战略|LP选择GP的赛马逻辑：赛道，骑手和赛马

LP投资与赛马

赛马，作为一项历史悠久的运动，无论是起源于古罗马的古典式赛马还是现代的英国式赛马运动，其竞速的最终结果都有三个关键点：赛道、骑手和马。

对于LP而言，这与投资GP的核心逻辑不谋而合：

赛道：顶层资产配置策略（地域、行业、阶段）

骑手：筛选优秀GP

马：识别业绩卓越的基金

如果从更广义的角度来看，LP的三种典型策略（P、S、C）也可用赛马来形象比喻：

• 基金投资（Primary）：最典型的赛马，即下注合适的赛道（策略）、卓越的骑手（GP）和精选的马（基金）

• 二级PE份额转让（Secondary）：马已经跑起来了还能下注（续接基金份额）

• 共同投资（Co-investment）：亲自上阵和骑手一起策马奔腾（跟投项目）

随着中国PEVC行业蓬勃发展，目前已步入规范化、制度化发展的2.0时代。我们也看到越来也多2.0时代的赛马新趋势。以下是我们看到的一些新趋势要点总结。

• 赛道新趋势：生态链扩展，即老牌GP的LP化（GP开始做母基金），LP的FA化（通过被投GP获取优质直投储备项目来跟投）；早期投资后端化（早期底层项目越来越贵，专注早期基金的GP逐步开始设立成长期基金）。

• 骑手新趋势：GP2.0时代的新星已站稳脚跟（如源码、高榕、愉悦等），这些大多成立于2011年之后，从老牌GP spin-off出来的初创基金（first-time fund），创始人通常35-40岁，年富力强正值打拼之年，他们有着优秀LP的支持、适度的基金规模和将首次基金跑出漂亮业绩的决心，通过不同的打法，过去几年投中了些许耀眼的明星项目。已经向世人证明，他们具备了脱离原机构后的项目获取渠道资源，具备了强大的中后台来运营支撑，以及自己的独特的投资组合管理理念。

• 马匹新趋势：产业基金（尤其是Co-GP模式）开始蓬勃发展，集中在大消费、医疗、新能源、汽车、旅游、物流等领域（如美团龙珠、蔚来汽车新能源基金等）。这些对产业有深刻理解的创业者，拥有独特的项目获取资源和退出渠道。

LP投资与量化分析

为什么要用量化分析来研究LP投资？

答案很简答，任何一类投资当达到一定量级时，都绕不开一个核心话题——投资组合管理。一个百亿规模的母基金，如何去科学地配置自己在不同类型的GP中，达到经风险调整后的优异回报，绝对不是随意决定的。

当然这个时候，就显示出了一个优秀母基金数据管理系统的重要性。这也是为什么知名美元FOF机构都会有自己的IT数据系统，来存储和分析全球大量的已投GP和底层项目。

不同于股票市场各种成熟的量化分析模型，中国的LP市场还处于初级发展阶段，私募股权市场做量化分析非常困难，除了数据获取的难度，方法本身也存在适用性问题。主要原因有两个·：

• 私密性：私募股权行业的数据私密度非常高，每家都有企业级安全的数据库Data room供特定LP查阅，即使是投中清科等平台每年榜单让GP填写的数据也显然是有偏的。在GP层面，目前公开资料上能找到不错的数据库如企名片、鲸准等，也只能通过爬虫工商登记信息和新闻报道，来提供“项目退出率”和“进入下轮比例”等指标来代替业绩数据，但这些离真正意义上的IRR/TVPI等业绩数据还是有很大距离

• 离散性：LP投资GP这种另类投资的回报具有很强的离散特性，不同于固定收益和股票投资，业绩排名前25%的基金和后25%的基金差别非常大。所以，GP高度分散的收益更要求LP具备选取优秀基金的能力。另一方面，在实证分析中样本很容易会出现有偏性问题。

