Essays in private equity: advancing limited partner research with networks and machine learning

• Ano de defesa: 2025
• Autor(a) principal: Abreu Neto, José Carlos Franco de
• Orientador(a): Saito, Richard
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Investidores institucionais; Redes; Aprendizado de máquina
• Palavras-chave em Inglês: Private equity; Limited partners; Networks; Machine learning
• Link de acesso: https://hdl.handle.net/10438/36662

Esta tese é composta por três artigos empíricos que, em conjunto, ampliam nossa compreensão sobre a dinâmica dos Limited Partners (LPs) e seu desempenho em private equity (PE). O primeiro artigo utiliza a teoria de redes para explorar as relações entre LPs e General Partners (GPs), revelando que LPs centrais—aqueles com conexões fortes e consistentes com GPs—obtêm retornos superiores em fundos de venture capital (VC). Essa vantagem decorre do acesso a GPs de sucesso, sem que a habilidade tenha um papel significativo, e é particularmente evidente entre LPs tolerantes à iliquidez. O segundo artigo demonstra que os LPs atuais que reinvestem em fundos subsequentes do mesmo GP podem servir como fortes preditores do desempenho dos fundos, oferecendo uma alternativa à tradicional dependência do desempenho de fundos anteriores. No entanto, ao aplicar a teoria de redes para identificar LPs altamente centrais e focar em seus reinvestimentos, podemos aumentar significativamente nosso poder preditivo. Por fim, o terceiro artigo aplica técnicas de machine learning (ML) para prever quais fundos de PE têm maior probabilidade de sucesso, com foco na fase de captação de recursos e incorporando distinções entre fundos de buyout (BO) e VC, bem como entre fundos iniciantes e sequenciais. O artigo demonstra que modelos de ML superam métodos econométricos tradicionais, especialmente para fundos de VC, e destaca a importância de identificadores de GPs e fatores macroeconômicos, como a inflação, na determinação do sucesso dos fundos.