The association between the size of the largest disclosed VC round and IPO success : EEA/EFTA country evidence from Logit, Random Forest, and XGBoost models

Abstract

Recent trends in the European venture capital (VC) industry indicate that private companies are shifting toward raising increasingly larger VC rounds. This thesis examines the association between the size of the largest disclosed VC financing round and initial public offering (IPO) success in the European Economic Area (EEA) and European Free Trade Association (EFTA) countries during 2000–2023. Primarily, the thesis studies whether the association exists, and secondarily, its direction. The dataset includes 231 VC-backed IPO companies. IPO success is measured by Scaled IPO proceeds and IPO underpricing variables.

The methodology includes traditional logistic regression analysis, while two machine learning algorithms, random forest and XGBoost, are applied to check the robustness of the logit results. With machine learning, the association between the thesis’s VC round size variable and IPO success is studied by focusing on variable importance and partial dependence plots.

This thesis seeks to fill a small part of an apparent gap in the academic European VC-backed IPO performance literature by introducing a perspective on the VC round size. To the best of the author’s knowledge, no other academic article has studied the association between the VC round size and IPO success in Europe like this thesis. In this academic gap, the traditional logit model findings are enhanced by employing modern machine learning algorithms.

The results of this thesis indicate no statistically significant conditional association between the size of the largest disclosed VC round and IPO success when using traditional logistic regression. However, the results from the random forest and XGBoost machine learning models consistently show that the size of the largest VC round is a conditionally important variable, as measured by permutation importance, for the thesis’s models predicting IPO success. Additionally, partial dependence plots show that the size of the largest disclosed VC equity round has a negative conditional association with IPO underpricing by decreasing its average predicted probability. A positive conditional association with Scaled IPO proceeds is not consistently supported by the evidence.

Viimeaikaiset trendit Euroopan varhaisen vaiheen pääomasijoittamisen (VC) toimialalla osoittavat, että yksityiset yritykset nostavat yhä suurempia VC-rahoituskierroksia. Tässä tutkielmassa selvitetään suurimman julkistetun VC rahoituskierroksen koon ja listautumisantimenestyksen välistä yhteyttä Euroopan talousalueella (ETA) ja Euroopan vapaakauppaliiton (EFTA) jäsenvaltioissa vuosina 2000–2023. Tutkielmassa selvitetään ensisijaisesti onko edellä mainittua yhteyttä olemassa, ja toissijaisesti sen tarkempaa luonnetta. Tutkielman data-aineisto koostuu 231 listautujayrityksestä, jotka ovat saaneet VC-rahoitusta ennen pörssiin listautumista, ja joita VC-sijoittajat ovat tukeneet listautumisannissa. Listautumisantimenestystä mitataan kahdella muuttujalla: Scaled IPO proceeds ja IPO underpricing.

Tutkimusmenetelmänä käytetään perinteistä logistista regressioanalyysia, josta saatavien tulosten kestävyyttä ja luotettavuutta arvioidaan myös kahdella koneoppimisen algoritmilla. Tutkielmassa käytetään random forest ja XGBoost-algoritmeja. VC-rahoituskierroksen koon ja listautumisantimenestymisen välistä yhteyttä tutkitaan koneoppimisen avulla keskittymällä siihen, kuinka tärkeä VC-rahoituskierrosmuuttuja on tutkielman malleissa ja tulkitsemalla osittaisriippuvuuskuvaajia.

VC-sijoittajien tukemien eurooppalaisten listautumisantien suorituskykyä käsittelevässä akateemisessa kirjallisuudessa on VC-rahoituskierrosten kokoon keskittyvässä tutkimuksessa aukko, jota tällä tutkielmalla pyritään täyttämään. Tutkielman tekijän parhaan ymmärryksen mukaan yksikään akateeminen artikkeli ei ole keskittynyt VC-rahoituskierrosten koon ja listautumisantimenestyksen väliseen yhteyteen Euroopassa kuten tämä tutkielma. Tutkielmassa parannetaan perinteisten logit-mallien tuloksia edellä mainitussa akateemisen kirjallisuuden aukossa käyttämällä moderneja koneoppimisen algoritmeja.

Tässä tutkielmassa esitetyillä tuloksilla ei kyetä osoittamaan tilastollisesti merkittävää ehdollista yhteyttä suurimman julkistetun VC-rahoituskierroksen koon ja listautumisantimenestymisen välillä perinteisen logistisen regressioanalyysin avulla. Random forest ja XGBoost-algoritmit kuitenkin osoittavat johdonmukaisesti, että VC-rahoituskierroksen kokoa kuvaava muuttuja on tärkeä listautumisantimenestyksen ennustamisessa. Tämän lisäksi osittaisriippuvuuskuvaajat osoittavat, että suurimman julkistetun VC-rahoituskierroksen koolla on ehdollinen negatiivinen yhteys IPO underpricing -muuttujaan pienentäen keskimääräistä todennäköisyyttä sen ennustamiselle. Tulokset eivät johdonmukaisesti osoita positiivista ehdollista yhteyttä Scaled IPO proceeds -muuttujaan.