LP投资量化实证研究初探

为了克服这些困难，我们希望通过在现有的公开资料基础之上，借助全球顶尖另类投资公司的数据平台，在严格遵守GP数据的保密性要求下（即只针对行业层面进行研究，不具体到某一GP或基金），开创性地进行实证量化分析，希望得出一些有实际意义的结论，以求能抛砖引玉，对LP投资提供参考建议。

研究的总体思路如下：

赛道配置：LP的私募股权投资组合资产配置策略

对于赛马而言，场中的赛道可以多种多样，如速度赛道、障碍赛道、越野赛道以及马术赛道等等。不同的赛道有着不同的速度和技巧要求，而对于下注赛马的观众而言，其对应的风险偏好也不尽相同。

与此类似，不同的基金有不同的背景和投资策略，有早期的风险投资（包括天使投资），也有后期的成长资本，同时也有有大型的并购基金等等，而各类基金也有不同的基金规模。因此，LP需要充分考虑不同基金的特点，合理的配置好自己的赛道，构建组合投资以分散投资风险。

中国私募股权市场各投资策略的回报和风险

利用公开数据库，我们对过去15年中国私募股权市场的超过1000余家GP的投资历史数据，可以分别绘制出成长基金、创投基金和并购基金的直方图来观测投资回报的分布情况，并进行描述性统计。其中，回报收益用投入资本总值倍数 （TVPI: Total Value to Paid-In）来衡量。TVPI表示所有已缴资本预计可得到的回报，其值为总的预期价值（Total Value）和已缴资本（Paid-In）之间的比值。

这里需要指出的是，虽然IRR在行业中被广泛采用，但综合考虑到数据的可获得性和研究的实际意义，这里采用投入资本总值倍数（TVPI）来进行分析而未采用IRR。另一方面，由于存在J曲线效应，短期内快进快出的项目会拉高IRR，而TVPI整体而言会更稳健。

从回报倍数来看，三类基金中风投基金的表现最好，其风险也相对较大（标准差为4.47），从历史分布来看，风投基金不但超额回报的可能性远高于其他基金，其1.4倍以下的回报几率仍比成长型和并购型低。

相比而言，成长型基金的回报和风险情况更为稳定，而并购型基金更偏低风险和低回报，离散程度较低。三类基金的偏度均大于0，右侧较长尾部，说明具有低回报基金的占据多数，相比而言并购基金偏度系数较小。

投资组合的构建和模拟

我们的目的是构建最优化的投资组合，这需要针对不同类别的私募股权投资策略来进行投资组合构建，而考虑到中国私募股权市场的投资历史，我们希望将每次投资作为一个随机变量，规定总的投资额度，用数学的试验方法来加以随机模拟。通过前述三种类别过去15年中国私募股权投资的结果构造概率过程，并从已知概率分布抽样，建立各种估计量，进行蒙特卡洛模拟。

蒙特卡洛模拟流程

根据近15年中国私募股权投资的历史数据，我们尝试利用蒙特卡洛方法模拟出7种不同情景下投资策略的回报和风险特征。这里假设目标规模为100亿人民币的母基金进行一级市场投资（Primary），类别涵盖成长型基金、风险投资和并购基金，用成本加权法构成投资组合并模拟取样，计算投资组合的收益分布情况。具体步骤如下：

（1）在规定的基金规模和比例下，随机抽取基金并进行100000次模拟。

（2）根据已得数据，取2002到2017年的中国私募股权基金的投资总回报和成本作为样本。

（3）私募股权基金的回报计算方式为样本公司回报优先资本加权再减去预估费用（预估费用利用基金净回报倍数的历史数据对总回报倍数的回归得到）。

（4）对三类基金的7类不同比例的投资组合方式进行检验。

模拟结果

根据前述蒙特卡洛模拟流程，我们利用通过MATLAB编程模拟出不同情景下投资策略的回报和风险特征。举例来说，如下图所示，以50%，30%和20%的比例来配置成长资本、风险投资和并购基金的投资组合，模拟结果近似于正态分布。

