衡量私人市场投资者学习：基于顺序 LLM-Bayesian 分析专家网络通话
计算工程、金融与科学
2026-05-06 v3
摘要
我们使用专家网络通话的大数据集，研究私人市场中的投资者学习和信息获取。我们发展了一个顺序大语言模型(LLM)-贝叶斯框架，将专家互动视为顺序信号，从非结构化对话中恢复关于企业成功及其不确定性的时间变化信念，提供了一个衡量定性信息如何聚合为投资期望的测量系统。我们表明，专家网络通话包含决策相关信息：单次通话将随后的投资概率提高 6.9-9.0 个百分点，而积极情绪将交易可能性提高 3.9-4.1 个百分点。信息在不同主题和环境中的信息性不同：关于技术采纳和客户获取的讨论将交易概率提高最高可达 14.7 个百分点，尤其在高不确定性环境中更为显著。信息在不同时间范围内是非对称的，积极信号预测短期投资决策，而消极信号更具关于长期企业绩效的信息。符合信念机制，投资决策对推断后的信念作出反应，而非原始信号。信念提高一个标准差将交易概率提高约 11 个百分点，而不确定性的降低进一步增加投资可能性。我们的框架通过提高投资组合收益 15.26% 和 F1 分数 6.69% 来改善资本配置，收益集中在上尾部。注意力和消融分析表明，对于技术复杂的初创企业、年轻企业、具有多样性创始团队以及公开可见性低的企业，情境线索尤其具有信息性，在这些情况下信息摩擦尤为严重。
关键词
引用
@article{arxiv.2512.20900,
title = {Measuring Investor Learning in Private Markets: A Sequential LLM-Bayesian Analysis of Expert Network Calls},
author = {Yidong Chai and Yanguang Liu and Xuan Tian and Jiaheng Xie and Yonghang Zhou},
journal= {arXiv preprint arXiv:2512.20900},
year = {2026}
}