Electronic copy available at: http://ssrn.com/abstract=1432858

 

Venture Capital: Performance, Persistence, and Reputation  

Richard Smith A. Gary Anderson Graduate School of Management 

University of California, Riverside 

 Roberto Pedace 

Department of Economics Scripps College 

 Vijay Sathe 

Drucker Graduate School of Management Claremont Graduate University 

 This Draft: July 11, 2009 

 Abstract 

 

By combining data from two sources, we are able to examine how venture capital fund performance, measured as fund IRR or cash‐on‐cash return, is related to fund outcomes (IPO and acquisition percentages) and abandonment option  exercise  practices  after  the  fund’s  initial  investment  in  a  venture.    We  also  are  able  to  relate  fund performance to the track record of the venture capital firm, its experience, agility, reputation, and investment and exit style.  Our primary findings include: (1) M&A success is almost as important as IPO success in explaining fund performance;  (2)  funds  with  aggressive  exercise  of  abandonment  options  after  the  first  investment  tend  to outperform those that continue to support a large percentage of their initial investments; (3) prior performance of the firm, in terms of success percentages and abandonment practices, is strongly related to fund performance; (4) firm experience in the same industry sector is positively related to fund performance, but there is some evidence that  agility,  as  reflected  by  the  firm’s  ability  to  move  to  a  new  sector,  is  also  valuable;  (5)  separate  from experience, generic firm reputation also is positively related to performance; (6) and style, in terms of the mix of exit percentages and abandonment practices, persists over  funds of  the same  firm.   These  results are  robust  to controlling  for  selection  bias  of  the  reporting  entities,  as well  as  biases  related  to  looking‐back  at  initial  fund performance, survivorship, and attrition.  Quantile regression estimates establish that our results hold across the full range of realized performance levels, though we do find evidence that top performing funds offered by highly reputable venture capital firms behave differently. 

 Keywords: venture capital, persistence, reputation, IPO, acquisition  

JEL Codes: G14, G24, G32, G34  

Corresponding Author: Richard Smith A. Gary Anderson Graduate School of Management University of California Riverside 900 University Avenue Riverside, CA 92521 richard.smith@ucr.edu  951‐827‐3554 

Electronic copy available at: http://ssrn.com/abstract=1432858

Venture Capital: Performance, Persistence, and Reputation    I. Introduction 

We combine data  from  two  sources  to  study how venture  capital  fund  (“VC  fund” or “fund”) 

performance  is  related  to  investment  outcomes,  such  as  the  fund’s  IPO  percentage,  and  how  fund 

performance  is related to the track record, experience, and reputation of the venture capital firm (“VC 

firm” or “firm”).  Contrary to conventional wisdom, we find that M&A success is almost as important as 

IPO  success  in  explaining  fund  performance.   We  also  find  that  funds  which  aggressively  exercise 

abandonment options after  the  first  investment  tend  to outperform  those  that continue  to support a 

large  portion  of  their  initial  investments.    The  firm’s  track  record  of  outcomes,  in  terms  of  success 

percentages and abandonment practices, is strongly related to fund performance.  The firm’s experience 

in  the  industry  sector  of  the  fund  is  also  positively  related  to  fund  performance,  but  there  also  is 

evidence  that agility, as  reflected by  the  firm’s ability  to move  to a new  sector with  its next  fund,  is 

valuable.   Separate from a firm’s specific experience,  its generic reputation also  is positively related to 

performance, especially for the extreme upper tail of funds.  By examining style persistence, in terms of 

the mix of exit percentages and abandonment practices, we find evidence that persistent skill of the VC 

firm  is a contributor  to  fund performance.   This does not preclude  the notion  that  that a  firm’s  initial 

success may be due  to  luck, but  it does  indicate  that persistent performance of  the  firm  is derived at 

least partly from acquired skill. 

Among  practitioners  and  in  academic  research,  VC  fund  success  is  perceived  to  be  largely  a 

result of “home runs.”  The funds that produce the highest returns for their investors are believed to be 

those whose portfolios include a few high‐valued IPO exits.  Consistent with the view that fund success 

is predominantly due to  IPO exits,  in academic studies,  IPO success often  is used as an  indicator of VC 

firm  reputation.   Nahata  (2008),  for  example,  defines  VC  firm  “reputation”  based  on  the  aggregate 

2

market capitalization of successful IPO exits, and Ivanov, Krishnan, Masulis, and Singh (2008) define VC 

firm reputation as the firm’s share of VC‐backed IPOs.  

Although the realized returns to  investors  in a VC fund assuredly are related to the fund’s  IPO 

successes, the narrow  focus on  IPOs provides  little  insight  into why returns to  limited partners persist 

over  funds  of  the  same  VC  firm.    For  example,  both  of  the  above mentioned measures  of  VC  firm 

reputation do well  in predicting the IPO exit percentages of subsequent funds, but neither takes direct 

account of  the VC  firm’s potential contribution  to value creation,  such as  initial  selection of portfolio 

companies  and  abandonment  choices,  and  neither  reputation  measure  has  been  tested  on  more 

comprehensive measures of performance. 

There  is  compelling  evidence  that  performance,  measured  in  various  ways,  persists  over 

different  funds of  the  same VC  firm.   Kaplan and Schoar  (2005),  in  the most comprehensive  study of 

fund‐level performance to date, find that VC firm fixed effects are a statistically important determinant 

of fund‐level performance, where performance is the fund return indexed by the contemporaneous S&P 

500  return.    They  also  find  economically  significant  elasticities  between  fund  performance  and  the 

performance of each of the firm’s prior two funds.   

While persistence could arise from the superior ability of some VC firms, it also could be simply 

the result of herding by investors and entrepreneurs, both of which groups may seek to affiliate with VC 

firms who have track records of success (even if the initial success may just be a result of luck).   

In  this paper, we seek a better understanding of  the  factors  that affect  the  returns  to  limited 

partners of VC funds.  By combining information from two different publicly available data sets, we are 

able to construct a unique database that combines fund‐level internal rates of return (“IRRs”) and cash‐

on‐cash return ratios  (“COCRs”) with performance metrics such as  IPO and M&A success percentages.  

