quant-vc-to-us
quant-vc-to-us

VC风险投资这几年不好做了,从业者的选择各不一样。有按分红和年化利率来追求回报的,也有以小博大追求指数和倍数回报的。无论哪种回报,终归都要回到公司(标的物)身上,毕竟在VC按下扳机的那一刻、所选择和下注的企业将决定VC未来的回报空间。

从这个角度看,“投的好”是最重要的。过去几年,一些VC致力于向股票领域的对冲基金学习,将数字化、科技、人工智能等引入到风险投资这个另类投资市场,试图突破人类选择的障碍、打造数据驱动甚至AI驱动的VC机构。我们称之为量化VC (Quant VC)。这种VC投资模式将人排除在流程之外,完全依赖数据和算法,就像1990年代量化股票基金所成立的那样。

在IT桔子发展的过程中,我们也多次讨论过这种量化VC投资模式。不单因为我们希望借此将更多的数据售卖给VC客户,更重要的是因为我们也希望在数据的基础上、探索更多的商业模式。伴随着这几年AI人工智能的快速发展,我们越来越多看到数据+AI+VC投资的案例,但这还不够,距离我们理想的量化VC还有相当的差距。但这并不妨碍我们仍旧追求这条道路。

所幸的是,这条道路不单只有我们在探索,还有一些同行者,他们走在了我们的前面。我们希望从他们的案例中找到属于自己的机会。

上一篇文章分享了:人工智能如何帮助VC投资?从提升运营效率,到追寻Alpha收益。这篇文章想分享量化VC机构 Koble.ai 的联合创始人 Guy Conway最新的一个演讲,同样很有启发。

人工智能的反弹已经开始

最近几周,AI的负面新闻开始泛滥。媒体似乎拿不定主意;记者们一方面说人工智能推进着人类的灭亡,同时又声称人工智能是一个巨大的泡沫。空谈怀疑论者和彻底的卢德分子(反机械化、反自动化的人)的幸灾乐祸显而易见。

根据彭博社和阿波罗全球管理公司(Apollo Global Management)首席经济学家托斯滕·斯洛克(Torsten Slok)的观点,财报电话会议上对“人工智能”、“机器学习”或“生成式人工智能”的提及从 2023 年第四季度的 517 次减少到 2024 年第一季度的 198 次。 

我想说这是健康的,对科技行业来说是一件好事,因为它反映了人工智能的成熟和全面采用。正如公司不会声称自己是“互联网驱动的”,新一代的公司也不应该声称自己是“人工智能驱动的”。

量化VC投资悄然兴起

随着企业对人工智能的认知日趋成熟,投资者对将数据和人工智能融入其运营的思考方式也在不断成熟。数据科学在VC风险投资领域中的应用及其对投资过程的影响仍处于起步阶段,需要很多年才能衡量和理解其真正的影响。 

VC风险投资在采用工具简化运营和提高投资流程的严谨性方面取得了长足进步,而投资流程仍然固执地以人为本。但就内部支出可用于更新数据堆栈的金额而言,数据驱动型VC还能走多远才能到达上限?

即使对数据的投入是无限的,仍然存在一个不可动摇的(似乎无处不在的)信念,即数据是输入;只有人类才能管理投资委员会。我们让人工智能为我们发现新药,然后诊断出我们患有哪些疾病,这些药物应该治疗我们,但业界普遍持有的观点仍然认为人工智能无法告诉我们一项初创企业的投资是否正确?

越来越多的投资者呼吁采取更严格的方法——将人类完全排除在投资过程之外。但这个VC阵营是少数。 

初创企业筛选流程的完全自动化需要比主流VC机构目前拥有的技术复杂和强大得多的技术。但纯粹的(有些人可能会说是极端的)“量化风险投资(量化VC)”正在幕后悄然兴起。

利用AI超越共识 

人工智能非常适合帮助人类管理信息过剩,并解构幂定律以揭开风险投资创造奇迹的神秘面纱。以下用例正在逐渐丰富、有据可查。

  • 交易数据过滤

——分析初创企业的大量数据集,识别模式、趋势和 KPI,支持投资经理筛选和优先考虑投资机会。

  • 尽职调查

——通过分析大量非结构化数据(例如新闻文章、社交媒体帖子、行业报告和财务报表)对初创企业进行尽职调查。

  • 预测分析

——利用数据开发预测模型,估计初创企业的成功或失败。

  • 投资组合管理

——通过持续监控和优化现有投资的表现来更有效地管理投资组合。

  • 专业知识的学习

——在公司和行业层面提供见解,模拟和扩展VC从业人员的专业知识。

总体而言,这些只是对VC现状的升级。量化VC机构认为,他们可以走得更远,颠覆老式的投资方法,并可靠地冲击资产类别的上层。

我们在数据驱动的VC投资中看到的是关于采购、发现和摘取自动化内部流程等唾手可得的果实。量化VC则希望走得更远——它们还涉及投资选择和投资组合构建。从长远来看,端到端资本部署流程的自动化将成为趋势。

