投资者的生成率。按指定的记录特征重新加权仍留下残余偏差,因为选择还使用未记录意愿和真实匹配。真实联络活动中偏差的方向及大小,取决于其选择机制。对目标抽样框内全部对象采用已知且为正的选择概率进行随机化,可支持基于设计的估计;观察性调整则需要明确的识别假设和充分的记录预测要素。
横向滚动以原尺寸阅读图表,也可打开原尺寸图。
MatchPoint对构造总体的分析。朴素预测和重新加权预测分别在各已联络队列上拟合,再应用于剩余投资者。
16 错误权重、过时记录和市场降温以不同方式失效
表9将基准映射直接用于一组压力情形,不重新拟合。每种情形留下不同特征,指向不同补救办法。错误权重评分卡在这里将45分给地域、40分给投资金额、15分给策略,不给决策周期分值,其AUC降至0.657,最高十分位提升倍数降至1.90。校准斜率降至0.46,截距降至-0.26。排序和概率均受损。补救是重新审视权重,这需要结果数据。
过时记录的失效更不显眼。当半数决策周期记录、30%投资金额记录、15%策略记录和10%地域记录过时时,AUC降至0.705,最高十分位提升倍数降至2.64。截距保持0.00,平均预测仍准确,但斜率降至0.72:高分被过度承诺,低分被低估。图2显示这一扁平化。问题不在权重,不应改权重,而应更新记录。错误权重与过时记录同时存在时,AUC为0.636。
市场降温以第三种方式失效。我们将每名投资者会面的对数优势减少0.7,并重新抽取结果。评分顺序保持固定,对较冷市场结果的AUC为0.766。结果概率的变化和新抽取的结果,均可能影响其与基准AUC的差异。斜率为0.99,截距为-0.60:映射预测12.4%,而模型市场给出7.6%,高估至1.63倍。在这个构造压力情形中,固定评分仍有区分能力,基准概率映射却高估会面率。补救是在近期结果上重新估计截距,Van Calster及合作者将其称为更新模型的第一步。[13]
| 排序规则 | AUC | 最高十分位提升倍数 | 最高五分位捕获比例 | 布里尔分数 | 校准截距 | 校准斜率 |
|---|---|---|---|---|---|---|
| 随机顺序 | 0.505 | 1.07 | 20.2% | 0.1095 | n/a | n/a |
| 仅按知名度 | 0.524 | 1.11 | 21.8% | 0.1094 | n/a | n/a |
| 关系优先 | 0.550 | 1.61 | 30.6% | 0.1084 | n/a | n/a |
| 错误权重及过时记录 | 0.636 | 1.89 | 35.4% | 0.1147 | -0.25 | 0.40 |
| 错误权重 | 0.657 | 1.90 | 38.7% | 0.1124 | -0.26 | 0.46 |
| 过时记录 | 0.705 | 2.64 | 42.5% | 0.1033 | 0.00 | 0.72 |
| 等权重 | 0.732 | 2.80 | 43.7% | 0.1001 | -0.01 | 0.88 |
| 基准评分卡 | 0.744 | 2.89 | 44.6% | 0.0994 | 0.01 | 0.89 |
| 基准评分卡,市场降温 | 0.766 | 3.39 | 51.9% | 0.0680 | -0.60 | 0.99 |
| 基准权重,完美记录 | 0.782 | 3.37 | 50.1% | 0.0950 | 0.01 | 1.09 |
| 拟合权重加关系 | 0.758 | 3.05 | 47.9% | 0.0976 | 0.01 | 0.92 |
| 生成概率(实际不可获得) | 0.833 | 3.90 | 60.6% | 0.0890 | -0.02 | 0.97 |
MatchPoint对构造总体的分析。明确输入下的模型输出,不是观测队列结果。显示值经四舍五入。评分卡各行采用基准概率映射,不重新拟合。其他行,包括按生成概率排序的比较基准,报告的概率指标采用对各自排序输入拟合的逻辑映射。因此,该比较基准的布里尔分数和校准值并非直接由生成概率计算。n/a表示仅作排序比较的对象有意不报告校准指标。
图6连续改变过时程度。四项记录同时老化时,AUC从完美记录的0.782降至0.699,对应30%过时;降至0.649,对应50%;降至0.605,对应70%。最高十分位提升倍数从3.37降至中点时的1.88。仅决策周期记录老化时,下降较缓:AUC为0.737,对应50%;为0.719,对应70%,因为结构匹配仍发挥作用。在50%的重新抽取概率下,得到的记录在该总体中仍优于按知名度及关系排序。规划预测比排序退化更快:四个输入各以50%概率重新抽取时,校准斜率为0.52。