By  combining  the  data  sets,  we  are  able  to  examine  the  drivers  of  fund  performance  more 

comprehensively than previous researchers have been able to do.   The analysis yields some surprising 

3

results.  While we support the common perception that VC fund returns are related to IPO successes, we 

also find that fund returns are importantly affected by the VC firm’s success in exiting by acquisition, and 

by  the  firm’s skill  in making early abandonment decisions  to  focus  resources on  the winners.    In  fact, 

these other decisions of the firm are of similar magnitudes of importance to IPOs in explaining VC fund 

IRRs and COCRs. 

Regarding persistence, we find that both VC firm investment style (i.e. the mix of IPO and M&A 

exit  approaches  and  practice  with  regard  to  exercise  of  abandonment  options)  and  more  generic 

reputation are related to fund performance.  VC fund IRRs and COCRs are significantly related to the VC 

firm’s  prior  track  record  of  abandonment  option  exercise,  exit  by  acquisition,  and  exit  by  IPO.  

Moreover, in separate regression models of the mix of exit choices, investment style persists in that the 

mix of exit choices in the firm’s previous VC funds is significantly related to the mix in the subject fund.  

We also find that the firm’s experience in a sector is positively related to the IRR and COCR percentages 

of a subsequent fund in the sector.  In contrast to sector expertise, we find some evidence of the value 

of agility.   VC firms that are able to quickly refocus on new sectors may be able to produce higher VC 

fund IRRs and COCRs.   

Overall, our evidence indicates that fund performance depends on more than just luck.  VC firms 

can  add  value  in  a  variety  of ways,  including  sector  expertise,  agility,  effective  abandonment  option 

exercise,  and  skill  and  access  to  networks  for  achieving  exits  by  IPO  and  acquisition.    While  the 

persistence of performance across funds of the same VC firm appears to be due partly to the propensity 

of entrepreneurs and  investors  to want  to partner with experienced VC  firms, our evidence  indicates 

that these preferences are warranted by the differential value added by such firms. 

The remainder of the paper is organized as follows:  In Sections II and III, respectively, we review 

prior  academic  literature  and evidence on VC  fund performance  and persistence  across  funds of  the 

same firm.  Section IV, contains a description of the data, including review of procedures for refining the 

4

sample and merging information from the two databases upon which we rely.  The empirical analysis is 

presented in Section V.  We conclude in Section VI.   

II. Performance 

  Neither  the  fund  IRR  nor  the  COCR  is  ideal  as  a measure  of  fund  performance,  but  the  two 

together have offsetting  shortcomings.   Comparing  IRRs  across  funds  is  problematic  because  the  re‐

investment assumption is unspecified.  Depending on re‐investment opportunities, a fund that produces 

a high IRR but returns cash quickly can be less desirable than a lower IRR fund that invests for a longer 

period.    In  contrast,  comparing  COCRs  across  funds  is  problematic  because  the  cash  returns  are 

undiscounted.   A  fund  that produces a high COCR but returns cash slowly can provide a return below 

opportunity cost and be less desirable than a lower COCR fund that pays back more quickly.   

  Academic researchers usually do not have access to fund‐level IRR or COCR information and are 

compelled to rely on outcome measures that are  imperfectly related to realized performance.   Kaplan 

and Schoar (2005) is an exception in that the authors were able to gain access to fund‐level IRRs through 

an arrangement with Venture Economics.1  Because Venture Economics did not provide information on 

the identities of the VC firms or certain other performance statistics, Kaplan and Schoar are not able to 

relate  the  reported  IRRs  to  other  outcome measures  such  as  the  IPO  and  acquisition  percentages.  

Kaplan, Sensoy, and Stromberg (2002) establish that attempts to infer project‐level IRRs from standard 

databases,  such  as  the  Venture  Economics  database  or  VentureSource  (formerly  Venture  One),  are 

problematic because of missing or incomplete information on financing rounds.  Hence, fund‐level IRRs 

also cannot be derived from the investment round information on projects in which a fund has invested 

1 Based on 746 funds that were officially liquidated or were established before 1995, Kaplan and Schoar compare five different measures of fund performance: the reported IRR, an IRR calculated by the authors, an IRR calculated 5  years  after  the  first  closing,  the  cumulative  total  value  to paid‐in  capital  (i.e.,  the  cash‐on‐cash  ratio),  and  a measure  they  refer  to  as  the  public market  equivalent  (derived  by discounting  fund  cash  flows  at  the  returns earned on investment in the S&P 500).  All five measures are highly correlated.  The correlation between reported and computed IRRs was found to be 0.98; the correlation between the reported IRR and the 5‐year computed IRR was found to be 0.92, and the correlation between the reported IRR and the public market equivalent was found to be 0.88.  The weakest relationship of reported IRR was to the cash‐on‐cash ratio, and was found to be 0.74. 

5

Academic studies of fund performance employ a variety of outcome measures as “success” or 

“performance” metrics.  Gompers, Kovner, Lerner, and Scharfstein (2008) define success as going public 

or registering to go public.   Hochberg, Ljungqvist, and Lu (2007) define performance as “exit rate,” the 

fraction of portfolio companies successfully exited via  IPO or sale to another company.   Nahata (2008) 

defines success as exit by IPO or acquisition and measures VC firm performance based on successful exit 

percentages.  Sorensen (2006) defines performance at the venture level as IPO probability. 

  The  association  of  high‐investment‐multiple  IPOs  with  fund  performance  and  investment 

success  is well  inculcated  into both practitioner views and academic  research.    In one of  the earliest 

academic  studies of venture capital, Sahlman  (1990) cites a 1988  study by Venture Economics, which 

reports that, for a sample of investments by 13 VC firms between 1969 and 1985, portfolio investments 

with exit values per share of 10 or more times the  investment per share (10X multiples) accounted for 

only  6.8%  of  invested  capital  but  49.4%  of  ending  value.    Based  on  a  proprietary  sample  of  216 

investments we obtained from 3  leading VC firms, the extreme skewness of returns to VC  investments 

persists.   Of  the  investments, which were made  between  1995  and  1999,  only  13%  had  investment 

multiples of 10X or more but accounted for 85% of ending value. 

