خلاصة:
هدف: از آنجا که سرمایه‌گذاری خطرپذیر، بهترین روش تأمین مالی برای ایجاد و رشد شرکت‌های نوپا و دانش‌بنیان است، توجه بسیاری از کشورهای توسعه‌یافته را به خود جلب کرده است. نحوه انتخاب شرکت‌های نوپا و اتحاد سرمایه‌گذاران، از چالش‌های مهم این صنعت است. از این رو، همواره نیاز به روش‌های یکپارچه‌ای بر اساس رویکردهای تحلیل کمّی احساس می‌شود. در پژوهش حاضر، بهینه‌سازی سبد شرکت‌های نوپا به محیط واقعی نزدیک‌تر شده و ترجیح شرکت‌های نوپا، همانند شرکت‌های سرمایه‌گذاری خطرپذیر، به‌عنوان تصمیم‌گیرنده در نظر گرفته شده است تا نشان داده شود که کدام سرمایه‌گذارها در کدام شرکت‌های نوپا با یکدیگر مشارکت کنند و سهم هر یک چقدر باشد.روش: با لحاظ کردن پیچیدگی مسئله، نزدیک‌ترین مدل به محیط واقعی، مدل عامل‌محور است. با اتخاذ دو موتور محاسبه‌ای مستقل مبتنی بر سیستم استنتاج تطبیقی فازی ـ عصبی و ترکیب این سیستم با الگوریتم بهینه‌سازی ذرات و در جهت بهبودبخشی، از روش فراابتکاری جست‌وجوی هارمونی اصلاح‌شده، برای شناسایی سبد سرمایه‌گذاری نزدیک به بهینه استفاده شده است.یافته‌ها: پس از مطرح‌کردن چهار مثال با ابعاد گوناگون، روش حل پیشنهادی برای هر یک 5 بار به‌صورت مستقل اجرا شد. بر اساس محاسبه‌ها، موتور محاسبه‌ای سیستم استنتاج فازی ـ عصبی تطبیقی تنظیم‌شده توسط الگوریتم بهینه‌سازی ازدحام ذرات، کاراتر بود و سبد بهینه مبتنی بر آن به‌دست آمد.نتیجه‌گیری: بر اساس فرضیه‌های مسئله و مشخصه‌های هر یک از عامل‌ها در سرمایه‌گذاری خطرپذیر، مدیریت ریسک پرتفوی هر یک از سرمایه‌گذاران و سهم هر یک و اتحادهای پیشنهادی مدل مابین سرمایه‌گذاران، بهینه شد.
Objective: Increasing the competitiveness of countries in the world can be reached only through innovation and the financial aspect is the most important pillar of a national innovation system. Hence, the role of venture capital in developing knowledge-based institutions is vital. However, startup portfolio selection and venture capital firms’ syndication have always been critical challenges in VC industry. Hence, the need for integrated methods, based on sophisticated quantitative techniques, is always being felt. In this research, the simulation of startup portfolio optimization is much more similar to real world and the preferences of startups as decision-makers and the interaction between investees and investors are considered. The results could shed light on which investors regarding their attributes and the startup's attributes should syndicate together and how much is their shares. Methods: Considering the complexity of the problem, the best-known model to simulate the problem is an agent-based modeling. By applying two different computational engines based on ANFIS and ANFIS tuned by PSO and also through the utilization of modified HS, the optimization procedure is preceded. Results: The proposed solution method is applied to about four various samples and has been executed five times independently. Regarding analysis, the computational engine based on ANFIS tuned by PSO is more efficient and the optimum portfolio is achieved based on it. Conclusion: Regarding the assumptions of the problem and the agent’s attributes in venture capital, the investors’ portfolios and their syndication has been optimized in order to lessen risk and increase return on investment.
ملخص الجهاز:
در پـژوهش حاضر، بهينه سازي سبد شرکت هاي نوپا به محيط واقعي نزديک تر شده و ترجيح شرکت هاي نوپا، همانند شرکت هـاي سـرمايه گـذاري خطرپذير، به عنوان تصميم گيرنده در نظر گرفته شده است تا نشان داده شود که کدام سـرمايه گـذارها در کـدام شـرکت هـاي نوپـا بـا يکديگر مشارکت کنند و سهم هر يک چقدر باشد.
بـا اتخـاذ دو موتـور محاسـبه اي مستقل مبتني بر سيستم استنتاج تطبيقي فازي ـ عصبي و ترکيب اين سيستم با الگوريتم بهينه سازي ذرات و در جهت بهبودبخشي ، از روش فراابتکاري جست وجوي هارموني اصلاح شده ، براي شناسايي سبد سرمايه گذاري نزديک به بهينه استفاده شده است .
در اين پژوهش ، شرکت هاي نوپا همراه با قدرت تصميم گيري در نظر گرفته شده اند و علاوه بر مشخصه هاي رفتاري و مالي شرکت هاي نوپا، به مشخصه هاي شرکت هاي سرمايه گذاري خطرپذير نيز توجه شده است .
با توجه به پيچيدگي مسئله و تعدد تصميم گيران در دو گروه عاملي متفاوت و تعامل مابين آنها، منطبق ترين روش براي شبيه سازي اين مسئله ، مدل سازي عامل محور است که در تعيين سبد بهينه سرمايه گذاري براي نخستين بار از آن بهره برده مي شود.
A decision making model for selecting start-up businesses in a government venture capital scheme.
A Fuzzy Goal Programming Model for Venture Capital Investment Decision Making.
Multiple Criteria Decision Making and Goal Programming for Optimal Venture Capital Investments and Portfolio Management.
A Multicriteria Decision Model for Venture Capital Firms’ Evaluation of New Technology Business Firms, Applications of Management Science, 27–50.
Venture capital investment selection decision-making base on fuzzy theory.
(
, 
, 
)