横向滚动以原尺寸阅读图表,也可打开原尺寸图。
MatchPoint对构造总体验证半样本的分析。过时记录按照总体各类别占比重新抽取。
17 样本量限制了一次联络活动能证明什么
单次融资联络几十或几百名投资者,而非数千名。为了解这样的活动能得出什么,我们从总体为每种规模抽取2 000个随机队列,并计算各队列AUC。表10报告分布。随机联络100名投资者、约产生12.5次会面时,中间90%的估计值为0.624至0.868。同一评分卡可能使团队观测到0.65或0.85的AUC。250次联络对应0.675至0.824;1 000次则收窄至0.717至0.787。
公式(6a)记录如何生成过时:记录水平等于真实水平x,除非重新抽取指示量d等于一;d取一的概率就是输入k的设定概率。此时按总体占比重新抽取x-star水平,它可能与原值相同。公式(6b)将已发表的临床预测模型指南改用为规划参考:校准曲线曾被建议需要约200个有结果案例和200个无结果案例。[13] 在构造的12.5%比率下,预期事件计算约需1 610次联络。实际达到的事件数、聚类、模型复杂度和目标精度需要针对具体研究评估;该计算不是普遍适用的验证门槛。截距和斜率估计也需要不确定性区间。
| 随机联络的投资者 | 预期会面 | 平均AUC | 中间90%的AUC估计 | 宽度 | 基准优于错误权重 | 基准优于等权重 |
|---|---|---|---|---|---|---|
| 100 | 12.5 | 0.752 | 0.624至0.868 | 0.244 | 91% | 75% |
| 250 | 31.2 | 0.752 | 0.675至0.824 | 0.148 | 98% | 88% |
| 500 | 62.4 | 0.752 | 0.700至0.802 | 0.102 | 100% | 94% |
| 1,000 | 124.3 | 0.753 | 0.717至0.787 | 0.070 | 100% | 99% |
| 2,500 | 312.4 | 0.752 | 0.731至0.774 | 0.043 | 100% | 100% |
MatchPoint对构造总体的分析。明确输入下的模型输出,不是观测队列结果。显示值经四舍五入。每种规模不放回抽取2 000个队列。
比较优劣比确定水平更容易。基准评分卡在91%的队列中优于错误权重卡,这些队列各含100名投资者;在98%的队列中优于它,这些队列各含250名。原因在于两卡针对相同投资者和相同结果评分。对于几乎一样好的等权重卡,基准卡在88%的队列中胜出,队列规模为250;在99%的队列中胜出,规模为1 000。一次活动可以表明评分卡优于较差替代方案,却无法确定区分能力的水平、解决精细权重问题或绘制校准曲线。后者需要合并多次融资的队列。
18 复现、控制,以及实验无法显示的内容
实验可由单个文件复现。模型断言检验30项恒等关系和边界测试,任一失败即停止。使用相同随机种子再次生成,可逐项精确复现结果。基准评分卡的AUC通过三种方法计算:秩和、ROC曲线梯形积分及向量化程序,三者精确到小数点后十位一致;反向评分返回一减该值。表11列出控制,包括将每个十分位、评分组和轮次表与验证总量逐一核对。
| 控制项 | 预期结果 |
|---|---|
| 固定随机种子 | 随机种子1376;再次生成精确复现每项结果 |
| 总体与半样本 | 12 000名投资者;6 000名开发、6 000名验证,互不重叠 |
| 生成概率 | 漏斗各阶段均严格处于零与一之间 |
| 漏斗嵌套 | 按投资者及排序规则,承诺属于尽调子集,尽调属于会面子集 |
| 评分卡分值 | 每张评分卡总分100;得分位于0至100之间 |
| 基准评分卡AUC | 秩和、ROC梯形及向量化程序均为0.743810 |
| 反向评分 | AUC等于一减基准AUC |
| 校准映射 | 平均拟合概率等于开发半样本会面率 |
| 十分位表 | 人数和会面数核对一致;加权平均提升倍数为1.00;累计覆盖最终为100% |
| 评分组及轮次 | 各行与验证总量核对一致 |
| 比较基准 | 随机排序与知名度排序的偏差不超过0.03,参照值为0.50;生成概率排序最高 |
| 重新加权 | 逆概率权重之和与总体人数的差距不超过总体人数的5% |
| 过时与精度 | 记录老化时AUC下降;队列扩大时估计收紧 |
| model.py中断言的检验 | 30项恒等关系及边界测试通过 |
MatchPoint分析。控制断言位于model.py中;失败即中止构建。