From these empirical regularities and the correlation evidence from Kaplan and Schoar (2005), 

one might  infer  that  a  focus  on  high‐investment‐multiple  exits  can  serve  as  a  reliable  performance 

metric.    To  our  knowledge,  however,  the  association  between  high  investment multiples  for  some 

portfolio  companies  and  fund  IRR  or  COCR  has  not  been  subject  to  rigorous  testing.    Nor  has  the 

association between fund and firm outcomes to the persistence of performance been tested.  Major IPO 

successes are infrequent and likely to be subject to high degrees of randomness.  Moreover, there is no 

evidence that the occurrence of a high‐investment‐multiple IPO  in a fund has any ability to explain the 

realized  returns  on  other  investments  of  the  same  VC  fund  or  other  funds  of  the  same  VC  firm.  

Illustrating with the percentages reported by Sahlman, assuming an average investment holding period 

6

of 5 years and an average annual fund return of 15% (100% compounded over 5 years), the return on 

10X  investments would  just put  the  fund at breakeven,  in  terms of nominal undiscounted cash  flows.  

Thus, how the VC firm does with its other investments is also important to overall fund performance and 

is likely to be a less noisy indicator of VC firm skill. 

  In  this  study,  we  merge  two  venture  capital  data  sources,  the  Venture  Economics  (“VE”) 

database  and  the  Preqin  Private  Equity  (“Preqin”)  database.    From  Venture  Economics,  we  extract 

detailed  information  on  investment  rounds  and  successes  of  specific  investments  by  a  fund.    From 

Preqin, we extract VC fund and vintage year IRRs, COCRs, fund status (closed or liquidated), the percent 

of target fund size that was called, and the date on which the valuation  information was reported.   By 

combining  the  two databases, we are uniquely able  to  relate  fund  IRRs and COCRs  to  the  commonly 

used  success  and  performance metrics,  IPO  and  acquisition  percentages.    Among  other  things,  our 

results challenge  the  folklore  that venture capital success  is determined by home  runs.   Except  in  the 

extreme upper  tail of  fund performance, we  find  little  relation between home  runs  (defined as high‐

valued  IPO  exits)  and  fund  IRRs  or  COCRs  and  we  find  that  M&A  exit  percentages  are  almost  as 

important as IPO percentages for explaining VC fund IRRs and COCRs. 

III. Persistence  

Persistence  of  financial  performance  has  been  studied  for  mutual  funds,  hedge  funds  and 

private equity funds,  including venture capital.   Whereas the evidence of persistence for mutual funds 

and hedge  funds  is mixed,2 there  is compelling evidence of persistence over different VC  funds of the 

2  Carhart  (1997)  finds  that,  except  for  underperforming mutual  funds,  common  factors  in  stock  returns  and expenses  almost  completely  explain  the  persistence  of  risk‐adjusted  returns.    Carhart,  Carpenter,  Lynch,  and Musto  (2002)  find  that  conditioning  for  survivorship bias weakens  the  evidence of persistence of mutual  fund performance.  Pastor and Stambaugh (2001) examine top mutual fund performers and find that optimal portfolios exclude hot‐hand funds even if momentum is priced.  Busse and Tong (2008) find that persistence of mutual fund performance  is due  to  industry  selection, not  stock  selection. Kat and Menexe  (2002)  report  that  there  is  little evidence  of persistence  in  the mean  returns  of hedge  funds.   Agarwal  and Naik  (2000)  find  that performance persistence  in hedge funds  is driven mainly by poor performers.   After controlling for survivorship bias, Baquero, Verbeek, and Horst  (2005)  find  that hedge  fund performance persists  significantly  for only one quarter.   Using quarterly hedge  fund performance, Baquero and Verbeek  (2007)  find  that sophisticated  investors exhibit a hot‐

7

same VC firm.  As noted, Kaplan and Schoar (2005) find that VC fund IRRs are significantly explained by 

the IRRs of at least the two prior funds of the same VC firm. 

Hochberg,  Ljungqvist,  and  Lu  (2007)  find  that  fund  exit  rate  is  positively  related  to  VC  firm 

experience and the IPO or acquisition exit rate of the most recent prior fund.  Persistence from fund to 

fund  is  of  an  economically  significant magnitude  in  their  study.    They  also  consider  an  intermediate 

indicator of success, whether the venture survived to another round.  They find that survival probability 

is related to fund exit rates and the experience of the VC firm, among other factors. 

Gompers, Kovner,  Lerner, and  Scharfstein  (2008)  seek  to assess  the  role of  skill  in explaining 

entrepreneur and VC success.  They find that entrepreneurs with records of prior success are more likely 

to  succeed  than  others  and  that  funding  by  VCs  with  industry‐specific  experience  enhances  the 

probability of  success  for entrepreneurs who do not have  track  records.   Their  interpretation  is  that 

experienced  VCs  can  indentify  first‐time  entrepreneurs  who  are  more  likely  to  become  serial 

entrepreneurs.    Gompers,  et  al.  associate  performance  persistence  with  skill,  reasoning  that  high 

performance may be due to (1) experienced VCs being better able to identify good entrepreneurs or (2) 

being able to add more value. 

Sorensen  (2006)  finds that companies  funded by experienced VCs are more  likely to go public 

but  that  the  success  follows  from  both  the  direct  influence  of  VC  experience  and  from  sorting  that 

enables experienced VCs to invest in better companies.  To estimate the effect of experience, Sorensen 

models sorting and  finds  that sorting  is more  important  than experience as a determinant of success.  

He does not seek to assess the means by which VC experience contributes to value, but he observes that 

experienced VCs may be better monitors, have access  to  larger networks, or be better able  to certify 

value. 

hand bias.  Funds with longer histories of success experience higher future success and greater flows of investment capital.   

8

Hsu  (2004)  finds  that  VC  firm  reputation  contributes  positively  to  the  probability  that  an 

entrepreneur will accept the offer of investment by a fund and that experienced firms are able to invest 

on more  favorable  terms.   Nahata  (2008)  finds  that ventures  that are backed by more  reputable VCs 

(based on  IPO  capitalization  share) are more  likely  to exit  successfully and  can access public markets 

faster.  He argues that his measure of reputation captures the screening and monitoring expertise of the 

VC  firm.    Ivanov,  Krishnan, Masulis,  and  Singh  (2008)  find  that  a  VC’s  share  of  VC‐backed  IPOs  is 

positively  related  to post‐IPO  long‐run performance and  to  the  frequency with which a VC’s portfolio 

firms  are  able  to  go  public.    They  explore  possible  reasons  for  superior  performance  and  find  that 

reputable  VCs  are  associated  with  stronger  networks,  higher  IPO  demand,  more  active  post‐IPO 

involvement, and better corporate governance. 