过去20年来,早期风险投资的平均回报率为 21.3% IRR,但中位回报率为 5%。没有任何资产类别(加密货币除外)可以接近这一水平。采用量化VC意味着我们应该能够持续获得该资产类别提供的丰厚回报。而这归结于更好地挑选创业公司赢家和投资组合构建的科学。大多数VC机构都做不到这一点。

对冲基金的历史重演

多年前,对冲基金利用数据科学颠覆了股票交易市场(公开市场)。在公开市场中,算法交易决策目前占总交易量的 75% 以上,资产管理规模超过 1 万亿美元。

对冲基金行业的历史可以让我们了解风险投资的未来。吉姆·西蒙斯(Jim Simons )是量化对冲基金文艺复兴科技(Renaissance Technologies)的创始人,也许是现代金融史上最伟大的赚钱人,其价值增值记录超越了沃伦·巴菲特(Warren Buffett)、乔治·索罗斯(George Soros)和雷·达里奥(Ray Dalio)。

作为一名数学家和密码破译员,Jim Simons决定采取一种激进的方式,将自己的深奥专业知识应用于金融市场。当Jim Simons创立自己的基金时,他没有聘请金融人士,而是聘请了物理学家、数学家和计算机科学家,让他们收集大量数据并构建可以解码公开市场隐藏模式的算法。

理查德·巴克敏斯特·富勒(Richard Buckminster Fuller)说过: “与现有现实作斗争永远无法改变事物。要改变某些事物,就需要建立一种新模式,让现有模式过时。”

这就是量化VC机构如今正在做的事情。正如文艺复兴科技公司的不合群团队“解决”了公开市场投资问题一样,一个由程序员、人工智能研究人员和量化分析师组成的量化VC正在重新设计初创企业的投资。量化VC意味着在风险投资市场“建立一种新模式”;利用数据科学来理解和货币化推动初创企业价值累积的底层网络效应。

量化VC面临的挑战

量化VC模式目前是存在争议的,而且很容易引起分歧。许多非常聪明的人反对这一投资理念,他们通常提到两大挑战:

1. 量化VC如何获得投资机会?算法投资能拿到配额吗?

很多VC投资者认为最好的交易大多是超额认购和超级热门的交易。但实际上,这些只是炒作过的交易。相反,我们应该将风险投资视为两种不同的资产类别:种子前和种子轮,以及 A+ 轮。

量化VC面临的挑战是说服 LP,毕竟在项目Pre-Seed 和 Seed 期间不存在准入问题。事实上,Pre-Seed 期间 85% 以上的交易都没有可识别的机构参与。

当然,有些交易是量化VC投资无法获得的(就像其他基金一样),但在种子前期和种子期,有足够多的高质量交易没有被炒作,投资者可以参与其中。

当然,在 A+ 轮 VC 的后期阶段,存在着很大的准入问题。在此阶段运营的量化 VC 倾向于优化价格(假设他们已经找到了确保分配的方法)。

2. 量化VC如何在投后阶段增加价值?创始人真的欢迎“不插手”资金吗?

量化VC致力于与创始人和其他投资者产生强烈共鸣,为风险投资失败的同理心模型提供了令人信服的替代方案。通过将人类排除在方程式之外,量化VC明确了期望。没有 TED 演讲的陈词滥调;没有“合作关系”;没有虚假的同理心。只有算法——快速、安静、不干涉、公平。

量化VC不仅拥有大量数据,还知道如何有效利用这些数据。例如,他们可以利用这些数据为创始人提供出色的见解,以支持他们的融资、招聘、市场分析和竞争对手跟踪。

量化VC的终局

VC风险投资是一项网状业务,它实际上受限于人际关系的可扩展性。个人投资者在没有数据和技术帮助的情况下,能够深入了解多少行业和公司存在认知差距。技术为这一限制提供了解决方案,使投资者能够寻找和筛选大量交易机会。

数据驱动型风险投资将数据点整合到人力投资委员会中,而量化VC则完全由算法驱动投资决策。两者的区别不仅在于方法论,还在于最终结果。要完全理解正在发生的事情,我们必须超越“如何”而关注“为什么”。

量化VC不仅希望改善投资流程和为LP创造更优回报,还希望重新定义和定位风险资产类别。

扩大初创企业分析和投资规模可以推动投资组合多元化并降低波动性,从而产生远超行业平均水平的风险调整后回报。通过平滑风险投资的回报状况,量化VC相信他们可以扩大资产类别,并更有效地将资本引导到真正值得投资的初创企业。