从最终模拟结果可以看出，不同的投资组合的总回报标准差介于0.27与0.31之间，表明不同的投资组合方式间的风险情况略有不同，同时99.9%以上的模拟结果显示投资回报倍数不小于1.4，这说明分散化的投资组合显著降低了单一的基金投资所带来的风险，尤其是回报倍数小于1.4的情况。

我们从第1种投资组合开始，后续的投资组合逐渐加大对风险投资的比例，以期考核增大风险对整个投资组合回报的影响。

可以明显看出，随着风险投资比例的加大，组合的回报倍数均值、中位数均逐步提高，但标准差也相应增大。组合的偏度仍大于0但并不十分显著，具有右侧尾部，说明具有低回报基金的占据多数，但相比单只基金而言以有所改善，近似于正态分布。

综合考虑各估计量，可以发现第6种组合的模拟结果最优。在同样的回报倍数（均值和中位数）的条件下，其标准差最低。同时，回报倍数小于1.4倍的概率仅为2%，保证了LP的低风险，同时也获得了较高的总回报倍数。但值得一提的是，获得2倍以上的回报倍数，第6种组合的概率达48%，较其他投资组合均更优。

结论1：LP投资组合可适当提高VC基金配置比例

由此，我们可以建立初步结论，即LP在建立私募股权的投资组合时，可适当提高对风险投资的配置比例。尽管这在全球视角来看，与传统意义上LP的投资策略不太相符。

但就近15年的历史数据而言，中国私募股权市场的风险投资发展十分迅速且投资回报情况较其他策略更优，而从标准差而言，风险也在可容忍的范围内。这尤其体现在TMT、医疗健康等领域的风险投资，由于特定行业的专注和一定的行业壁垒，获得了较高的回报。

那么，为了进一步地研究风险投资对于LP的投资组合的影响，在LP加大对风险投资的资产配置后，下一步的问题则为如何筛选出最优秀的风险投资基金管理人进行投资，并识别出基金高回报的共同驱动因素，做出最佳的投资决策。

骑手选拔：风险投资基金管理人投资能力的驱动因素

在选择好了赛道之后，下一步要选拔出优秀的骑手。顶级的骑手不仅需要拥有对马匹的专业掌控技巧以及瘦小却精干的身体素质，还需要有对比赛的丰富经验。

而对于LP来说，投资的最终目标是获得最好的投资收益，在对私募股权基金进行了科学的投资组合规划和资产配置之后，投资人下一步的目标是选择合适的基金管理人也即基金的“骑手”。

然而，由于私募股权基金的存续期通常较长，部分长达10年以上，长期来看LP需要对基金管理人的投资能力进行完善的评估。

由以上分析我们可以看出，综合考虑风险和收益，LP应该适当地加大对风险投资的投入。

但作为LP来讲，通常为母基金、保险公司、大学捐赠基金和养老基金等，风险投资对于他们而言风险较高，而第一梯队基金管理人和第四梯队之间的回报差距显著，并日益扩大，所以我们主要需要识别并关注前25%的基金，因为其能够长期显著地创造高于公开股票市场收益，相比而言整体基金投资的平均回报并不具有吸引力。

基金管理人的投资能力可能受到多方面因素的影响。比如，一只基金的投资策略，可以是分散化的投资，也可以是集中性的投资，并且可以对特定行业或特定地域进行覆盖。同时，被投企业不同轮次的融资也使得基金管理人在投资时间点所需的规模和回报情况有所不同。此外，由于私募股权基金管理人的团队通常较小，团队管理能力对于基金的回报业绩也有很大的影响，这其中包括团队的历史、团队的规模、团队成员过往的投资经验、合伙人层面是否稳定等。