The  research  to date  indicates  that persistence  is  far more  important  as  a driver of VC  fund 

returns than  it  is  for mutual  fund or hedge  fund returns.   The  transmission mechanism between prior 

performance and current fund performance, however, is far from clear.  While there is evidence that VC 

firms with records of success do some things differently than do other VC firms, the causal connection 

between doing  things differently  and  value  creation  is not established by  the  current  research.    It  is 

unclear whether fund success derives from  internal skills and expertise of the VC firm, strength of the 

firm’s  network,  opportunistic  timing  with  respect  to  fund  focus  and  timing  of  investment  and  exit 

decisions, or simply from entrepreneur and investor reliance on VC firm track record when they decide 

with whom to partner.  Our evidence adds to that of other studies that seek to understand the reasons 

for persistence. 

IV. Data  

  The  unit  of  analysis  in  our  study  is  the VC  fund.    The  SDC Venture  Economics  database  is  a 

relational database with a complex file structure.  Some information is provided at the investment round 

level, some at the venture level, some at the fund level, and some at the firm level.  In addition, through 

9

links  to  the  SDC  Global  New  Issue  and  Merger  and  Acquisition  databases,  the  database  includes 

information on VC‐backed ventures  that went public and on VC‐backed ventures  that were acquired.  

These different files can be related using key  information that  is common to each type of record.   The 

database  includes  domestic  (US)  and  foreign  VC  funds  of  domestic  and  foreign‐based  VC  firms.  

Ultimately, we  focus on US  funds  that are managed by  conventional VC  firms and where  investment 

outcome information is available. 

  Any  study  of  VC  fund  performance  confronts  problems  of  sample  bias.    Venture  Expert  and 

Preqin acquire their data from VC firms and  limited partners and through Freedom of  Information Act 

(FOIA) disclosures.  The likelihood that Venture Expert acquires the data may depend on such things as 

the willingness of VC firms to report, the number of  limited partners who might decide to provide the 

information, and the characteristics of  limited partners  (some of whom are subject  to FOIA disclosure 

requirements).   Some VC firms that do poorly may not report at all; others may not report all of their 

initial  investments,  so  that  success  percentages may  be  overstated.    Preqin  faces  the  same  under‐

reporting challenges and both data sources may, themselves, make choices as to the VC firms and funds 

about which they compile data.   

Identification of the Usable Sample 

  The full sample of funds we were able to extract from VE for vintage years from 1958 through 

early 2006 included 23,619 unique fund names by 7,568 firms.  Because of the potential for bias in the 

VE and Preqin data, we track the effects of the filters on a number of sample properties.  Results of the 

filtering process are described in Appendix A. 

When VE cannot specifically determine which fund of a VC firm made an investment, it identifies 

the investment as having been made by an “unspecified” fund of the VC firm.  Approximately 25% of the 

fund names  include  the  term “unspecified.”   Of  the  total, 8,391  funds are designated as  foreign  (i.e., 

non‐US).  The total also overstates the number of funds because sometimes slight variations on the fund 

10

name  appear  in  the  data.    For  example,  the  database  includes  (i)  3V  Source  One  Venture  Funds  ‐ 

Unspecified Fund, (ii) 3V Source One ‐ Unspecified Fund, and (iii) 3V Source One Ventures Fund Ltd.  The 

differences,  such as  the presence or absence of a  space  in Source One, cause problems  for assessing 

fund‐level performance.   We use  information on  fund nation,  fund  year, and  fund name  together  to 

resolve questions related to fund names that appear to be redundant. 

Because VE  receives  primary  data  from many  sources,  data  related  to  fund  investments  can 

include duplicate or redundant records.  When the records from different sources are identical, it is easy 

to exclude the duplicate information.  However, sometimes records are not specific as to the identity of 

the  fund  making  the  investment.    A  record  might  indicate,  for  example,  undisclosed  investor, 

undisclosed  venture  fund  investor,  or  an  unspecified  fund  of  a  particular  VC  firm.    Investments  by 

undisclosed  investors  are dropped  from  the  analysis.   To  avoid double  counting  related  to  firm‐level 

experience, we also exclude funds and  investment rounds by funds designated as “unspecified” unless 

“unspecified”  is  the  only  fund  of  a  given  VC  firm.    Exclusions  of  funds  for which  investment  round 

information was not available reduces the number of funds to 15,002.  For the most part, this resulted in 

dropping some very recent  funds and  funds where  information on the VC  firm type was missing  from 

the VE database. 

The  fact  that  information  is often  reported by more  than one  source, while  it makes working 

with the data more difficult, also mitigates the potential for under‐reporting of fund  investments.   For 

example, whereas one data provider might have  reported an  investment as having been made by an 

unspecified fund, another may have provided the fund  information.    In such cases, we would not  lose 

the fund‐level outcome information.    

Restricting  this  sample  to  funds with  a US  investment  focus  reduced  the  sample  further,  to 

8,015 funds.  Funds focused on the US tended to be somewhat older than those focused outside the US, 

11

either because the  industry developed first  in the US or because Thompson first emphasized collecting 

data for US funds. 

Restricting  to conventional VC  firms  further  reduced  the  sample  to 6,206 conventional US VC 

funds, with 1969 being the earliest vintage year.  This is the filtered sample from VE on which our results 

are based.  We define conventional VC firms to include: private equity firms investing their own capital 

(75.4% of the sample), investment banks and merchant banks or their subsidiaries or affiliates involved 

in VC (10.8%), commercial bank affiliates or subsidiaries  involved  in VC (3.0%), other financial firms or 

their subsidiaries or affiliates involved in VC (9.8%), and other firms and service providers focused on VC 

(1.0%).   The filtered sample excludes funds managed by non‐financial firms, endowments, universities, 

pension  funds,  angel  groups,  incubators,  business  development  companies,  government  entities, 

individuals, and where the firm type  is unknown.   Our main reasons for excluding these types are first 

that we are more concerned with the potential for selective reporting and second that some types, such 

as government entities, may have  low accountability for financial performance or may have objectives 

other than financial performance. 

