本文提出一种以私募公司交易后估值为监督锚点的相似度学习框架,利用CatBoost梯度提升树处理高基数类别变量、非线性关系及大量缺失数据,并通过树重要性加权的叶节点共现构建估值条件相似度矩阵。基于约27万家私营公司及超过5.3万家具有估值信息的企业样本,研究显示该方法能够形成更具经济一致性的同业公司邻域,并在金融服务等评估行业的k-NN估值任务中优于欧氏距离、Gower距离和文本嵌入方法,同时保留SHAP驱动的案例解释能力。
| 邻域规模k | 学习相似度MAE(约) | 欧氏距离MAE(约) | Gower距离MAE(约) | 余弦距离MAE(约) |
|---|---|---|---|---|
| 5 | 1.41 | 1.47 | 1.70 | 1.96 |
| 10 | 1.38 | 1.45 | 1.62 | 1.83 |
| 15 | 1.36 | 1.41 | 1.58 | 1.75 |
| 20 | 1.34 | 1.40 | 1.55 | 1.70 |
报告标题:《What Makes a Peer? Valuation-Anchored Similarity in Private Markets》(什么构成真正的可比公司?私募市场中的估值锚定相似性)。
作者:Sebastian Frank、Jingrao Lyu、Max Jarmey、Preetha Saha、Mingshu Li、Sweet Kaur、Sola Akinola、Dhagash Mehta。
机构:BlackRock, Inc.,作者分布于纽约、亚特兰大、伦敦和印度 Gurgaon。
主题:利用机器学习建立面向私募市场公司的“估值条件相似性”与可比公司识别框架。报告原文未给出单独的发布日期,但数据快照截至2025年9月,文中引用的私募股权行业资料为2026年2月。
报告的核心观点是:私募市场信息披露有限、交易不频繁、公司业务高度异质,传统依靠行业、地域、融资阶段或文本描述来寻找可比公司的方法,往往要么过于宽泛、纳入弱相关公司,要么过于狭窄、遗漏有价值的比较对象。作者因此提出一种以实际交易估值为监督目标的相似性学习方法,使公司之间的“接近程度”不再由静态特征距离决定,而是由它们是否共享相似的估值驱动因素决定。
该方法使用约27万家全球私营公司数据,其中约5.3万家拥有直接观测或可推导的投后估值,并通过CatBoost梯度提升决策树模型学习估值关系,再利用树节点共现情况构造成对相似度矩阵。报告声称,在所评估的行业组中,该方法在后续k近邻估值任务中优于欧氏距离、Gower距离和基于文本嵌入的方法,同时保留基于案例的可解释性。
需要注意的是,报告并非主要提出一个独立的估值预测模型,而是将估值模型作为“监督锚点”,最终目标是生成可重复使用的公司相似性结构,用于可比公司选择、尽职调查、投资组合构建、异常检测和风险管理。
私募股权、风险投资、私募信贷和房地产等私募资产在全球金融市场中的重要性不断上升,但私营企业通常存在披露不充分、财务数据缺失、报告频率不规则、交易样本稀疏等问题。报告还引用行业数据称,尽管2025年收购交易数量下降5%,私募股权市场仍出现历史最大规模交易,私募股权支持的退出数量增长40%,其中IPO退出数量增长100%,整体交易价值增长17%。这些数字用于说明私募市场规模和复杂度都在上升,因而需要更标准化、更具解释力的比较工具。
传统可比公司选择通常依赖行业分类、业务垂直领域、地域、融资阶段和产品描述。这些规则具有直观性,但无法充分处理私营企业同时跨越多个行业、客户群体和产品领域的情况。报告的逻辑是,真正有经济意义的同行公司,不一定在表面分类上相同,而可能是在增长预期、风险特征、交易结构和财务质量等方面具有相似的估值机制。
作者将研究置于三个相关方向之中:
机器学习相对估值。 既有研究已经尝试通过机器学习学习非线性的估值函数,并将预测的估值倍数表示为同行公司估值倍数的加权平均;本报告进一步把“同行权重”转化为可复用的成对相似性矩阵。