为了筛选出风险投资基金管理人业绩的最主要驱动因素，我们主要从投资策略和团队管理两方面选择合适的自变量，以基金管理人的总体投资业绩为因变量进行多元回归分析，从系数的符号属性和显著性水平等回归结果来判定主要的驱动因素，从而为筛选优秀的风险投资基金管理人提供判断依据。

样本选择

我们以中国私募股权市场上领先的32家风险投资基金管理人为样本，综合考察其近20年的整体投资回报情况。数据的来源主要是公开资料和全球顶尖另类投资公司的数据库分析。样本选取的具体标准如下：

（1）设立风投基金且在1997- 2017年之间投资中国企业的中外GP

（2）已有退出项目且在基金层面取得回报倍数的管理人

（3）基金的币种包含人民币基金和美元基金

（4）整体总成本回报倍数排名在前25%的管理人

变量设计

为考察影响基金管理人的总体业绩的驱动因素，需设计回归模型中的自变量。我们主要从基金管理人的投资策略和管理团队两方面出发，设计9个自变量，以期解释风险投资基金管理人的总体业绩回报。值得一提的是，在因变量的选取中，考虑到数据的可获得性和指标对主要投资能力的反映，这里依然选取投入资本总值倍数（TVPI）而未选择IRR。不过采用的是GP层面的总成本回报倍数。

（1）投资策略变量

风险投资基金管理人的投资策略在很大程度上会影响到基金投资的项目筛选、投后管理和投资回报，不同的基金管理人有着不同的投资策略偏好。这里我们主要从以下几个方面来定量分析其投资策略。

- 被投企业的融资轮次（Stage）。企业的成长期不同，其融资的轮次以及相应的融资额度也会发生变化。这在风险投资的投资策略中是非常重要的，投资时点分为天使投资、A、B、C等轮，这里为简便设置虚拟变量，将A轮之前的设为早期投资（0变量），B轮之后的视为成熟期投资（1变量）。

-主要投资地域（Geog）。随着中国私募股权市场的开发、跨境并购的兴起以及人民币和美元基金的双币种并行，越来越多的外资基金管理人开始投资中国市场，而本土积极管理人也通过发行美元基金投资境外。地域的分散化投资带来风险的分散和降低，但对投资回报可能也会有影响。这里我们设置虚拟变量，主要考察资金的重点集中度和跨境基金的不同点，将只投资中国市场的设为0变量，同时投资其他海外市场的设为1变量。

- 重点投资行业（Ind）。不同的行业覆盖也是投资策略的主要表现，就风险投资而言，TMT、医疗和AI等是热门的投资行业，尤其是TMT领域，是近年来绝大多数风险投资基金专注的领域。而不同行业的覆盖可以带来风险的分散，但专注行业的投资可以积累相应的投资经验和人才。这里本文仍设置虚拟变量，单独将只投TMT领域的基金管理人设为0变量，其他有分散多元投资的设为1变量。

- 平均每期基金的投资项目数量（Deal）。该指标主要是考察基金管理人平均每期基金的项目投资数，反应投资的集中程度。分散化的多元投资可以分散风险，但也可能总体的投资回报较低，而集中性的投资风险较大，需要有足够资深的经验来筛选最有潜力的项目来投资。

（2） 团队管理变量

基金管理人的团队是私募股权投资成功非常重要的因素。有别于传统的企业，通常的风险投资基金管理人从合伙人到分析师一共不过几十人的规模，团队的专业性、稳定性和高层的领导能力在投资决策中起到了关键性的作用。这里我们将主要的团队管理指标量化，以进行后续分析。

- 团队成员数量（Member）。该指标主要考察团队的规模与投资业绩的关系。风险投资团队一般较小，尤其是初创时期，通常只有几人到十几人。但随着后续基金规模的扩大，团队规模也会随之扩张，而不同的基金管理人对于团队成员数量也有不同的控制。