To add IRR and COCR information to the observations, we matched the VE conventional US VC 

funds to the Preqin database.  Usually, we matched on firm and fund name and fund year, but because 

of  differences  in  how  names  are  reported  on  the  databases,  this  procedure  had  to  be  performed 

manually.  For this, we first used a team of students to identify tentative matches, and then one of the 

coauthors  reviewed  all of  the matched  and non‐matched  funds.   Ultimately, we were  able  to match 

1,518 of 2550 Preqin US‐focused funds to the VE sample of conventional US VC funds.3  Matched funds 

are somewhat more recent than the VE fund sample, predominantly from 1980 on; are more likely to be 

funds  that were  established  as  independent  private  partnerships  (78.9%);  and  are more  likely  to  be 

3 The unmatched Preqin funds include conventional VC, but also other types such as corporate venture funds and limited partnerships focused on real estate, timber, or petroleum exploration.  

12

classified as having a focus on buy‐outs (28.7%) relative to earlier stages.  Appendix B provides detailed 

fund year information on US‐focused VC funds from VE and Preqin. 

Descriptive Statistics and Benchmarks 

The matched  sample  includes  1,285  funds with  usable  IRRs.    The  others  have  IRRs  that  are 

designated  by  Preqin  to  be  either  “not  available”  or  “not meaningful.”    For  the most  part,  these 

designations are  skewed  toward very  recent  funds  that had not yet had a  closing or were  still  in  the 

process of  raising capital.   The matched  sample also  includes 1,438  funds with usable COCRs.   Again, 

missing  values  tend  to  be  associated with more  recent  funds.    The matched  sample  includes  1,203 

observations with both IRR and COCR information. 

In  Table  1, we  report  descriptive  statistics  for  the  1,518  observations where we  are  able  to 

match fund‐level data from Venture Economics and Preqin.  These funds represent a subset of the 6,206 

conventional US VC Funds we identified from VE.  For the 1,285 with net IRR data, the simple average of 

fund IRRs is 13.7%, a return that perhaps is well below common perceptions of typical VC fund returns.  

However,  the  IRR distribution  is highly skewed, with  the  top 10% of  funds  reporting  IRRs of 39.2% or 

greater.   For  the 1,438 with COCR data,  the simple average  is a multiple of 1.79  times, but again,  the 

distribution is highly skewed, with the top 10% reporting COCRs of 3.11 or greater.  As we are concerned 

about the potential for selective reporting,  it also  is noteworthy that 10% of the sample report IRRs of 

negative 11.7% or lower, and 10% report multiples of 0.64 or lower.  Thus, if there is selective reporting, 

the sample statistics on performance are not indicative of extreme bias. 

A central contribution of this paper  is to relate IRR and COCR measures of performance to the 

simple metrics  that have been used  in most other  studies,  IPO percentage and,  sometimes,  IPO‐plus‐

acquisition percentage.  Table 1 shows that  an average of 56% of the companies in which a fund invests 

receive some form of next stage financing (either an additional private round that is classified by VE as 

being at a  later stage, or exit financing as an  IPO or an acquisition).   The VE statistics  indicate that, on 

13

average, 14.3% of a fund’s original investments eventually go public and 12.6% eventually are acquired.  

The  IPO and M&A percentages are similar to those reported  in other studies that rely on the Venture 

Economics  database.4    These  outcomes  are  included  in  the  percentage  that  receives  next  stage 

financing,  indicating  that,  for  the  average  fund,  about  half  of  the  companies  that  receive  next‐stage 

financing are eventually harvested. 

A second contribution of the paper is to assess persistence by relating fund performance to firm 

performance.   We do this  in two ways. First we assess the relationships of fund IRR and COCR to firm‐

level outcome statistics measured over funds prior to the subject fund.  Table 1 shows that the outcome 

statistics for prior funds of the same firm are, on average, similar to those of the subject fund.  Second, 

we test for style persistence by examining the relationship of subject‐fund outcomes to the outcomes of 

prior funds of the same firm. 

A third contribution is to more directly examine the relationships of fund performance variables 

to firm experience.  Table 1 shows, for example, that prior funds of the same firm had made an average 

of 62.4  investments  in  the same sector as  the sector  focus of  the subject  fund.   However, agility may 

also be of value and the table show that 43.7% of subject funds are focused on different sectors than 

the immediate prior fund of the same firm. 

A fourth contribution is to assess whether, separate from the quantifiable metrics of prior fund 

performance,  generic  reputation  has  a  role  in  explaining  subject  fund  performance.    For  this,  we 

consider  two different  reputation measures  that  recently have been proposed:  (1)  the Nahata  (2008) 

measure, which  is based on  the dollar capitalization share of a VC  firm  in  the  IPO market, cumulated 

until the end of 2005, and (2) the Ivanov, Krishnan, Masulis, and Singh (2008) measure, which  is based 

on averaging each firm’s annual IPO market share over 1996‐2002. 

4 To better understand the validity of the Venture Economics database, we contacted Susan Woodward, founder of Sand Hill Econometrics.   Sand Hill conducts extensive research on returns  to VC  funds, and has  investigated  the completeness of information available from various sources, including Venture Economics.  Doctor Woodward has advised us that Venture Economics captures virtually all IPOs and economically significant acquisitions.

14

Because  VC  fund  performance  is  volatile  and  episodic,  we  employ  several  performance 

benchmarks  that  are  intended  to  control  for  the  typical performance of  funds  launched  in  the  same 

vintage year and market conditions around the normal time for exits to occur.   Additional  information 

on these benchmarks, and others, as well as the yearly effects of selection due to matching are provided 

in Table 2. 

Sample Statistics by Reputation 

  In most of  the empirical analysis, we  focus on Firm Reputation 1 as our proxy  for  reputation.  

