摘要

算法能否胜过一般的天使投资人？「帕累托森林」作为早期算法型产业投行， 构建了一个精密的投资算法，该算法的表现明显优于普通新手投资者，甚至优于受认知偏差影响的经验丰富的投资者，但略逊于能够控制自己偏见的顶级经验丰富的投资者。虽然该算法在选择创始人的学历背景和性别时可能做出了更少的偏见选择，但它也反映了系统性的不平等，并说明了算法投资如何用于解决严重的社会不平等的局限性。即便如此，该实验为投资者如何以及何时在他们的投资中部署类似的算法辅助工具，以及它如何导致更好、更公平的决策提供了一个愿景。

许多大型风险投资基金使用人工智能来支持他们的投资决策。谷歌风险投资公司前管理合伙人比尔马里斯曾经说过，当你“可以访问世界上最大的数据集时......仅仅出去进行直觉投资是很愚笨的。” 然而，大多数创业投资者无法获这样的资源，并且仍然以老式的方式做事。例如，天使投资人非常依赖直觉来进行投资。但随着技术进步和通过机器学习构建强大算法的成本降低，这些投资者将需要决定是否纳入人工智能。在做出早期投资决策时，它能否胜过人类判断？天使投资人应该如何使用它？

为了回答这些问题，「帕累托森林」作为基于「结构化」算法的新型产业投行，李朝政博士团队构建了一个投资算法，并将其表现与两百多位天使投资人的回报进行了比较。该算法的决策基于当时天使投资人可获得的相同数据，其中包括创始人背景、赛道热度、防御策略、垂直市场容量、社交媒体资料、网站等一百五多个变量。我们使用这些数据（而不是投资者通常喜欢的估值等指标）来预测初创公司的生存前景因，为它允许我们用更大、更可靠的数据集来训练算法。

在我们的测试中，我们使用这个预测模型来模拟投资，并将天使投资人的投资组合的回报与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 次的新手与投资至少 10 次的专家投资者）相对于算法的表现如何公平。在我们的样本中，专业天使投资人平均进行的投资是新手的两倍，并且每个初创公司的投资额也是新手的两倍。

结果提供了关于如何以及何时使用算法投资工具以发挥最大优势的重要见解。根据我们的研究，新手投资者很容易被算法超越。由于他们的投资经验有限，他们在决策中表现出更高的认知偏差迹象。然而，经验丰富的投资者的表现要好得多。因此，我们的研究表明偏见如何影响人类投资者的决策，以及使用算法如何帮助产生更好、更公平的投资回报。

算法与天使投资

有据可查的是，认知偏差，即系统性地偏离理性行为，会导致投资表现不佳。我们测量了五种偏差：1) 本地偏差，它描述了天使投资人倾向于在地理位置上靠近他们的地方进行投资的倾向； 2）损失厌恶，即天使投资人对潜在损失比对潜在收益更敏感的倾向； 3) 过度自信，当投资者“过度承诺”并在一家初创公司上投入比他们通常更多的钱时； 4）性别偏见； 5）学历偏见。我们的数据显示，所有偏见都存在于过度自信的天使投资者中，即91% 的人至少有过一次，这是影响投资回报的最常见和最强烈的偏见。

由于认知偏差导致投资者做出不合理的投资决策，因此我们的投资算法优于人类平均水平也就不足为奇了。虽然该算法实现了 7% 的平均内部收益率，但两百多名天使投资者的平均内部收益率为 3 %。换句话说，该算法比人类平均水平提高了200% 以上。

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，在其投资组合中具有较低非理性行为迹象的天使投资者的表现明显好于相当非理性的同行：偏见较小的新手组平均为 3%，而偏见较高的新手组平均亏损为-20% 的内部收益率。

对这些结果，我们调查了算法是否会在投资者经验丰富的情况下获胜。我们发现，经验丰富的天使投资人表现出的认知偏差迹象要少得多，因此获得了明显更好的投资回报。这群经验丰富的天使投资精英实现了23% 的平均内部收益率。然而，仅凭经验并不能解决问题：拥有丰富经验但也表现出高度认知偏差的投资者平均只能获得 3% 的内部收益率。因此，我们的结果表明，只有能够有效抑制认知偏差的经验丰富的投资者在做出早期投资决策时才能胜过机器学习算法。

