用于预测初创企业融资、专利和退出的可解释机器学习
机器学习
2025-10-13 v1 综合金融
摘要
本研究开发了一个可解释机器学习框架，用于预测初创企业结果，包括融资、专利和退出。从Crunchbase构建了2010-2023年的企业季度面板数据，并与美国专利商标局(USPTO)数据进行匹配。评估了三个时间窗口：12个月内获得下一轮融资、24个月内专利存量增长、以及36个月内通过首次公开募股(IPO)或收购实现退出。预处理在开发窗口(2010-2019)上拟合，并应用于后续队列而不做更改以避免数据泄露。通过逆先验权重和名义与连续特征的合成少数类过采样技术(SMOTE-NC)处理类别不平衡。比较了逻辑回归和树集成模型，包括随机森林、XGBoost、LightGBM和CatBoost，使用精确率-召回率曲线下面积(PR-AUC)和受试者工作特征曲线下面积(AUROC)进行评估。专利、融资和退出预测分别实现了0.921、0.817和0.872的AUROC值，为创新金融提供了透明且可复现的排名。
引用
@article{arxiv.2510.09465,
title = {Interpretable Machine Learning for Predicting Startup Funding, Patenting, and Exits},
author = {Saeid Mashhadi and Amirhossein Saghezchi and Vesal Ghassemzadeh Kashani},
journal= {arXiv preprint arXiv:2510.09465},
year = {2025}
}