Table 3 shows comparison statistics  for  funds classified by  reputation.   The  table  includes  two sets of 

comparisons.  The first set is based on all conventional US VC funds or all matched funds and the second 

is based on only funds with vintage years of 1990 or later and also excludes the first three funds of any 

VC firm.  The second comparison is intended to mitigate the effect, if any, of selection or look‐back bias 

in the sample comparisons.   

Funds offered by  ranked  firms exhibit much higher  IRRs and COCRs and higher exit outcome 

percentages than funds offered by non‐ranked firms.  They also are larger and invest in more deals than 

funds offered by non‐ranked firms.   Ranked firms have better outcome track records and much higher 

levels  of  sector‐specific  experience  than  do  non‐ranked  firms.    Differences  in  vintage‐year  and 

benchmark IRRs suggest that ranked firms may be somewhat better at timing the market with respect to 

launching new funds. 

Sample Statistics by Fund IRR 

  In Table 4, we report mean statistics for funds sorted into deciles based on fund IRR.  The table 

reveals that the 10th decile funds are fundamentally different from the other funds in the sample.  The 

top performers have much higher IRRs and COCRs than even the 9th decile.  Over all but the top decile, 

better performance  is associated with  lower percentages of deals  receiving next  stage  funding  (more 

aggressive exercise of abandonment options), rising  IPO percentages, and fairly flat M&A percentages. 

15

In contrast, in the top decile, the percentage of deals receiving next‐stage funding is sharply higher, the 

IPO  percentage  is  higher  but  follows  the  trend,  and  the M&A  percentage  is  sharply  higher.    Similar 

patterns  are  apparent with  regard  to  firm  characteristics.    Additionally,  funds  in  the  top  decile  are 

offered by  firms  that are much more  likely  to be ranked and  that have much greater  levels of sector‐

specific experience.   Not surprisingly, higher average  fund  IRR also are associated with higher vintage 

year and benchmark IRRs.    

  The  evidence  in  Table  4  suggests  that  the  top  performing  funds  owe  their  success  partly  to 

investment selection, which may arise from a richer deal flow or better selection, so that abandonment 

is  less  likely; and partly to greater success with exits, particularly with regard to M&A exits.   Given the 

much higher IRRs, these funds also are likely to be associated with high‐valued IPO exits.  To the extent 

that anecdotal studies of the drivers of fund performance are focused on samples that are drawn from 

the top performing funds or funds offered by ranked VC firms, the inferences drawn from those studies, 

such as the inference that performance is driven by home runs, may be due to the special characteristics 

of the sample. 5 

Changes in Sector Focus 

  Some of our evidence suggests that fund IRRs and COCRs are higher when the VC firm has the 

ability  to change sector  focus  in response  to  the anticipated values of  investment opportunities.   One 

implication  is  that  when  a  firm  launches  a  new  fund  in  a  sector  that  is  different  from  that  of  its 

immediate prior fund, it is doing so partly in response to a shift in perceived investment opportunities.  

As evidence on the motivation for sector changes, we can examine whether changes in focus appear to 

correspond with changing market‐wide perceptions.   

  Figure  1  is  based  on  the  sample  of  all  observations  where  a  subject  fund  is  focused  on  a 

different sector than the VC firm’s  immediate prior fund.   For the purpose of this analysis, we classify 

5 Generally, as discussed earlier, the VE data are not sufficient to determine the realized returns or multiples on fund investments.  Thus, we rely on inference drawn from the descriptive data and our empirical analysis. 

16

funds into 5 sectors: computer, Internet, biotechnology, medical, and non‐technical. From 1980 through 

the end of our sample period, there are 825 sector changes in our database.  Figure 1 is constructed by 

expressing the number of switches to a given sector  in each year as a percent of all switches that year 

and  then  calculating  a  centered 3‐year weighted  average of  the percentages, where  the weights  are 

based on the total number of switches over the 3 years.  The figure shows a shift of focus mainly from 

computer  to non‐technical  in  the early 1980s; a shift back  into computer and away  from biotech and 

non‐technical in the  late 1980s; a gradual shift into computer and Internet and away from biotech and 

non‐technical during  the 1990s; and a shift away  from computer and  Internet and  into non‐technical, 

biotech, and medical  in the 2000s.   Overall, these changes of focus follow general market perceptions 

about changes in sector investment opportunities over time.        

V. Empirical Analysis 

  The empirical analysis comprises 3 parts: OLS  regressions of  fund performance,  selection‐bias 

corrected regressions of fund performance, and OLS outcomes regressions.  We also conduct additional 

tests of look‐back, selection, and attrition bias and find similar results.  Overall, the results: (1) quantify 

the  relationships of  fund outcomes  (next‐stage  funding,  IPO, and M&A)  to  realized performance  (IRR, 

COCR,  and  a  hybrid measure  that  combines  the  two);  (2)  quantify  persistence  effects  through  the 

relationships  of  firm‐level  prior  outcomes  to  realized  performance  of  the  fund;  (3)  assess  the 

relationships of firm experience and agility to realized performance; (4) quantify the persistence of firm 

style over time; (5) assess the separate effect of firm reputation on performance; and (6) verify that our 

results are  robust  to  sources of potential bias.   While we demonstrate  that  look‐back,  selection, and 

attrition  biases  are  important  for  understanding  which  funds  have  information  reported  on 

performance,  they do not materially  affect  the  results.   Accordingly, we  focus discussion on  the OLS 

results. 

OLS Regression of Fund Performance 

17

  Table 5 contains several different models of fund performance where the fund’s net  IRR  is the 

dependent  variable  (Models  A‐1  through  A‐6),  as well  as  one model where  COCR  is  the  dependent 

variable (Model B) and one where we combine IRR and COCR into a measure that is more closely aligned 

with the true dependent variable of interest, fund NPV (Model C).   

In  all models, we  find  evidence of  the  value of  abandonment options.    Fund performance  is 

better, the more quickly the fund abandons early  investments that apparently are not promising.   The 

outcome variables are scaled in consistent units (percentages of fund or firm initial investments) so that 

the  results  can  be  interpreted  easily.    For  example,  in Model A‐4, which  is  our  final  IRR model,  a  1 

percentage  point  reduction  in  the  fraction  of  initial  investments  that  receive  next‐stage  funding  is 

associated  with  an  IRR  that  is  0.077  percentage  points  higher.    A  one‐standard‐deviation  (25.0 

percentage point) reduction in next‐stage funding implies a 1.93 percentage point increase in fund IRR.  

