众所周知，大约90%的初创公司都是不成功的，大约10%到22%的初创公司在第一年就失败了，这对初创公司的风险投资家和其他投资者来说是一个巨大的风险。为了识别哪些公司更有可能成功，研究人员开发了机器学习模型，研究了100多万家公司的历史表现。他们的研究结果发表在KeAi期刊The Journal of Finance and Data Science上，结果表明，这些模型可以预测一家公司的结果，其准确率高达90%。这意味着10家公司中有9家可能得到了正确的评估。

“这项研究表明，应用于大数据的非线性机器学习模型集合具有将大型功能集映射到商业成果的巨大潜力，这是传统线性回归模型无法实现的。”共同作者Sanjiv Das (Professor of Finance and Data Science at Santa Clara University's Leavey School of Business in the US.) 解释道。

作者们开发了一个新的模型集合，其中模型的组合贡献超过了每个模型单独的预测潜力。每个模型都将一个公司进行分类，将其按特定的概率分为成功类别或失败类别。举例来说，如果整体预测中这家公司有75%的可能性在IPO(在证券交易所上市)或“被另一家公司收购”这一类别，那么这家公司成功的可能性就非常大，而只有25%的预测属于失败类别。

IMAGE: THE MACHINE-LEARNING PIPELINE USED TO TRAIN THE MODELS. 

研究人员用Crunchbase的数据对模型进行训练，Crunchbase是一个包含许多公司详细信息的平台。他们将Crunchbase的观察结果与美国专利商标局(USPTO)的专利数据相结合。考虑到Crunchbase的众包性质，有些公司的条目缺少信息也就不足为奇了。这个观察启发作者测量每个公司丢失的信息量，并使用这个值作为模型的输入。这一观察结果是决定一家公司是否会被收购或以其他方式倒闭的最关键特征之一。

文章第一作者Greg Ross (Venhound Inc.)指出，模型的整体，加上新颖的数据特征，产生了一定程度的准确性、精确度和记忆力，超过了其他类似的研究。投资者可以利用这一点快速评估前景，发出潜在的危险信号，并对其投资组合的构成做出更明智的决定。

The Journal of Finance and Data Science （JFDS）旨在成为金融和数据科学交叉领域研究的前沿杂志。期刊由美国宾州州立大学的Huang Jingzhi 教授担任主编。编委包括来自世界各地金融、经济、数学、统计及计算机领域的著名学者及业界人士，更有两位获诺贝尔经济学奖的学者。

本刊目前已被Scopus、DOAJ收录。

JFDS诚挚欢迎相关领域的学者积极投稿。

有关如何投稿及其它关于JFDS的信息请参考其主页：

www.keaipublishing.com/jfds