京公网安备 11010802034615号
经营许可证编号:京B2-20210330
数据分析揭示VC界的“贝比·鲁斯”效应
"如何打出全垒打:我会用尽我十二成的全部功力进行挥杆,就像要将棒球给击穿一样...你对球棒握得越实,你击打棒球的力度就会越大,球就能飞得越远。在我用尽吃奶的力进行挥杆的时候,我有可能大力命中,也有很大的可能是三振出局收场。” -- 贝比·鲁斯
众所周知,那些刚从事VC行业的新兵所碰到的最困难的问题之一,就是如何内化“贝比·鲁斯效应”这个概念。
如果要让所有的投资组合都产生高额的投资回报率,你必须对其中的每一个投资都应用上精确的评估分析方法。但是令人惊讶的是,包括来自赌马、赌场、以及投资等的更行各业的领军人物,他们都强调的却是另外一面,投行称之为”贝比·鲁斯效应“:虽然贝比·鲁斯(卓越的VC)有过不少的三振出局(失败/亏损的投资)的经历,但这并不妨碍他成为史上最伟大的击球手(风头公司)之一。 -- 出自"贝比·鲁斯效应:频率和量级“
贝比·鲁斯效应在不同种类的投资中都会碰上,但是在风投行业尤为显著。如注明投资人Peter Thiel所观察的一样:
事实上[风投]回报率是呈非常严重的偏态分布的。一个VC对这个偏态分布认知的越深入,他就越会是个优秀的VC。而糟糕的VC则倾向于认为回报曲线是成正态分布的,比如,误以为所有的公司都是在同等条件下诞生的,只是有些最终做死了,有些半死不活,而有些却在成长着而已。而事实上它们是遵循幂次法则的分布规律的(更多有关Peter Thiel对幂次法则和正态分布的描述,请查看本人官网之前的一篇文章《创业圣经《从0到1》读书笔记精简版》)。
贝比·鲁斯效应之所以这么难以内化主要是因为人们心理上都倾向于逃避亏损。行为经济学早有非常著名的演示,表明人们对于损失一定金额的情绪低落程度,远大于赚取同等金额的情绪的愉悦程度。亏损总会让人感觉不爽,即使这个亏损只是成功的投资组合战略中的一小部分而已。
当人们谈论到这个话题的时候,往往是难以深入,因为此前我们很难得到一份综合有效的风投公司的效益数据。而今天,大家走运了,非常感谢在众多风投基金公司中都备受尊重的投资人Horsley Bridge,他给我提供了这数百个风投公司自1985年起的投资回报率相关的匿名历史数据。
事实如我们预期一样,回报是非常集中的:大约占有这些公司所有投资组合的6%的投资(大约占所有投资金额的4.5%),产生的投资回报率却占有了全部投资回报率的60个百分比左右。下面我们再对这些数据作深入的挖深,看下优秀的VC和糟糕的VC是怎么被区分开来的。
全垒打(编者注:也就是说该风投公司不少的投资组合都是获得超过10倍投资回报率的): 如我们所预期的,成功的风投公司拥有更多的“全垒打”级别的投资。
(本文的所有图表中,X轴指代的是VC基金的效益:靠右的代表卓越的VC基金,靠左的代表糟糕的VC基金。)
卓越的风投基金公司不但会有更多的高投资回报率投资组合,且这些投资组合的投资回报率往往都是高得超乎想象的。请看下图中描述的低效益和高效益的风投基金在都是全垒打(超过10倍的投资回报率)的情况下的投资回报率的差别。
通常好的风投基金的投资回报率是在20倍左右,而卓越的风投基金的投资回报率则高达70倍,如Bill Curley曾经说过的:“风投不仅仅是一个全垒打的生意,还是一个大灌满的生意。“
三振出局(失败的投资):这里的Y轴代表的是一个风投基金的众多投资组合中亏损的投资所占的百分比。
从图中可以得知,其实无论是糟糕的投资公司还是卓越的投资公司,他们的投资组合中都有不少一部分是亏损的。所以说风投行业本身就是一门高风险的生意。
大家可以看到上图是呈U字型分布的,也就是说卓越的风投公司其实比普通的(处于图表中间的)风投公司更容易投到亏损的公司。所以这里卓越的风投基金公司刚好印证了上面所说的”贝比·鲁斯效应“效应:它们挥杆(投资)力度越大,有可能大力命中,也有可能三振出局(亏损)收场。但是你如果不敢冒着大量的三振出局(失败)的风险,你就不可能有大满贯(众多投资组合无数倍的投资回报率)的可能。比如,根据幂次法则,只要你的众多投资组合中有一个如Facebook般的公司,就算你所有的其他投资组合都是亏钱的,你依然会赚得盘满钵满!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02