这些控制证明算术正确,不能证明假设正确。输入独立抽取,但真实投资授权往往相关:有地域重点的投资者常有对应行业重点和投资金额区间。生成模型在对数优势尺度上是加法结构,而真实排除条件可能绝对适用。过时是随机的,真实记录却可能在同一批基金结束投资时成簇老化。每项简化都是边界,表14再次列明。
有一项限制需要单独说明。结果由一个让评分卡输入发挥作用的模型生成。因此,实验不能证明投资授权匹配能预测投资者行为;它假定这一点,并测量其后果。发现针对的是测试本身的性质:文件评分在前提成立时可有多大排序能力,各种失效如何显现,选择如何扭曲历史,以及队列需要多大。该前提在真实市场是否成立,只能由观测数据回答。
19 取得同意的队列研究所需证据设计
真实测试需要表12所列五项性质。第一是同意与合法依据:每位投资者的联系方式和结果,以投资者及适用数据保护制度所允许的依据用于分析;结果合并时不识别任何投资者。第二是每项事件都有时间戳,包括评分卡本身。评分必须在联络前冻结。会面后修改的评分,已经受本应由它预测的结果影响。
第三是记录选择规则。每次联络的档案都说明为什么选择该投资者:评分、关系、介绍人或随机。第四是随机子样本。我们建议首轮产能的十分之一至五分之一通过抽签分配。估计所适用的整个投资者抽样框中,选择概率都必须已知且为正。如果抽签只限于超过最低评分者,结论仅适用于该子组,不直接估计被排除对象的回应。Bernstein、Korteweg和Laws随机化的是信息披露,不是选择联络哪位投资者,因此其研究为随机化提供方法先例,未验证本建议抽样方案。[6]
第五是通过合并达到规模。第17节说明,单次融资不足以支持校准曲线。必须合并多次融资,并将每次融资标为一个因素,因为回应率随资产类别、规模和市场变化。银行模型监管指引所述样本外和时间外测试可直接应用:以较早融资固定的权重,在后续融资中测试。[16]
| 设计要素 | 要求 | 控制的偏差或错误 |
|---|---|---|
| 同意与数据使用依据 | 使用联系和结果数据的书面依据;合并且去身份化的分析 | 不合法或不可重复的数据使用 |
| 冻结评分 | 联络前为输入、权重和评分记录时间戳;以后修订保留为新版本 | 预测要素受到事后信息污染 |
| 结果定义 | 预先定义并注明日期的符合标准会面、尽调和投资承诺 | 宽松计数夸大结果 |
| 记录的选择规则 | 记录每次联络原因:评分、关系、介绍人或抽签 | 无法建模的选择 |
| 随机子样本 | 固定产能比例在合资格投资者中抽签分配 | 依据未记录判断进行选择 |
| 分母 | 保留每名合资格投资者,不论是否联络,并记录排除理由 | 队列幸存者偏差 |
| 记录日期 | 每项输入的日期及来源,尤其决策周期状态 | 将记录过时误认作权重错误 |
| 合并与时间拆分 | 合并多次融资并纳入融资因素;以后续融资测试权重 | 小样本噪声与漂移 |
| 报告指标集 | 带区间的AUC、提升倍数表、校准截距与斜率、按评分组划分的漏斗 | 选择性报告单个有利指标 |
20 向客户和投资委员会报告评分
评分卡面向两类提问不同的受众。客户询问预期有多少会面、何时发生。投资者委员会若看到该流程,则会问为什么联络它。第一类问题需要经校准的数字及其不确定性,第二类需要匹配的文件依据。我们建议用表13所列的单一报告包同时服务两者,并将每个数字标为记录事实、团队判断或模型预测。
预测应以区间表示,并与证据相连。在构造情形下,首轮100次联络预计产生36.8次会面,但该预期建立在对全体均被联络的总体所拟合的映射之上。若团队的映射拟合自自己的历史,报告数字时应同时说明第15节的警告:历史经过选择,对尚未联络对象的预测很可能偏高。映射若未经近期结果检验,报告包应明确说明,并将预测作为假设呈现。
当报告包或其内容触达投资者时,报告也有监管维度。按美国营销规则,广告中的重大主张必须能够得到支持,利益陈述须公平、平衡地说明风险。[7] 声称某项机会匹配某位投资者授权,是对该投资者文件的主张,应能由档案支持。具体沟通是否属于规则范围,是相关公司的法律问题。
| 报告项目 | 内容 | 回答的问题 |
|---|---|---|
| 长名单核对 | 考虑过、被法律门槛排除、完成评分和暂缓的对象,以及各自理由 | 分母是否完整 |
| 评分分布 | 按评分组和轮次划分的投资者数量 | 各轮需要多少产能 |
| 预测及依据 | 按轮次以区间表示的预期会面,以及映射的日期和来源 | 客户可据何规划 |
| 实际与预测对比 | 按轮次将会面、尽调和投资承诺与预期比较 | 映射是否需要重新校准 |
| 记录新鲜度 | 按输入要素显示在指定时段内复核的占比 | 不佳结果是否反映过时数据 |
