Abstracts

L'importance des données textuelles dans le Capital Privé. Prévision des rendements des fonds, grâce à l'intelligence artificielle, à partir des documents envoyés par les gestionnaires de fonds pre et post investissement : The importance of textual data in Private equity. Forecasting fund returns by applying artificial intelligence on documents sent by fund managers pre- and post-investment

by Borja Fernandez Tamayo

Les actifs sous gestion du marché privée sont passés de moins de 1 000 milliards en 2004 à plus de 10 000 milliards en 2021. Ce marché est dominé par des investisseurs institutionnels qui consacrent de nombreuses ressources à la sélection et au suivi des investissements. Les investisseurs reçoivent un Private Placement Memorandum (PPM), qui définit l'offre de fonds aux investisseurs. La littérature antérieure se limite aux informations quantitatives disponibles dans le PPM. Après avoir investi dans un fonds, les investisseurs (LP) reçoivent des rapports réguliers des managers (GP) qui investissent au nom des LPs. Ces rapports comprennent des informations quantitatives et une lettre décrivant le développement du portefeuille. Cette étude examine l'importance du texte détaillant les approches d'investissement dans le PPM (chapitres 1 et 2) et de la lettre aux investisseurs (chapitre 3) pour expliquer la performance des fonds et la vitesse de levée de fonds. Le chapitre 1 examine la relation entre la lisibilité de l'approche d'investissement et la performance des fonds avec 373 PPM. Nous utilisons plusieurs mesures de lisibilité suggérées par la littérature antérieure pour évaluer la lisibilité des approches d'investissement. Conformément au l'hypothèse de « Management obfuscation », nous établissons un lien négatif entre l'approche d'investissement et les rendements du fonds pour les GPs ayant une mauvaise performance au moment de la levée de fonds d'un nouveau fonds. Cet effet résiste à plusieurs mesures de la qualité de le performance antérieure. Nous examinons l'association entre la lisibilité de l'approche d'investissement et la vitesse de levée de fonds. On trouve que l'approche d'investissement n'est pas liée à la vitesse de levée de fonds. Nos conclusions impliquent que les investisseurs fondent leurs décisions d'investissement sur des informations quantitatives.Le chapitre 2 analyse le potentiel de la combinaison des approches de traitement du langage naturel (NLP) et d'apprentissage automatique pour sélectionner et désélectionner des fonds en fonction de l'approche d'investissement. Nous utilisons NLP pour convertir l'approche d'investissement en vecteurs numériques. Ensuite, nous formons des modèles d'apprentissage automatique avec des fonds levés avant 2012. Enfin, nous testons la capacité des algorithmes à prédire la performance des fonds 2012-2014. Nos modèles d'apprentissage automatique sont précis à 60 %. Cela signifie que les algorithmes classent 60 % des fonds non formés comme surperformant ou sous-performant.Ces taux de précision sont robustes lors du backtesting des modèles avec des fonds levés avant 2008 et après 2011. Après avoir contrôlé les autres facteurs de performance des fonds, nous trouvons une relation positive entre la probabilité de succès prédite par l'algorithme et les rendements des fonds. Enfin, nous montrons que l'utilisation d'algorithmes d'apprentissage automatique pour sélectionner les GPs génère des rendements supérieurs.Le chapitre 3 examine le lien entre le sentiment managérial…