Journal of Economics, Entrepreneurship and Law Journal of Economics, Entrepreneurship and Law Экономика, предпринимательство и право 2222-534X BIBLIO-GLOBUS Publishing House 123410 10.18334/epp.15.8.123410 HBZCAO Articles Статьи Research Article Machine learning algorithms in venture investment management at the stage of technology startup selection Применение алгоритмов машинного обучения в управлении венчурными инвестициями на этапе отбора технологических стартапов Yuldashev Palvan Reimbaevich Юлдашев Палван Реимбаевич

аспирант

 Dereden@yandex.ru RANEPA Российская академия народного хозяйства и государственного управления 31 08 2025 15 8 VOL 15, NO8 (2025) ТОМ 15, №8 (2025) 5247 5264 12 06 2025 17 07 2025 Copyright ©; 2025, Yuldashev P.R. Copyright ©; 2025, Юлдашев П.Р. 2025 Yuldashev P.R. Юлдашев П.Р. https://1economic.ru/lib/123410

The article discusses the possibilities of applying machine learning algorithms in venture investment management at the stage of selecting promising technology startups. Based on the analysis of theoretical approaches and practical examples, the advantages of predictive analytics algorithms (RandomForest, XGBoost, and logistic regression) are substantiated. The stages of organizational and managerial activities of venture investors in making decisions about investing in startups are presented. The participants of the venture capital investment market and the regulatory conditions of their activity in the Russian Federation are described. Based on a review of international experience, evidence of the effectiveness of applying machine learning algorithms to improve the objectivity of evaluating startups and reduce investment risks is provided. In conclusion, practical recommendations on the integration of digital technologies and artificial intelligence algorithms into the investment decision-making processes of venture funds are proposed.

В статье рассматриваются возможности применения алгоритмов машинного обучения в управлении венчурными инвестициями на этапе отбора перспективных технологических стартапов. На основе анализа теоретических подходов и практических примеров обоснованы преимущества использования алгоритмов прогнозной аналитики (RandomForest, XGBoost, логистическая регрессия). Представлены этапы организационно-управленческой деятельности венчурных инвесторов при принятии решений об инвестировании стартапов. Проведено описание участников рынка венчурных инвестиций и нормативно-правовых условий их функционирования в Российской Федерации. На основе обзора международного опыта приведены доказательства эффективности использования алгоритмов машинного обучения для повышения объективности оценки стартапов и снижения рисков инвестирования. В заключение предложены практические рекомендации по интеграции цифровых технологий и алгоритмов искусственного интеллекта в процессы принятия инвестиционных решений венчурными фондами.