-认缴资本比例（Commit）。该指标是指普通合伙人认缴资本占基金募资规模的百分比，通常为1-2.5%不等，其余绝大部分由有限合伙人LP出资。认缴资本比例越高则表示该基金其自身出资比例越高，相应的激励效果可能也更大，从而可能获得更大的投资回报。

- 基金管理人成立年份（Year）。该指标指基金管理人成立至今的时长年限，主要是为了研究新兴管理人和老牌管理人的业绩区别，考察是否历史越悠久的管理人，其总体投资业绩越好。值得注意的是，近年来，越来越多的风险投资基金管理人的高层出现人事变动，合伙人、董事总经理层面的高管离职开创自己的新公司进行募资，创造了“VC2.0时代”的到来。

- 过往投资基金数量（Funds）。该指标主要希望考察是否过往投资的基金越多，经验越丰富，相应的投资回报越好。但由于前述“风险投资2.0时代”的到来，这些从老牌GP离职自创的新兴的基金管理人，其首次募集的基金投资业绩可能反而较好，希望能得到进一步的验证。

- 高管层面的离职人数（Depart）。该指标考察高管（尤其是合伙人层面）的离职对该基金的业绩的影响力度。正是因为风险投资团队较小，团队高层领导者的角色至关重要，关键人物的管理风格和投资策略对该基金的投资决策有非常大的影响。而“VC2.0时代”的到来，从老牌GP离职自创的新兴的基金管理人，对原GP的投资业绩也存在潜在的影响（项目搜寻、投资策略和团队建设）。

多元回归模型

根据以上的变量设计，我们根据32家中国风险投资市场上最优秀的基金管理人近20年的总体回报作为因变量，综合投资策略和团队管理两方面建立9个自变量建立多元线性回归模型。

其中，i表示第i个基金管理人，TVPI表示该基金管理人的整体投入资本总值倍数。投资策略的变量有4个，Stage表示投资伦次是否为早期，Geog表示投资的主要覆盖地域是否为中国，Ind表示专注的投资行业是否为TMT，Deals表示平均每期基金的投资项目数量。团队管理的变量有5个，Member表示团队规模大小，Commit表示认缴资本比例，Year表示基金管理人成立时长，Funds表示过往的基金数量，Depart表示合伙人层面的离职人数。

回归结果分析

从拟合优度来看，调整后的R方为95.64%，F统计量的P值为0.016，模型的整体拟合优度较高。在共线性诊断中，方差膨胀因子VIF均小于5，故可判断其不存在多重共线性。从各变量的t统计量来看，Geog、Ind、Funds、Depart和Member这5个变量的P值小于0.05，而其他变量均不显著。

从标准化系数来看，显著的5个变量中，Geog的系数为-0.849，系数为负且十分显著，表示只关注中国市场投资的基金管理人投资回报业绩反而更好。Ind的系数为-0.370，系数为负，较为显著，表示只覆盖TMT领域的集中型投资的业绩更好。Funds的标准化系数为0.680，符号为正且十分显著，表示过往所募集的基金数量越多，相应的投资经验越丰富，其投资业绩也更佳。

Depart的系数为-0.338，表示合伙人层面的高管离职人数越多，对基金管理人整体投资业绩的负向影响越大。Member的系数为-0.778，表示团队规模越大反而对基金管理人的投资业绩有潜在的负向影响，这可能是由于核心项目成员能力被稀释所造成。

结论2：中国VC基金管理人投资能力的驱动因素——专注中国、适当行业集中度的策略 + 适度规模、经验丰富、高层稳定的团队

从投资策略来看，更专注于中国市场的基金管理人的投资表现会更好。可能的解释是专注中国市场的基金对于被投企业的管理和运营更为熟悉。特别的，风险投资关注的多为初创型企业，专注中国的投资者更能理解本土的创业模式和创新人才。

