스타트업 재무성과예측을 위한 머신러닝 모형에 관한 연구

Abstract

창업기업에 대한 투자의사결정은 높은 리스크와 정보비대칭에 의한 불확실성으로 인하여 상장기업의 전통적인 가치평가 방식으로 평가하는데 많은 어려움이 있다. 본 연구는 기술보증기금으로부터 투자 유치를 신청한 스타트업을 대상으로 표본을 정하고 분석하였으며, 머신러닝 알고리즘을 활용하여 투자이후의 성과를 예측하는데 가장 적합한 알고리즘 모형에 대하여 연구하였다. 머신러닝 알고리즘 분석을 위하여 로지스틱 회귀분석을 통하여 스타트업의 재무 성과를 예측하는데 영향을 미치는 변수들을 분석하였으며, 기업의 인적 조직 자원과 창업자의 경험 요인들을 재무성과 예측에 활용하였다. 이를 통해, SVM(Support Vector Machine), KNN(K-Nearest Neighbor), GBM(Gradient Boosting Machine) 등의 머신러닝 알고리즘을 사용하였을 때 60% 수준 이상의 예측력을 얻을 수 있었으며, 분석에 사용된 알고리즘 중에서는 GBM이 다른 알고리즘보다 F1 score가 더 높아 보다 우수한 예측력을 갖고 있는 것으로 나타났다. 본 연구는 엔젤투자자 또는 벤처캐피털 및 기타 투자기관 등이 스타트업의 초기 정량적 데이터를 가지고 있을 경우, 투자 의사결정 과정에서 향후 재무 성과를 예측하기 위한 1차 스크리닝에 적합한 머신러닝 모형으로 활용할 수 있다는 점에서 실무적 의의를 가지고 있다.

Investment decisions for startups are difficult to evaluate with the traditional valuation method of listed companies due to high risks and uncertainties caused by information asymmetry. This study analyzed samples for early startups that applied for fundraising from KOTEC (Korea technology finance corporation) and studied the most suitable model for predicting their post-investment performance using machine learning algorithms. First, Logistic regression analysis is conducted to analyze the characteristics of startups for use in machine learning algorithms, and human organizational resources and the founder's experience are found to be important variables in predicting the startup's financial performance of startups. Through this, machine learning algorithms such as SVM (Support Vector Machine), KNN (K-Nearest Neighbor) and GBM (Gradient Boosting Machine) are used to predict the financial performance of invested startups, and more than 60% of predictive power was obtained. Among the algorithms used in the analysis, GBM has a higher F1 score than other algorithms, indicating that it has better predictive power. This study has the following practical implication for angel investors or venture capital and other investment institutions. If investors have the quantitative data of startup, this study presents a suitable machine learning model for the primary screening to forecast future financial performance in the VC's investment decision-making process.