 venture investment technology startup investment management machine learning RandomForest XGBoost logistic regression венчурные инвестиции технологические стартапы управление инвестициями машинное обучение RandomForest XGBoost логистическая регрессия 1. Казакова Е.Д. Потенциал машинного обучения и искусственного интеллекта для развития венчурного инвестирования в России // Проблемы экономики. – 2023. – № 2. – c. 209–215. – url: https://cyberleninka.ru/article/n/potentsial-mashinnogo-obucheniya-i-iskusstvennogo-intellekta-dlya-razvitiya-venchurnogo-investirovaniya-v-rossii. 2. Фонд Сколково. Отчет о поддержке стартапов в России: 2023 год. – 2023. [Электронный ресурс]. URL: https://sk.ru/report/2023-startups (дата обращения: 24.05.2025). 3. GenerationS. Анализ успешности акселерационных программ в России. – 2022. [Электронный ресурс]. URL: https://generations.ru/reports/2022 (дата обращения: 24.05.2025). 4. Тураева А.Р., Мирзоян А.Г. Искусственный интеллект: взгляды предпринимателей и инвесторов // Научные исследования экономического факультета. Электронный журнал. – 2023. – № 4. – c. 75-91. – doi: 10.38050/2078-3809-2023-15-4-75-91. 5. Arroyo J., Corea F., Jimenez-Diaz G., Recio-Garcia J.A. Assessment of machine learning performance for decision support in venture capital investments // IEEE Access. – 2019. – p. 124233–124243. – doi: 10.1109/ACCESS.2019.2938659. 6. Bai S., Zhao Y. Startup investment decision support system based on machine learning approaches // System. – 2021. – № 3. – p. 55. – doi: 10.3390/systems9030055. 7. CB Insights. Venture capital funnel shows odds of becoming a unicorn are about 1%. Research Brief. – 2018. [Электронный ресурс]. URL: https://www.cbinsights.com/research/venture-capital-funnel-unicorn (дата обращения: 01.06.2025). 8. Corea F., Bertinetti G., Cervellati E.M. Hacking the venture industry: An early-stage startups investment framework for data-driven investors // Machine Learning with Applications. – 2021. – p. 100062. – doi: 10.1016/j.mlwa.2021.100062. 9. Kim J.H., Kim H.G., Geum Y. How to succeed in the market? Predicting startup success using a machine learning approach // Technological Forecasting and Social Change. – 2023. – p. 122614. – doi: 10.1016/j.techfore.2023.122614. 10. Venture Capital Exit Predictor: Methodology and Performance. – 2023. PitchBook. [Электронный ресурс]. URL: https://pitchbook.com/news/articles/venture-capital-exit-predictor (дата обращения: 24.05.2025). 11. Ross G., Das S.R., Sciro D., Raza H. CapitalVX: A machine learning algorithm for startup selection and exit prediction // Journal of Finance and Data Science. – 2021. – p. 94–114. – doi: 10.1016/j.jfds.2021.03.001. 12. Żbikowski K., Antosiuk P. A machine learning, bias-free approach for predicting business success using Crunchbase data // Information Processing Management. – 2021. – № 4. – p. 102555. – doi: 10.1016/j.ipm.2021.102555. 13. Breiman L. Random forests // Mach. Learn. – 2001. – № 1. – p. 5–32. – doi: 10.1023/A:1010933404324. 14. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. – p. 785–794.– doi: 10.1145/2939672.2939785. 15. Lundberg S.M., Lee S.-I. A unified approach to interpreting model predictions // Advances in Neural Information Processing Systems. – 2017. – p. 4765–4774. – doi: 10.5555/3295222.3295230. 16. Vapnik V.N. The nature of statistical learning theory. - Springer, New York, 1995. – 188 p. 17. Biau G., Scornet E. A random forest guided tour // Test. – 2016. – № 2. – p. 197–227. – doi: 10.1007/s11749-016-0481-7. 18. Friedman J.H. Greedy function approximation: A gradient boosting machine // Annals of Statistics. – 2001. – № 5. – p. 1189–1232. – doi: 10.1214/aos/1013203451. 19. Goodfellow I., Bengio Y., Courville A. Deep learning. - MIT Press, 2016. – 800 p. 20. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. - Springer, New York, 2009. – 745 p. 21. James G., Witten D., Hastie T., Tibshirani R. An introduction to statistical learning. - Springer, New York, 2013. – 426 p. 22. Provost F., Fawcett T. Data science for business. - O’Reilly Media, 2013. – 414 p. 23. Schapire R.E., Freund Y. Boosting: Foundations and algorithms. - MIT Press, 2012. – 544 p. 24. Shalev-Shwartz S., Ben-David S. Understanding machine learning: From theory to algorithms. - Cambridge University Press, 2014. – 415 p. 25. TechCrunch. – 10.01.2025. TechCrunch. Global Venture Funding Review 2024: AI startups drive resurgence. [Электронный ресурс]. URL: https://techcrunch.com/global-venture-2024 (дата обращения: 01.06.2025). 26. Какнейросетьпрогнозируетуспешностьстартапа (обзоринструмента VC Exit Predictor). – 04.08.2023. Get-Investor.ru. [Электронный ресурс]. URL: https://get-investor.ru/kak-nejroset-prognoziruet-uspeshnost-startapa (дата обращения: 01.06.2025). 27. Razaghzadeh Bidgoli M., Raeesi Vanani I., Goodarzi M. Predicting the success of startups using a machine learning approach // Journal of Innovation and Entrepreneurship. – 2024. – p. 80. – doi: 10.1186/s13731-024-00436-x. 28. Park J., Choi S., Jeong Y. Predicting startup success using bias-free machine learning: resolving data imbalance using GAN // Journal of Big Data. – 204. – p. 122. – doi: 10.1186/s40537-024-00993-8. 29. Choi Y. Startup Success Prediction with PCA-Enhanced Machine Learning Models // Journal of Technology Management Innovation. – 2024. – № 4. – p. 77-90. – doi: 10.4067/S0718-27242024000400077. 30. Zliobaite I. Fairness in Machine Learning: A Survey // ACM Computing Surveys. – 2022. – № 1. – p. 1-39. – doi: 10.1145/3465271. 31. Лернер Дж. Венчурный капитал и частные инвестиции. / руководство для профессионалов. - М.: Альпина Паблишер, 2019. – 304 c. 32. Шабека В.Л., Басалыга А.Е. Инвестиционная привлекательность технологических стартапов: теория и практика раннего венчурного финансирования. / Учебное пособие. - Минск: БНТУ, 2022. – 82 c.