公司图谱与文本嵌入。 CompanyKG等方法通过公司之间的异质关系建立图谱,语言模型则通过企业描述生成公司嵌入。这类方法更偏向于语义或关系相似性,而本研究强调相似性必须与具体经济目标——即交易估值——相联系。
树模型相似性。 随机森林 proximity 的基本思想是,如果两个观测值经常落入同一棵树的同一个叶节点,则二者相似。本文将这一思想扩展到CatBoost,并根据每棵树对损失下降的贡献进行加权。
数据集包括约27万家全球私营公司,覆盖50多个行业组、数百个产品和服务类别,并包含地区、国家、州和城市等多层级地理信息。交易历史从1977年至2025年,交易年龄中位数为5年,75%的交易发生在2015年以后。最终用于模型校准的样本约为5.3万家公司,这些公司同时具备至少一笔PE或VC交易以及可观察或推导出的投后估值。
该样本结构意味着研究虽然规模较大,但并非覆盖全部27万家企业,而是集中于具有估值信息和交易记录的公司。因此,模型更适合处理“曾经进入融资或交易市场、且估值可获得”的私营公司,而不一定适用于完全没有交易信息的早期企业或边缘市场企业。
投后估值优先使用直接披露的数据;对于缺失直接估值的企业,作者根据企业价值、收购价格及收购比例、投前估值加融资额,或投前估值加总发行金额等信息推导投后估值。这样做扩大了可用样本,但也使目标变量混合了不同来源和不同可靠程度的估值。
报告将投后估值定义为最近一轮融资后公司的股权价值,理论上可由总流通股数乘以该轮转换价格计算;数据来源可能包括新闻稿、监管文件中披露的发行股份,或基于授权股份并使用折扣因子进行估计。
最终特征集包含27个变量,其中23个为分类变量,包括交易阶段、交易类型、内部行业分类、地理位置、客户类型和产品类型等。交易类型约有80种,行业和内部部门分类则具有数百个细分类别,部分变量还采用多标签形式,因此数据具有高维、高基数和强分类属性。
收入、EBITDA和净利润的缺失率最高,约为75%至80%,而国家、交易阶段和客户类型等分类变量相对完整。作者先排除非缺失率低于50%的分类变量,再删除在初步CatBoost模型中重要性为零的变量,以降低由于缺失严重而形成不稳定决策边界的风险。
另一个重要的工程变量是“距离最近一期财务数据的平均时间”。该变量分别计算收入、EBITDA和净利润距离最近报告日的时间,再求平均值,用来区分“企业从未披露财务信息”和“财务信息存在但已经过时”这两种情况。
作者认为估值是投资者对企业增长前景、竞争地位、财务表现和风险水平的综合市场判断,因此比单一行业分类更接近比较分析的实际目标。
这一方法并不是简单地把估值水平相同的公司归为一类。两个公司即便投后估值相同,如果一个主要由高速增长驱动、另一个主要由稳定现金流或资产价值驱动,模型也可能将它们视为不同;反之,估值水平不同但具有相似估值驱动机制的公司也可能被识别为近邻。
CatBoost适合这一场景,原因在于它可以原生处理高基数分类变量、缺失数值以及复杂非线性互动,而不需要把大量类别变量进行独热编码。其有序目标统计只使用随机排列中位于当前观测之前的数据,从而降低目标泄漏;有序提升则避免直接使用当前样本的目标值来构造残差。
模型以对数投后估值为预测目标,即令 (z_i=\log(y_i)),并在对数空间最小化RMSE。最终预测值通过指数变换恢复到估值水平。对数变换的经济含义是减少极高估值企业对模型的支配,使模型更关注相对误差而不是绝对美元误差。
模型由多棵决策树逐步相加构成,但不同树的贡献并不相同。作者根据每棵树加入后训练损失的下降幅度计算权重,贡献越大的树,其叶节点共现结果在相似度中权重越高。两个公司在树 (t) 中落入同一叶节点时获得相似性贡献,最终相似度是所有树上加权共现频率的总和,不相似度则取其补数,范围为0到1。
作者特别强调,这个“不相似度”并不一定满足严格数学距离的三角不等式,因此更准确地说是一个监督式dissimilarity,而不是标准度量空间中的距离。