| 选择日志 | 按评分、关系、介绍人和抽签所作联络的占比 | 结果能否用作证据 |
| 偏离评分的决定 | 违背评分而作出的联络,包括理由和结果 | 判断是否在评分之外增加价值 |
| 经过时间 | 联络、会面、尽调及投资承诺之间的天数 | 周期假设是否成立 |
建议的报告包。各项是拟供审阅的交付材料;本文不声称任何计划已产出这些材料。
21 以数据和人工智能维护输入,同时实施模型治理
实验精确指出了更好数据的价值。同样权重用于完美记录,使AUC由0.744升至0.782,增幅0.038。重新拟合权重并加入关系使其升至0.758,增幅0.015。在该总体中,保持记录最新比优化权重更有价值。这一次序取决于假定的过时率,在其他输入下会不同。尽管如此,它提示应先在哪方面测试投入:决策周期和投资金额记录的日期及来源。
语言模型和数据工具可能适合这项任务:阅读政策声明、年报、委员会文件和公告,提取已声明的区间及限制,并标记来源已被取代的记录。采用工具前应先规定评估。可用测试包括:在留出文件集上与人工阅读者的一致性、提取限制无法追溯至原文段落的比率,以及一个季度内过时记录的变化。这些是建议指标。本文不报告训练模型、提取准确率或已实现的改善。
取代评分卡的拟合模型,需要比评分卡更强的控制。银行模型风险指引将有效质疑描述为由具备专业能力和推动变化地位的客观人士开展的批判分析,并将生成式和代理式人工智能作为新颖、快速演进的技术排除在其范围之外。[16] 我们类比借用两点:评分卡的结果应由作者以外的人审阅;阅读文件的工具是须核查的数据来源,而联络投资者的决定仍由具名、对法律边界负责的人承担。
22 在真实融资或基金配售中应用框架
对融资公司或发起人,框架形成一系列步骤。建立长名单,与法律顾问一起适用法律门槛。从注明日期的文件为每位剩余投资者评分,并冻结评分。以负责人小时数真实设定首轮产能。按评分分布选择轮次阈值,为评分选出的对象分配关系负责人,并预留随机子样本。首轮后,按评分组将会面与预测比较,再启动第二轮。评分卡管理顺序,不取代判断投资者是否为合适股东或贷款人的工作。
对向有限合伙人募资的管理人,输入改变,逻辑保持。策略匹配参照资金配置方的项目区间,投资金额匹配参照其占基金比例限制及目标基金规模,决策周期状态参照承诺节奏和委员会日程。[1, 3] 漏斗更长,既有投资者续投与新关系表现不同,因此应将既有投资者单独评分并作为独立队列报告。部分配置方的本地偏好已有文献记录。[5] 因此,地域应从投资者一侧评分。
在海湾地区,法律边界和周期都需要格外谨慎。在其他地方注册、于迪拜国际金融中心或沙特阿拉伯发售的基金,通过第4节所述路径触达投资者;路径决定哪些对象能进入名单。[10, 11] 《圣地亚哥原则》期望主权基金披露投资政策说明,[2] 因而支持根据文件做结构性评分,但决策周期状态鲜少公开。对此类投资者,时机输入往往只能给出不确定的中间水平,评分应被理解为关于匹配程度的陈述。
三种场景适用相同决策规则。产能稀缺而记录新鲜时,按评分排序。先更新记录,再调整权重。首轮在全部评分组均偏离预期时,重新校准预测。在预测尚未联络对象前,评估团队历史中的选择机制。尽早投入随机子样本,以便在抽签覆盖的投资者抽样框内获得基于设计的比较。
23 局限与下一项决策
实验为构造实验,其局限来自构造方式。它只包含一个机会,没有多个机会争夺同一投资者注意力的竞争。它建模投资者反应,不建模在实际后续阶段起主导作用的企业或基金质量。它假定联络失败不损害关系,暂缓投资者以后仍可按相同条件接洽。它将投资者视为相互独立,尽管投资者会互相沟通,锚定投资者的承诺也会改变其余对象的反应。
统计结果只对应特定输入。0.744的AUC是该评分卡在该总体中的表现;不同投资授权组合、不同意愿方差或不同过时率会给出其他数字。12.5%的基准率和漏斗转化由作者设定。选择结果取决于团队判断中未记录部分的多少,这同样由假设设定。本文任何数字都不应被引用为市场转化率、某次融资的预期结果或顾问增值的度量。表14说明,框架用于交易前,每项边界需要以什么替代。
| 当前边界 | 扩展所需证据 | 受影响的决策 |
|---|---|---|
| 构造结果 | 按表12设计、取得同意并附时间戳的队列 | 评分卡是否确有预测能力 |
| 作者设定的权重 | 足以估计权重并开展时间外检验的合并结果 | 各输入分值 |
| 假定过时率 | 将记录日期与后来确认状态核对的审计 | 更新频率及数据预算 |
| 独立输入 | 投资授权属性的观测联合分布 | 各轮及暂缓组的规模 |
| 评分到概率的单一映射 | 按资产类别、规模和市场划分的近期结果 | 向客户提供的会面及时间预测 |
| 评分之外的关系 | 按渠道和介绍人划分的结果 | 每次由谁联络 |
| 单一机会,无竞争 | 投资者层面同时收到的联络记录 | 启动时机 |
| 作为准入门槛的法律边界 | 就投资载体、路径和投资者类别取得的法律意见 | 哪些对象可列入名单 |
对作者所设计实验的建议扩展。每项扩展都需要观测证据;本文均不将其视为观测结果。
因此,下一项决策既涉及联络,也涉及证据。已经对投资者排序的团队,可采用第2节定义、冻结评分,并开始记录每次联络的原因。随机子样本占用首轮产能,其机会成本取决于抽样框和替代排序。实验提示其价值:观测性评估在支持未联络对象预测或评分与判断比较前,必须处理选择机制。该实验展示的是明确假设下的预测行为。在本文审阅的来源中,我们尚未核实该评分卡基于观测队列的验证。
参考文献
- Institutional Limited Partners Association. Due Diligence Questionnaire 2.0. Updated November 2021. Overview and section 4, Investment Strategy. Industry standard questionnaire; not a required document. https://ilpa.org/wp-content/uploads/2021/11/ILPA-DDQ-2.0.pdf
- International Working Group of Sovereign Wealth Funds. Sovereign Wealth Funds: Generally Accepted Principles and Practices (Santiago Principles). October 2008. GAPP 18 and sub-principles 18.1 to 18.3. Voluntary principles. https://www.ifswf.org/sites/default/files/santiagoprinciples_0_0.pdf
- California Public Employees' Retirement System. Investment Policy for Private Equity Program, Investment Committee agenda item 10a, attachment 2, November 2019. Appendix 3, strategy targets, ranges and investment limitations. Dated committee paper showing proposed revisions; not evidence of current limits. https://www.calpers.ca.gov/docs/board-agendas/201911/invest/item10a-02_a.pdf
- Gompers, P., Gornall, W., Kaplan, S. N. and Strebulaev, I. A. How Do Venture Capitalists Make Decisions? NBER Working Paper 22587, September 2016. Survey of 885 venture capitalists at 681 firms; deal sourcing, funnel and selection sections. https://www.nber.org/papers/w22587
- Hochberg, Y. V. and Rauh, J. D. Local Overweighting and Underperformance: Evidence from Limited Partner Private Equity Investments. NBER Working Paper 17122, June 2011. United States limited partners. https://www.nber.org/papers/w17122
- Bernstein, S., Korteweg, A. and Laws, K. Attracting Early Stage Investors: Evidence from a Randomized Field Experiment. Stanford Graduate School of Business Research Paper 3006, 2014. Randomised emails on one online platform. https://ideas.repec.org/p/ecl/stabus/3006.html
