摘要

本文探讨了大型语言模型（LLMs）在风险投资（VC）决策中的应用，特别是预测初创公司成功与否的创始人特征。通过使用LLM提示技术，如思维链（chain-of-thought），从有限的数据中生成特征，并通过统计和机器学习提取洞察。研究结果揭示了某些创始人特征与成功之间的潜在关系，并展示了这些特征在预测中的有效性。该框架结合了机器学习技术和LLMs，具有改善初创公司成功预测的巨大潜力，对寻求优化投资策略的VC公司具有重要意义。

原理

本文的核心工作原理是利用大型语言模型（LLMs）进行特征工程和自动标签技术，以预测初创公司的成功。首先，通过解析创始人的LinkedIn数据，使用LLM（如OpenAI的GPT-4o）提取关键信息，如教育背景和职业经历。接着，利用LLM进行层次分割和角色分割，将创始人分为不同的经验和成就级别，以及基于特定特征的角色。此外，还生成了23个布尔标志来捕捉更多关于创始人的信息。最后，通过三种机器学习模型（线性回归、随机森林和XGBoost）对这些特征进行分类，以预测创始人的成功。

流程

1. 数据准备：合并两个CSV文件，包含成功和不成功的创始人数据，创建一个布尔标志列来区分成功与否。
2. 特征工程：
   • 教育数据处理：解析LinkedIn数据，确定每个创始人的最高学位和学习领域。
   • 创始人总结：使用LLM生成每个创始人的详细总结，包括教育、位置、技能和就业历史。
   • 层次分割：使用无监督的LLM方法将创始人分为十个不同的经验级别。
   • 角色分割：基于现有类别和创始人总结，生成二十个角色。
   • 布尔标志生成：通过LLM提示生成23个布尔变量，如是否首次创业、是否有博士学位等。
3. 预测成功：运行三种机器学习模型，基于创始人的教育、创业级别、角色等特征进行分类，评估模型的性能。

应用

该研究的应用前景广泛，特别是在风险投资领域。通过自动化创始人评估，VC公司可以更有效地筛选潜在的投资机会，优化投资策略。此外，这种方法还可以扩展到其他需要评估个人或团队潜力的领域，如招聘、项目评估等。随着LLMs和机器学习技术的进一步发展，预测模型的准确性和应用范围有望进一步扩大。