数据按内部子行业分层,以80:20划分训练集和测试集,并在五折交叉验证中保持同样的分层方式。所有特征选择、预处理、模型拟合、树权重和相关校准都只使用训练数据,测试集估值仅用于最终评价,这一设计有助于降低信息泄漏。
由于交易横跨近50年,模型对较新的交易赋予更高样本权重,以反映私募市场估值驱动因素随时间变化的事实。超参数则通过Optuna进行50次试验,并采用树结构Parzen估计器和五折交叉验证优化。
模型评价指标包括MAE、RMSE、R²、MAPE和MdAPE,并以OLS或多元线性回归作为基准。作者还使用保序预测,通过校准残差构造不依赖分布假设的预测区间,并按交易类型对残差进行归一化和分组,以处理不同交易阶段之间的异方差。
表1列出了k近邻评价中比较的距离方法,包括欧氏距离、Gower距离以及文本嵌入相关方法,其作用是明确监督式相似度的基准对象。报告正文没有完整呈现表1的数值细节,因此只能确认其比较框架,不能据此复核所有具体参数。
表2展示特征类别及代表性变量,反映了模型输入以分类变量为主,并同时包含交易、地理、财务和企业属性。表2的核心价值不是提供单一统计量,而是说明私募市场数据的结构性难题:分类变量高基数、金融字段缺失严重、多个字段可能具有多标签。
表3展示Optuna优化后的CatBoost超参数及搜索范围,说明模型并非完全手工设定,而是通过交叉验证选择配置。不过原文提供的页面没有呈现表3的具体数值,因此无法进一步判断树深、学习率、正则化或迭代次数是否偏向高复杂度模型。
表4用于比较CatBoost与线性回归的预测表现。正文明确指出CatBoost优于多元线性回归,但没有在提供的文本中列出表4的完整指标,因此这一结论可以确认,具体提升幅度则无法从当前材料精确复核。
测试集按真实对数估值划分为五分位后,模型在中间估值区间表现较好,在两端明显变差:Q8的RMSE为0.94,而最低估值组Q1为2.35,最高估值组Q10为2.05,总体RMSE为1.44。该结果说明模型可以较好地捕捉中等规模企业的共同模式,但对最小和最大企业的估值外推能力有限。
误差还因行业、国家和交易类型而异。网络安全和部分软件细分领域估值离散度较高,因此预测误差更大;后期PE交易和未指定交易类型误差最高,而早期VC融资的估值模式相对一致、误差较低。
由于模型在对数空间预测,直接将预测值指数化会产生线性空间的向下反变换偏差。作者据此按交易类型使用校准因子:Series交易为1.74,Unspecified交易为5.06,其他交易为2.19。这些倍数说明未经校准的线性估值可能显著偏低,尤其是未指定交易类别。
图1横轴是交易类型,从Angel、Seed到Series A至Series F,蓝线为经过缩放的点预测,橙色标记为实际估值,浅蓝色区域为60%保序预测区间,灰色柱形表示样本数量。图中估值随融资阶段推进而明显上升,Series E和Series F的点预测约达到十亿美元级别;同时区间也明显变宽,表明后期企业估值分散程度更高。
图中灰色样本量柱显示Seed和Series A样本相对更多,而Series F等后期阶段样本较少,这意味着后期区间宽度既可能反映真实不确定性,也可能受到样本稀疏影响。报告认为置信度越高,区间越宽,体现覆盖率与区间效率之间的权衡。
表5比较不同置信水平下的覆盖率和区间平均比率,其中覆盖率代表实际估值落入区间的比例,区间平均比率代表区间宽度相对于平均预测值的大小。原文未提供表5具体数值,但其设计用于评估保序区间是否具有足够覆盖率,以及是否过于宽泛。
图2显示,交易类型名称的平均绝对SHAP值最高,为1.31;国家为1.17;地区与城市为0.28;收入为0.22;距离最近一期财务数据的平均时间为0.20;其余22个变量合计为1.62。
这说明交易结构和地理位置对模型估值判断具有压倒性影响,财务指标的重要性反而相对有限,部分原因可能是收入、EBITDA和净利润缺失率高达75%至80%。同时,SHAP值衡量的是对预测的平均贡献,不等于因果影响,不能直接解释为交易类型或国家必然导致估值变化。