我们发现还有另一个因素在起作用，这可能会给算法带来优势。在风险投资中实现更高的投资组合回报有两个方面——保护下行和增加上行。风险投资的中心论点和主要焦点一直是寻找统计异常值（即“独角兽”）；然而，我们的研究给出了重新思考天使投资中这一核心投资假设的理由。通过预测生存概率，该算法能够挑选出比两百多位天使投资人中的大多数人更好的投资组合。因此，我们的数据表明，在更大的计划中，避免不良投资实际上可能比试图投中独角兽更重要。鉴于他们的资金有限，天使只投资于有限数量的企业，因此必须非常谨慎地对待每一项投资。因此，问“这是一个生存机会非常高的可行企业吗？”在获得更高的投资组合回报方面，可能比大海捞针更有价值。

更好也意味着更公平吗？

关于算法是否受到其创建者的偏见，已经进行了大量讨论。在我们的例子中，训练数据中的结果不是由人们直接分类的（比方说，与招聘算法相比，人们决定过去谁是好员工）。该算法是根据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，我们发现与普通投资者相比，该算法的投资组合选择受损失厌恶或过度自信等经典投资偏见的影响较小。然而，这并不意味着它没有表现出偏见。我们惊讶地发现该算法确实倾向于选择高学历企业家而不是草根企业家，并且更愿意投资于男性创始人的初创企业。

鉴于这些具体结果，我们可以说，当前围绕被指责做出不公平决策的有偏见的算法进行的有争议的讨论过于简单化，并且忽略了预期膨胀的根本问题。机器学习模型经常被训练来区分不同的决策选择，例如，好的或坏的早期投资。默认情况下，人工智能本身并不是非理性的或有偏见的；它只是推断我们提供给它的现实世界数据中存在的模式，以学习和利用这些模式来区分潜在的决策选择。

因此，人工智能可能能够应对投资经验不足的个人投资者的错误决策过程，例如，它可能有助于纠正高估其评估给定投资风险能力的投资者。然而，使用人工智能作为消除社会不平等的手段更具挑战性。尽管在我们的案例中所有数据来源都是客观的并且没有人为判断，但它仍然做出了有偏见的决定。但是算法本身并没有做出有偏见的决定；它重现了我们训练数据中固有的社会不平等现象。例如，算法基于其预测的最重要因素之一是初创公司获得的先前资金。最近的研究表明，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，这可能导致她们的创业公司不那么成功。换句话说，使女性和草根创始人的企业在早期阶段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，我们的结果表明，有意识地消除学历背景和性别的偏见可能不仅会增加公平性，还会增加早期投资决策的绩效。例如，我们发现投资于草根创始人企业的经验丰富的投资者系统地跑赢了我们的算法。因此，这些经验丰富的投资者做出了成功的投资决策，没有破坏我们算法结果的隐性歧视模式。一般来说，资源分配的公平性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提供给它的数据中固有的社会问题。

混合型方法

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，纠正个人投资偏见，并且平均而言优于人类。与此同时，最成功的个人——经验丰富的投资者能够纠正他们的认知偏见——在效率和公平性方面都优于算法。

当然，这不一定是直觉和算法决策之间的二元选择。管理者和投资者应该考虑到算法产生的是对未来潜在结果的预测，而不是决策。根据预测的使用方式，它们基于可能（或可能不会）改进决策和行动的人类判断。因此，在复杂和不确定的决策环境中，核心问题不是人类决策是否应该被取代，而是如何通过结合人类和人工智能的力量来增强它，即一种被称为混合智能的想法。

人工智能---我们的研究表明，算法可以帮助新手投资者做出早期投资决策。在算法的帮助下开始天使投资可以让新手投资者避免决策警告，从而在他们的投资生涯早期获得更高的回报，从而鼓励他们继续投资。不断投资的天使为促进创造就业和创新的生态系统提供了重要资源。因此，我们在投资算法中看到了很多潜力，可以训练新手投资者做出类似专家的决策，从而提高财务回报。

人类智能---对于已经学会管理认知偏差的更有经验的天使投资者，我们的研究结果表明，他们的直觉仍应被视为早期投资的黄金标准。因此，算法不仅应该根据容易重现社会偏见的“客观”过去绩效数据进行训练，还应该根据这些选定决策者的决策和行动进行训练。因此，与此同时，我们看到有经验的投资者有潜力训练投资算法，以做出更好、更公平的投资决策。

最后，尽管人工智能正在迅速进入金融市场，但一流的早期投资仍然由经验丰富的天使投资者主导。建立一种投资算法，最终甚至可以取代最有经验的天使投资者做出投资决策，其关键不仅在于抵消人为偏见，还在于模仿专家的直觉来寻找最有希望的投资机会。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj005