Ανάπτυξη μοντέλων μηχανικής μάθησης για την υποστήριξη της διαδικασίας λήψης αποφάσεων σε επενδύσεις κεφαλαίων επιχειρηματικών συμμετοχών

Βλαχογιάννης, Γεώργιος; Vlachogiannis, Georgios

dc.contributor.author	Βλαχογιάννης, Γεώργιος	el
dc.contributor.author	Vlachogiannis, Georgios	en
dc.date.accessioned	2025-02-14T10:28:40Z
dc.date.available	2025-02-14T10:28:40Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61102
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28798
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Νεοφυείς επιχειρήσεις	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Κεφάλαια Επιχειρηματικών Συμμετοχών	el
dc.subject	Ταξινόμηση	el
dc.subject	Πρόβλεψη	el
dc.subject	Start-ups	en
dc.subject	Machine Learning	en
dc.subject	Venture Capital	en
dc.subject	Classification	en
dc.subject	Prediction	en
dc.title	Ανάπτυξη μοντέλων μηχανικής μάθησης για την υποστήριξη της διαδικασίας λήψης αποφάσεων σε επενδύσεις κεφαλαίων επιχειρηματικών συμμετοχών	el
dc.title	Development of machine learning models to support decision-making in venture capital investments	en
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-09
heal.abstract	Οι επενδύσεις σε νεοφυείς επιχειρήσεις (Start-Up) μέσω Κεφαλαίων Επιχειρηματικών Συμμετοχών (Venture Capital ή VC) χαρακτηρίζονται από υψηλό βαθμό αβεβαιότητας και ρίσκου. Η ραγδαία τεχνολογική εξέλιξη των τελευταίων ετών σε συνδυασμό με την αυξανόμενη διάθεση δεδομένων έχουν καταστήσει επιτακτική την ανάγκη για πιο εξελιγμένες μεθόδους λήψης αποφάσεων. Στην προσπάθεια μείωσης αυτών των κινδύνων οι επενδυτές στρέφονται όλο και περισσότερο σε λύσεις βασισμένες στη Μηχανική Μάθηση. Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση και ανάπτυξη μοντέλων μηχανικής μάθησης τα οποία θα είναι σε θέση να υποστηρίξουν και να βελτιώσουν τη διαδικασία λήψης αποφάσεων στο χώρο των Κεφαλαίων Επιχειρηματικών Συμμετοχών. Ειδικότερα, στόχος της εργασίας είναι η ανάπτυξη μοντέλων τα οποία θα είναι σε θέση να προβλέψουν μία σειρά από διαφορετικά γεγονότα που σηματοδοτούν την επιτυχία ή αποτυχία μιας επιχείρησης μέσω της ανάλυσης δεδομένων. Τα γεγονότα αυτά αφορούν το αν μία επιχείρηση θα κλείσει, «Closed», θα πραγματοποιήσει δημόσια εγγραφή «IPO», θα εξαγοραστεί «Acquired», θα προβεί σε νέο γύρο χρηματοδότησης «Funding Round» ή το αν δεν θα συμβεί τίποτα από τα προηγούμενα, «No Event». Στην εργασία περιγράφονται εν συντομία ο κλάδος των Κεφαλαίων Επιχειρηματικών Συμμετοχών και της Μηχανικής Μάθησης. Επιπλέον, αναπτύσσονται πέντε διαφορετικά μοντέλα επιβλεπόμενης Μηχανικής Μάθησης, κυρίως δενδροειδούς μορφής, τα οποία εκπαιδεύτηκαν και αξιολογήθηκαν με την χρήση δεδομένων από την βάση της Crunchbase. Πιο συγκεκριμένα, τα μοντέλα που αναπτύχθηκαν ήταν τα Δέντρα Αποφάσεων, τα Τυχαία Δάση, τα Εξαιρετικά Τυχαία Δέντρα, οι Μηχανές Διανυσμάτων Υποστήριξης και, τέλος, το XGBoost. Τα μοντέλα XGBoost και Εξαιρετικά Τυχαία Δέντρα σημείωσαν τις καλύτερες επιδόσεις με ακρίβεια που αγγίζει το 90,06% και 89,07% αντίστοιχα. Ωστόσο, αν και στην πλειοψηφία των κλάσεων τα μοντέλα πέτυχαν ικανοποιητικά αποτελέσματα, κανένα από αυτά δεν κατάφερε να πετύχει σημαντικές επιδόσεις στην κλάση «ΙΡΟ». Η εργασία προσφέρει σημαντική προστιθέμενη αξία στον κλάδο των Κεφαλαίων Επιχειρηματικών Συμμετοχών, προτείνοντας μία πιο αντικειμενική και αποδοτική προσέγγιση της διαδικασίας λήψης αποφάσεων. Θεωρούμε, πως τα ευρήματα της εργασίας μπορούν να βοηθήσουν τους διαχειριστές των Εταιριών Κεφαλαίων Επιχειρηματικών Συμμετοχών να διαχειριστούν καλύτερα την αβεβαιότητα και να πετύχουν καλύτερες αποδόσεις.	el
heal.abstract	Investments in start-ups through Venture Capital are characterized by a high degree of uncertainty and risk. The rapid technological advancements of recent years, combined with the increasing availability of data, have made it imperative to adopt more sophisticated decision-making methods. To mitigate these risks, investors are increasingly turning to machine learning-based solutions. The purpose of this thesis is to explore and develop machine learning models that can support and enhance the decision-making process in the field of Venture Capital. Specifically, the aim is to develop models capable of predicting a range of different events that signify the success or failure of a company through data analysis. These events include whether a company will close ("Closed"), go public ("IPO"), be acquired ("Acquired"), initiate a new funding round ("Funding Round"), or if none of these events will occur ("No Event"). The thesis first provides a brief overview of the Venture Capital and Machine Learning sectors. Following this, five different supervised machine learning models, primarily treebased, were developed, trained, and evaluated using data from the Crunchbase database. Specifically, the models developed were Decision Trees, Random Forests, Extremely Randomized Trees, Support Vector Machines, and finally, XGBoost. The XGBoost and Extremely Randomized Trees models achieved the best performance, with accuracy rates of 90.06% and 89.07%, respectively. However, while the models performed satisfactorily across most classes, none of them managed to achieve significant performance in the "IPO" class. This thesis provides significant added value to the Venture Capital industry by proposing a more objective and efficient approach to the decision-making process. We believe that the findings of this study can help Venture Capital firms' managers better manage uncertainty and achieve better returns.	en
heal.advisorName	Πόνης, Σταύρος	el
heal.committeeMemberName	Πόνης, Σταύρος	el
heal.committeeMemberName	Παναγιώτου, Νικόλαος	el
heal.committeeMemberName	Ναθαναήλ, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Βιομηχανικής Διοίκησης και Επιχειρησιακής Έρευνας	el
heal.academicPublisherID	ntua
heal.numberOfPages	119 σ.	el
heal.fullTextAvailability	false