- U.S. Securities and Exchange Commission. Investment adviser marketing, 17 CFR 275.206(4)-1. Text as published by the Legal Information Institute, accessed 13 October 2026. https://www.law.cornell.edu/cfr/text/17/275.206(4)-1
- U.S. Securities and Exchange Commission. General Solicitation: Rule 506(c). Exempt offerings resource page, last reviewed or updated 17 March 2026. https://www.sec.gov/resources-small-businesses/exempt-offerings/general-solicitation-rule-506c
- Financial Conduct Authority. FCA Handbook, COBS 4.12B, Promotion of non-mass market investments. Text as accessed 13 October 2026. https://www.handbook.fca.org.uk/handbook/COBS/4/12B.html The original made-rules instrument is reproduced in FCA Policy Statement PS22/10, Appendix 1, FCA 2022/33, August 2022, with the relevant rules effective from February 2023. This is a dated regulatory example; current application requires checking the consolidated Handbook. https://www.fca.org.uk/publication/policy/ps22-10.pdf
- Dubai Financial Services Authority. The DFSA Rulebook, Collective Investment Rules (CIR), version CIR/VER40/01-26. Chapter 15, Marketing of Foreign Funds, guidance and rule 15.1.1A. https://dfsaen.thomsonreuters.com/sites/default/files/net_file_store/DFSA1547_11821_VER400126.pdf
- Capital Market Authority, Kingdom of Saudi Arabia. Investment Funds Regulations, as amended by Board Resolution 1-54-2025 dated 21 May 2025. Part 6, Foreign Funds, Articles 99 to 103. Unofficial English translation; the Arabic text is official. https://cma.gov.sa/en/RulesRegulations/Regulations/Documents/Investment_Funds_Regulations_2025_EN.pdf
- Fawcett, T. An introduction to ROC analysis. Pattern Recognition Letters 27 (2006), 861 to 874. Section on the area under the ROC curve. Copy accessed at https://www2.cs.uh.edu/~acl/cs6397/Doc/2006-PRL-An%20Intro%20to%20ROC%20analysis.pdf