图3针对约3200家金融服务公司,比较余弦距离、欧氏距离、Gower距离和学习型相似度。在收入、财务数据新鲜度和净利润三个数值变量上,学习型指标总体表现出较低偏差,至少优于文本嵌入余弦距离;在分类变量交易类型、国家以及地区与城市上,学习型指标的类别不匹配率也更低。
图中红线通常位于分类变量不匹配率曲线的较低位置,说明学习型指标形成的邻域在这些特征上更集中;但数值变量的优势并非对所有基准都绝对成立,报告明确提到其相对于Gower和欧氏距离存在混合表现。
此外,正文称数值变量使用“平均绝对偏差”,但图3纵轴标记为“Mean signed deviation”,即平均有符号偏差,这在统计含义上并不完全相同。若图中确实使用有符号偏差,正负误差可能相互抵消,从而低估实际差异,这是报告需要进一步澄清的技术细节。
图4显示在金融服务业中,随着邻域规模k从5增加到20,四种方法的MAE和RMSE均下降,说明使用更多邻居可以降低估值波动。学习型指标始终拥有最低MAE和RMSE,例如k=5时约为1.41,k=20时约为1.34;欧氏距离次之,Gower再次,文本余弦距离最差。
R²也随k增加而改善,学习型指标从约0.18升至约0.28,优于欧氏距离;Gower从负值改善至约0.10,文本余弦距离虽然改善但仍为负值。该结果支持作者的核心判断:学习型相似度构造出的邻域具有更强的估值一致性。
不过该优势主要在报告明确展示的金融服务业样本中可见,不能自动推断在全部50多个行业组中同样成立。摘要使用了更广泛的表述,但正文详细图示和定量结果相对集中于金融服务业,这是解释研究外推范围时需要注意的地方。
第一,目标变量存在测量误差。 投后估值既包括直接披露值,也包括由交易条款推导或估算的数值,来源异质性可能将数据误差传递到相似度结构中。
第二,样本选择偏差明显。 只有约5.3万家公司拥有估值和PE/VC交易记录,模型可能更适合活跃融资企业,而不适合没有公开交易信息的公司。
第三,时间稳定性风险。 交易历史跨越近50年,虽然作者使用近期交易加权,但估值制度、利率、行业偏好和融资环境变化仍可能使历史数据与当前市场不完全可比。
第四,极端估值和分行业偏差。 Q1和Q10误差显著高于中间区间,网络安全、软件、后期PE和未指定交易的表现较差,说明模型对高离散度和样本定义不清的领域存在系统性弱点。
第五,相似度不等于因果相似。 树节点共现反映模型认为哪些变量组合有助于预测估值,并不证明这些变量是估值的因果驱动因素;SHAP同样是解释性分解而不是因果识别。
第六,树权重可能存在训练集依赖。 研究用训练损失下降幅度确定树权重,如果后期树对训练集的拟合改善包含过拟合成分,则相似度也可能受到过拟合影响。报告通过测试集评价和训练/测试隔离降低风险,但没有充分展示不同随机种子、不同时间切分或外部样本下的稳定性。
总体而言,报告提出了一个有明确经济目标的机器学习框架:不是先定义“行业相同”再进行估值,而是先用市场交易估值训练模型,再从模型内部提取共享估值驱动因素,由此识别真正具有估值可比性的同行公司。
从结果看,CatBoost优于线性基准,中间估值区间预测较稳定,学习型相似度在金融服务业的邻域一致性和k-NN估值任务中优于欧氏、Gower及文本余弦距离;图1还表明后期融资阶段估值区间更宽,图2则显示交易类型和地理因素是模型最主要的估值驱动变量。
作者的总体立场是积极的:该方法可作为固定行业、地域和融资阶段筛选法的替代或补充,并可用于投资机会发现、可比公司分析、尽调、组合集中度识别和风险管理。
但其结论应理解为“在具有交易估值数据、且已测试的行业和样本范围内表现较好”,而不应解读为该相似度已经在所有私募市场领域普遍有效。表4和表5缺少完整数值、图3存在偏差定义可能不一致、样本和估值来源具有选择性,均意味着未来仍需通过跨行业、跨时间、外部样本和稳定性检验进一步验证。作者也提出未来将研究跨行业相似性、更柔性的树 proximity,以及更丰富的文本和图谱表示方法。
2608.12594.pdf