While the relationship weakens and becomes  lower with the addition of variables, given the expected 

negative sign associated with the hypothesis that abandonment options are valuable for investors, it is 

always significant at beyond the 10% level. 

  The  IPO  and  M&A  percentage  coefficients  are  highly  significant  across  all  models.    The 

difference  in  coefficients  reflects  the  relative  importance  of  IPOs  and  acquisitions  in  terms  of  their 

contributions to  fund performance.   The relative relationship  is quite stable and  indicates, contrary to 

common beliefs that acquisitions are almost as important in driving performance as are IPOs.  In some 

specifications, we cannot reject the hypothesis that the coefficients for IPOs and acquisitions are equal.  

Based  on Model  A‐4,  a  one‐standard‐deviation  (20  percentage  point)  increase  in  IPO  percentage  is 

associated with a 6.18 percentage point  increase  in  fund  IRR, whereas a one‐standard‐deviation  (15.7 

percentage point) increase in M&A percentage is associated with a 3.58 percentage point increase. 

  If  fund  performance  reflects  persistence,  then  performance  should  be  related  to  the  prior 

outcomes  of  the  firm.    The  firm  outcome  variables  parallel  the  fund  outcomes  and  are  comparably 

18

scaled.      Coefficients  are  similar  to  those  for  fund  outcomes.    Again,  we  find  evidence  that  past 

abandonment practice  leads to higher current‐fund performance, as do higher previous  IPO and M&A 

exit percentages.  As the standard deviations of firm performance variables are similar to those of fund 

outcomes, the partial effects are similar. 

  We  also  test  the  importance  of  sector‐specific  experience  and  agility.    As  expected,  fund 

performance is strongly related to the firm’s prior experience in the sector on which the fund is focused.  

We measure experience as the number of previous investments by the firm in the sector on which the 

subject  fund  is  focused.    In Model A‐4, a one‐investment  increase  in experience  is associated with  a 

0.042  percentage  point  higher  IRR  and  a  one‐standard  deviation  increase  in  experience  (93.9 

companies) is associated with a 3.96 percentage point higher IRR.   

Agility has only a  suggestion of  importance.   We use an  indicator of agility by  identifying  the 

change  in  sector  focus  from one  fund  to  the next, which we measure  in  the negative  (staying  in  the 

same sector as the prior fund).   While sector‐specific experience is valuable, there is also potential value 

in  being  able  to  shift  resources  to  a  sector where  the  rate  of  innovation  is  and  concomitant  capital 

demand are high.   The coefficient  is only significant  (at  the 10%  level  in a one‐tail  test)  in Model A‐2, 

where  firm  reputation  and  all  control  variables  are  omitted.    The  coefficient  estimates  in  all 

specifications  of  Model  A  except  A‐6  (where  sector  experience  is  dropped)  indicate  that  agility  is 

associated with a fund  IRR that  is about 2 percentage points higher.   Thus, given the crudeness of our 

measure  of  agility  and  the  fact  that  a  return  difference  of more  than  two  percentage  points  only 

approaches  statistical  significance,  we  cannot  convincingly  reject  the  hypothesis  that  agility  is  not 

important. 

  Separate from the firm’s track record of prior successful exits and its experience, there may also 

be a role for more generic reputation, particularly  if firm reputation has effects  like enriching the deal 

flow, attracting better employees, lowering the cost of raising capital, and facilitating exits, all of which 

19

are  identified as possibilities  in the previously cited  literature.   We test two different  indicators of firm 

reputation.    Both  are  snapshots  at  points  in  time  and we  are  applying  them  to  funds  launched  at 

different times, so the measures are imperfect for our purposes.  Our first measure, Firm Reputation 1, 

is from Nahata (2008) and is based on the total market capitalization of a VC firm’s prior IPOs as of the 

end of 2005.   The measure  is  likely to  increase with the age of the VC firm,  its overall  level of activity, 

and the ultimate and long‐run success of companies it has brought to market.  We classify firms listed in 

the Appendix to Nahata as “reputable” compared to the others.  In Model A‐4, the reputation measure 

is associated with a 22.7 percentage point higher IRR.  Our second measure, Firm Reputation 2, is from 

Ivanov, Krishnan, Masulis, and Singh  (2008) and  is based on the  firm’s average  IPO market share over 

the period from 1996 through 2002.  The measure, again, is likely to increase with firm age and activity 

level.  When we introduce this variable to Model A‐5, the coefficient is near zero and is not significant.  

We believe this is because IPO market share is closely related to firm experience.  When, in Model A‐6, 

we drop sector experience, the reputation measure gains significance and the coefficient implies an IRR 

that is 8.89 percentage points higher than for funds of other firms. 6 

  The vintage year and benchmark  control variables have  the expected effects;  IRRs are higher 

when vintage year results are higher.   We find no significant relationship between fund  IRR and either 

new commitments to venture capital  in the  fund vintage year or the average S&P P/E ratio  in years 6 

through 8 after the vintage year, which we use as the most likely years for harvesting.7  Other than fund 

6  There  is,  of  course,  some  contamination  between  the  reputation  measures  and  the  fund’s  performance, particularly  for  funds  that had matured before 2005 or during  the 1996  to 2002 window.   However,  for several reasons, this spurious effect should be small: the reputation measure is binary and is based on all of a firm’s IPO exits, whereas our performance measures are continuous and are based on the results for a single fund, and the reputation measure and fund performance are measured at different times.  7 The  finding of no  statistically  significant partial  relationship between new  capital  commitments  in  the vintage year and  IRR may seem to conflict with Gompers and Lerner (2000).   Gompers and Lerner find that vintage year valuations are driven up during periods when capital flows to VC are high.   Presumably,  it follows that fund  IRRs and COCRs should be lower when vintage year capital commitments are high.  While the regression models show no partial effect, univariate decile sorts similar to those in Table 4 reveal that IRRs and COCRs are higher when new capital commitments, numbers of VC investments, and S&P P/E ratios all are low in the vintage year.  There is no 

20

age, our fund‐level controls are not significant, indicating that IRRs are not systematically different from 

the model  for  funds designated  as  “early‐stage,”  first  funds, or  funds  that  are  too  young  for market 

conditions at exit to be measured. 