- Van Calster, B., McLernon, D. J., van Smeden, M., Wynants, L. and Steyerberg, E. W. Calibration: the Achilles heel of predictive analytics. BMC Medicine 17, 230 (2019). Open-access text via Europe PMC. https://www.ebi.ac.uk/europepmc/webservices/rest/PMC6912996/fullTextXML
- Heckman, J. J. Sample Selection Bias as a Specification Error (with an Application to the Estimation of Labor Supply Functions). NBER Working Paper 172, March 1977. https://www.nber.org/papers/w0172
- Seaman, S. R. and White, I. R. Review of inverse probability weighting for dealing with missing data. Statistical Methods in Medical Research 22(3), 2013, 278 to 295. Abstract record via Europe PMC. https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=%22Review%20of%20inverse%20probability%20weighting%20for%20dealing%20with%20missing%20data%22&resultType=core&format=json
- Board of Governors of the Federal Reserve System, Federal Deposit Insurance Corporation and Office of the Comptroller of the Currency. Supervisory Guidance on Model Risk Management, attachment to SR Letter 26-2, 17 April 2026. Guidance for banking organisations; not enforceable standards. https://www.federalreserve.gov/supervisionreg/srletters/SR2602a1.pdf
关于作者
Chennakeshav(CK)是一位企业融资与投资银行高管,在并购、成长资本与企业战略领域拥有25年以上全球交易发掘、结构设计及执行经验。他曾为创始人、企业与基金领导价值创造项目,将董事会层面的视角衔接至实际执行与交割。
他的职业经历涵盖Morgan Stanley、HSBC、Lloyds Banking Group、EWEC、ADQ旗下投资组合公司与Emirates Growth Fund,涉及TMT、房地产、金融科技、深科技、清洁科技、基础设施与能源。他曾与企业高管、私募股权及创投基金、主权财富基金和家族办公室合作,为复杂融资与扩张期企业筹资,并领导并购尽调、并购后整合与业务转型项目以创造价值。
他在Matchpoint Partners担任管理合伙人,领导公司的企业融资、并购与募资业务。他拥有London Business School的MBA学位、VTU的工程学位,并正在UCL London攻读法学硕士(LLM)。
CK积极担任初创企业导师,参与Techstars、DIFC FinTech Hive、Startup Grind、Founder Institute与IN5的导师工作,在London Business School担任Entrepreneur Mentor in Residence(EMiR),并担任Entrepreneurship World Cup评委。
https://www.linkedin.com/in/ckadya/
https://www.matchpoint-partners.com/team/ck-adya.html
免责声明
本文属于持续研究私人及另类市场结构的系列。文中观点为作者个人观点。本文仅供参考,以一般性方式讨论市场结构,不构成投资、法律、税务或监管建议,也不构成针对任何证券、载体或交易对手的推荐。







