免费解锁编辑的文摘
FT的编辑Roula Khalaf在本每周的新闻通讯中选择了她最喜欢的故事。
对于任何诚实的投资者来说，最棘手的挑战之一就是试图确定他们是幸运还是聪明。他们成功的交易策略是否相当于连续五次抛弃硬币？还是优越的洞察力或执行的结果？人性（和费用结构）是他们的本质，大多数投资者更喜欢后一种解释。实际上，通常很难说。
为了拨打聪明的因素并拨打运气，许多投资者都采用了技术。尤其是，公共市场定量交易者长期以来使用数学计算和机器学习系统来发现市场数据的显着相关性，纠正人类偏见并以闪电速度执行交易。
这是在Baiont的极端形式，该基金是一种具有顶级计算机科学专业知识和零财务经验的“书呆子和天才”的中国量化基金。 Baiont断言，正如诸如chatgpt之类的生成人工智能模型（例如chatgpt）经过训练以完成下一个单词一样，他们也可以预测非常短期的价格变动。 Baiont的创始人Feng Ji告诉FT：“我们认为这是纯粹的AI任务。”
这可能是一个理性的，即使不一定成功，在高度流动性丰富的公共市场上，价格是正确的，在这里是正确的。但是，这种方法在私人市场，尤其是数据稀疏，市场流动性且价格不透明的风险投资中会起作用吗？我们即将发现，开创性的风险投资基金全都涉及量化交易。
其中之一就是Quantumlight，该公司刚刚为其最新基金筹集了2.5亿美元。该业务追踪了来自700,000家VC支持的公司的100亿数据点，自2023年以来，其算法已经进行了17次投资。通常，当一家初创企业已经获得了数字足迹时，它在B系列阶段共同投资1000万美元。与大多数其他VC不同，它永远不会带领巡回赛或登上董事会座位。
Quantumlight的首席执行官Ilya Kondrashov告诉我，传统的风险投资仍然依赖于人类的模式认识，但是机器现在可以更有效，更嘲笑地执行该任务。
他说：“如果您的直觉说不，但是机器说是的，您该怎么办？我们只是决定关注机器，因为我们的使命是证明这是一种很好的方法。”
一些传统的量化投资者对该方法在VC领域的发挥作用引起了人们的关注。 Quant Investment公司Cantab Capital Partners的创始人Ewan Kirk说，成功的最关键决定因素是基础数据的质量，可靠性和可用性。
他建议，定量交易者使用的AI技术本身可能正在破坏当今构建和扩展初创企业的方式，从而使模式识别算法混淆。目前，初创企业的成本比以前更快，成本较低。这可能会使比较不同年份的初创企业很难。
柯克告诉我：“这一切都是关于历史数据的普遍性。” “ VC的问题是，与您现在进行的B系列投资相比，有关Google B系列B的数据有多大的重要性？”
为了应对数据挑战，Quant VC相关性合资企业构建了它声称的是美国最完整的风险交易数据库，该数据库是从15个VC合作伙伴的公共资源和历史数据中获取的。
自2011年以来，它一直在数百家初创企业中共同投资，书写最高400万美元，结果好坏参半。 “当我们个人不同意模型时，事实证明，最好选择模型，” Corralation的联合创始人David Coats说。
大多数主流风险投资公司尚未放弃人类的经验和专业知识。但是，该行业的神话已经刺穿了硅谷的沙山路上无所不知的投资贤哲。 Gartner的高级分析师Patrick Stakenas说，几乎每个风险投资基金都依赖于混合方法，使用机器学习工具来选择和分析交易。
Stakenas将VC Quants的方法比作Billy Beane，Oakland Athletics经理在Michael Lewis的书中介绍了 Moneyball， 他使用数学模型来挑战传统的侦察棒球运动员以寻找被低估的人才的方法。 “起初，每个人都以为他们疯了。晚了，每个人都开始这样做，”斯塔克斯说。
不过，谨慎的机构投资者将希望看到VC量化基金在购买该概念之前就打出了一些本垒打。
关键词：