虽然在分散化地域的投资能降低部分风险，但也失去了专注于中国经济发展和中国本土企业成长的机会。同时，集中性的行业投资表现优于分散化的投资，尤其是TMT行业。

近年来，中国TMT行业快速发展，包括移动互联网、社交网络、新媒体（主要是视频）和电子商务等行业，而这也是风险投资的热门行业，专注的投资经验和识别项目的能力尤其重要。此外，投资的轮次、每支基金平均投资项目公司数量并不显著影响投资回报倍数，与行业结果来比较，该结论也是非常符合实际的。

从团队管理来看，规模越大的团队的投资业绩反而不一定越好，可能的解释是因为团队的扩大，对于核心项目成员能力的稀释，这主要反应在项目的搜寻能力方面。同时，在团队规模的快速扩大后，团队管理的风格对稳定性也可能有影响。

而另一方面，过往投资的基金数越多，经验越成熟，投资业绩更具有吸引力，但这也随着合伙人层面的管理人变动而变动，即合伙人层面的离职对回报倍数有显著的负向影响。

这对于前述“VC2.0时代”也能反应出来，老牌的基金管理人拥有更成熟的投资逻辑和管理体系，但高管的离职可能造成较大的潜在影响，而离职高管所创立的新兴基金管理人GP作为首次募集基金的团队，也值得进一步关注并发掘其在原GP领导的项目业绩和其在新GP的独特投资策略。

马匹识别：单只VC基金回报的影响因素

赛马最后的关键因素是识别出好的马匹，而每一匹马都有自己的性格和优势。

对于LP而言，即使是对于同一基金管理人，其旗下的多只基金业绩也不尽相同。在完成了私募股权投资的资产配置并筛选出风险投资基金管理人业绩的最主要驱动因素后，下一步的问题是如何在基金层面来识别单只基金回报的影响因素。

我们一方面从宏观经济和资本市场寻找外部因素，另一方面从基金自身的设计出发，从外部和内部识别出单只基金回报的影响因素。利用基金管理人每期基金的历史业绩，通过主成分分析来进行业绩归因，识别出影响当期基金回报的市场因素和基金本身设计的要素，从而为LP在投资风险投资基金时和投后管理时期提供建议。

单只风险投资基金回报的主成分回归分析

这里我们希望利用基金管理人每期基金的历史业绩，通过主成分分析来进行业绩归因，识别出影响当期基金回报的市场因素和基金本身设计的要素。我们在此选用主成分模型，而未直接进行多元回归分析，主要原因是为了克服解释变量之间的多重共线性，以及样本数量有限的问题。

主成分分析模型的核心是利用线性变换来降维，在损失很少信息的前提下把多个指标转化为几个不相关的综合主成分。进一步，我们可以将主成分用于和回归分析相结合，进行主成分回归分析。

样本选择

同样的，为进一步研究风险投资的回报和风险，这里我们继续以中国风险投资市场的基金为样本，通过前述32家优秀的国内外风险投资管理人各期总计132支投资于中国市场的风险投资的业绩来分析影响因素。数据的来源主要是公开资料和的内部数据库分析。

由于基金的存续期较长，不同的基金其发起时间不同，现在也处于不同的阶段，包含投资期和退出期，其回报倍数会有较大的区别。为了解决该问题，我们会在后文自变量中设置基金设立年份来加以区别。

变量设计

与前述模型不同的是，这里我们选择基金层面而非管理人层面的总投资成本回报倍数（FTVPI）作为被解释变量，目的是希望在基金层面进一步的研究其回报业绩的影响因素，具体而言，将从宏观经济形势变动与资本市场波动的4个指标和基金本身4个指标两方面来选择解释变量。

（1）宏观经济和资本市场因素

基金从投资期到投后管理器的回报表现都受到宏观经济和资本市场等外部因素的影响。宏观经济和资本市场的波动会对整个私募股权行业带来冲击。此外，考虑到私募股权行业的特殊性，基金所投企业在IPO退出时，对资本市场的有强烈的依赖性，而不同的资本市场估值水平不同、上市难度不同也带来了其IPO退出渠道的选择性问题。因此，我们分别从宏观经济和资本市场选择解释变量来分析基金层面的回报倍数的影响因素。

-宏观经济增长（GDP）。GDP是宏观经济表现最好的指标，其增长情况会影响风险投资基金整个存续期的表现。考虑到对于基金投资人LP，其重点关注对象是投资期内宏观经济的波动情况，尤其是与承诺出资时的对比变化，故我们采用2017年GDP与各个基金成立当年的GDP之比作为指标。

-股票市场波动（Nasdaq，SHSE，HIS）。同样的，考虑到出资人LP最需要关注的是自承诺出资之日起整个资本市场的变动情况。我们分别采用2017年纳斯达克指数、上证综指和恒生指数的平均值与各个基金成立当年各指数平均值的比值作为衡量指标。这里分为三个指标的原因主要是考虑到项目的退出渠道，被投的中国企业IPO时选择不同的资本市场，即分别代表美股、A股和H股。

（2）基金自身设计因素

除了外部的宏观和市场因素，基金的投资回报倍数在很大程度上也和自身的设计有关。这些因素多在发起之前由基金管理人设计并于LP协商决定，主要包括基金规模、基金设立年份、投资规模和基金币种等方面。基金的设计的不同，其投资回报也会相应有所区别，我们希望研究其具体的影响情况和显著程度。

- 基金规模（Size）。该指标指的是基金设立时的募资规模，为考察基金规模大小对投资回报的影响。一般而言，小规模的基金会更专注与特定行业或地域的个别投资且单笔投资规模较小。对于风险投资而言，小规模的基金可能会更偏好于天使期的投资。相反，规模较大的风险投资基金更着重在被投企业的布局，如不同的核心行业布局和地域布局。

- 基金设立年份（Vintage）。该指标为基金自设立至2017年总计的年限时长。基金的存续期一般为10年，期间其投资周期通常分为投资期、投后管理期和收获期，其回报倍数会有较大的区别，需根据存续期分开分析。

- 单笔平均投资规模（Ticket）。单笔投资规模是指该基金每次投资企业的平均金额，通常为100万至3000万美元不等，通常与基金自身设定及所在行业相关。较早期的轮次如天使投资，单笔投资规模一般较少（低于500万美元），成熟期的投资单笔投资规模较大，通常大于2000万美元。

- 基金币种（Currency）。该指标主要是为了区分美元基金和人民币基金，两种币种的基金在资金来源、法律基础、投资限制、退出路径、税收优惠等方面都有不同。以退出路径为例，美元基金在投资时一般会搭建离岸控股结构，退出时将投资企业则在境外的交易所上市，或转让境外控股公司的股权。而人民币基金一般谋求在境内上市，或在境内转让股权或资产。本文设置虚拟变量，分别用0变量表示美元基金和1变量表示人民币基金。

主成分回归分析模型

根据以上的变量设计，我们根据前述32家优秀的国内外风险投资管理人，各期总计132支投资于中国市场的风险投资基金的回报情况来进行主成分分析。综合宏观经济和资本市场、基金自身设计两方面的8个解释变量建立主成分分析模型，来识别主要的影响因素。

其中，i表示第i支基金，FTVPI表示该基金的投入资本总值倍数。宏观经济和资本市场的解释变量有4个，分别用GDP、Nasdaq、SHSE和HSE表示与基金成立当年相比的宏观经济波动以及美股、A股和H股的资本市场波动。基金自身设计的解释变量有4个，Size表示基金规模的大小，Vintage表示基金成立的时长， Ticket表示单笔平均投资规模，Currency表示基金的币种。

相关性和共同度分析

在进行主成分分析前，需首先判定指标之间的相关性从而观测样本间是否具有潜在的共线性。将上述9个指标的数据进行标准化处理，得到其相关系数矩阵。

从相关系数矩阵可以看出，9个解释变量之间相关系数普遍较高，存在很强的多重共线性，所以不适用直接的多元回归，而需使用主成分模型进行分析。

主成分分析结论

带入主成分的表达式中，可以得到基金的总投资回报倍数的回归方程为：

从最后的回归系数可以发现，基金层面的回报倍数与宏观经济及资本市场的波动呈正相关关系。其中，GDP的正向推动最为明显。资本市场的表现里，A股的影响最大，系数达到0.2041。

另一方面，从基金自身的设计来看，基金的成立时长影响较大，系数达0.3177，这主要是因为基金的存续期较长，分为投资期、投后管理期和收获期，基金发起时间越早的基金现阶段的回报倍数越高，相应的理论解释可以从著名的“J-曲线”理论中看出。同时，基金币种的不同，回报倍数也相应有所区别，美元基金的表现比人民币较好。此外，基金规模越大，回报倍数反而降低。基金的平均单笔投资规模大小与回报倍数呈正相关，但系数很小，仅为0.0841，相关性不大。

结论3: 单只VC基金回报的影响因素——宏观经济、资本市场波动 + 成立年份、合适的基金规模、基金币种

综合来看，从宏观经济和资本上市场来看，经济形势越好，资本市场涨幅越大，私募股权基金的回报倍数越高，其中，A股的波动对于回报倍数的影响比美股和港股更大，可能的解释是就退出渠道而言，A股上市公司的估值比在美股和港股更高，所以更愿意在A股IPO，但同样随着宏观经济和资本形势向好时，投资成本也更高。

从基金本身的设计来看，显著影响回报倍数的为存续年份，这是非常合理的，因为早期投资的基金目前处于收获期，其回报倍数会大于投资期和投后管理期的基金。同时，基金规模越大，投资回报倍数反而会降低，这可能是因为风险投资的大小无法与团队能力相匹配。

此外，美元基金的表现优于人民币基金，一方面可能是因为国内管理团队的不成熟，风险投资更适合有国际视野的团队来创新，另一方面是因为过去A股暂停开闸带来的人民币基金退出渠道问题，每笔投资规模对回报影响并不十分显著。同时结合投资的时点可以发现，TMT行业的公司在开始B、C轮的融资时，人民币基金的活跃度展现出了下降的趋势。

总体结论

以上研究更多是抛砖引玉，其实三个部分都可以再继续深入下去，包括变量的选取、样本的更新、底层项目的挖掘等方面。这里更多地是希望展现一个量化分析LP投资的框架和思路。

经过初步的量化分析，我们可以发现，LP的PE资产配置和投资决策犹如赛马，“赛道、骑手、马”自上而下，循序渐进，缺一不可。

根据以上分析中显著的变量类别作为评估指标维度，我们总结了中国风险投资市场上现有的基金管理人的分类概览生态系统以及日益细化的GP基金细分市场地图（GP mapping），以求在LP在投资决策时作为参考。

当然，并不是所有的运动都是竞技体育，也没有十全十美的下注方法。虽然专业的定量分析和合理的定性分析能帮助LP选择优秀的基金管理人，并合理分散化风险以降低波动性。但与GP保持“终身关系”更为重要，毕竟LP投资GP始终是个与人打交道的行业（People Business）。

同样拿钱，GP永远会更偏好那些更市场化、投决流程更专业、决策反馈更迅速，而且还能给GP带来投后增值服务的LP。

这个圈子很小，拥有长远眼光，并打造自己的品牌和关系网，成为独有的受邀“进入渠道”才是真正的差异化优势。

---

 来源 | 公众号：FOFweekly

 图片来源 | 网络

 编辑 | 智慧云

智慧云董事会，定位于"高成长企业的外部董事会"，为高成长企业的企业家和高管提升领导力，并用群策群力的方法解决战略问题，核心产品是为企业家定制的私人董事会，以及为企业高管定制的群策群力工作坊，致力于提升企业家领导力，助力企业高速成长。