  The COCR performance results  in Model B are similar to the IRR results  in Model A‐4.   COCR  is 

measured in ratio form.  A one‐standard‐deviation reduction in the percent of companies getting next‐

stage funding is associated with a multiple that is 0.183 higher, a one‐standard‐deviation increase in IPO 

percentage  is  associated  with  a  0.365  higher  multiple  and  a  one‐standard‐deviation  increase  in 

acquisition  percentage  is  associated with  a  0.179  higher multiple.    Firm  performance  variables  have 

weaker effects on COCR and significance  levels are  lower.   Firm experience  is also  less  important than 

for IRRs and agility is not significant.  Firm Reputation 1, is highly significant and implies a multiple that is 

2.22 higher than for other firms.  Among the controls, early‐stage funds have higher multiples, perhaps 

due to the longer expected holding period for early‐stage investments. 

  As discussed in Section II, neither IRR nor COCR is an ideal measure of fund performance.  If fund 

NPV is the desired measure, IRR can be biased because venture funds do not have equal lives.  A high‐

IRR fund that liquidates quickly may pose a reinvestment problem that is not reflected in the measure.  

The COCR measure has the opposite bias.  A multiple can be high if the holding period is unusually long, 

rather  than  because  the  fund  is  performing well.    To  exploit  these  offsetting  biases, we  construct  a 

hybrid measure, IRR:COCR, which  is constructed by adding the  log of one plus the IRR  in decimal form 

and the log of COCR.  In log form, the two variables are similarly scaled with similar volatilities and the 

distribution of the hybrid variable  is approximately normal.   Using this measure, high values are more 

clearly “good” results and  low values are more clearly “bad.”  Model C parallels Models A‐4 and B, but 

uses  IRR:COCR  as  the  dependent  variable.    The  resulting  r‐square  is  substantially  higher,  and  the 

significance levels and relative importance indicators are similar to those in the other models. 

apparent  relationship  between  fund  performance  and  number  of  IPOs  in  the  vintage  year  or  S&P  P/E  at approximate exit time, but a positive relationship to number of IPOs at approximate exit time.    

21

Returning to the Firm Reputation 1, the Table 5 results show that even after controlling for fund 

outcomes, firm track record and experience, and market controls, reputation measured in this way still 

is associated with much higher  IRRs and COCRs.   Table 4 also suggests that high‐reputation firms offer 

funds  that  are  somehow  different  from  the  rest  of  the  sample.    To  better  assess  the  nature  of  the 

difference, we tried interacting reputation with the fund‐level outcome measures, extending Model A‐4.  

While the coefficient on  IPO percentage  is not significantly different from that for all observations, we 

do find sharp differences for the other two outcome variables.   Whereas, overall, there appears to be 

value in exercising abandonment options, for high‐reputation firms we find the opposite.  The percent of 

investments  that  receive  next‐stage  funding  is  strongly  positively  related  to  fund  IRR  (the  summed 

coefficient  is 1.12 and  the difference relative  to  the  full sample  is significant with a p‐value of 0.043).  

Similarly, the percent of  investments that are acquired  is significantly more positive  for  funds of high‐

reputation  firms  (the  summed  coefficient  is  2.25  and  the  difference  is  significant with  a  p‐value  of 

0.001).   Segregating the high‐reputation funds  in this way reduces the relative  importance of the M&A 

percentage for the other funds in the sample, but the partial effect remains statistically significant and is 

about half as high as the IPO percentage.   Results are similar for the other performance measures and 

these findings also hold when we drop observations for the first three funds of each VC firm.8 

Overall, these additional results suggest that funds offered by high reputation firms benefit from 

a richer deal flow and/or better investment selection so that more of their investments reach successful 

exits; that while Table 4 shows that the percentage reaching IPO is higher than for other firms, the value 

added per  IPO  is similar to that of other  firms; and that the M&A percentage  is much higher than  for 

other  funds and also  the acquisition exits are  substantially more valuable.   The  results are consistent 

with our overall finding that there  is more to success than  just home runs, and that being able to find 

successful exits for other investments in the portfolio is also important.    

8 The full fund performance models upon which this discussion is based are available from the authors. 

22

Selectivity 

  Because selective reporting could be biased toward successful outcomes, we take a number of 

steps  to mitigate  the  potential  for  our  results  to  be  affected  by  this  type  of  bias.    By  focusing  on 

conventional VC funds, we exclude funds such as corporate funds, where it seems that managers could 

be most likely to fail to disclose unsuccessful investments and where there is less potential for external 

verification  through  limited  partners  and  others.   We  also  exclude  non‐US  funds  because  of  similar 

concerns and because  the nature of venture capital  investing  is quite different across countries.   Still, 

Preqin does not report performance for the majority of venture‐backed funds that are identified by VE.  

We were able to match only about one‐fourth of the funds reported by VE, and of the matched firms, 

Preqin did not report IRRs for about 15% and did not report COCRs for about 5%.  The resulting sample 

may be biased either in the selection by Preqin as to which funds to track, or in the selective reporting of 

fund  performance.    In  Appendix  B,  we  already  have  provided  evidence  that  the  Preqin  sample  is 

underrepresented in the early and most recent years, relative to the VE sample. 

  To  address  the  potential  for  bias more  directly, we  use  a Heckman  two‐step model with  an 

instrumental  variable  to  estimate  a  probit model  of  selection  and,  based  on  the  probit  results,  to 

introduce a control for selection.  Table 6 presents the results of this analysis for each of the three fund 

performance measures  (IRR, COCR, and  IRR:COCR).   The probit selection equations are estimated  in a 

single  step  over  both  possible  sources  of  selectivity  bias.    For  example,  from  the  full  sample  of 

conventional US venture  capital  funds, we  code  the dependent variable as 1  if an  IRR  is  reported by 

Preqin.9   

9 We  originally  tried  a  nested  two‐step  approach  of  first  estimating  a  selection  adjustment  for matching with Preqin  and  then using  this as  an  additional  variable  in  a  second probit model of performance  reporting  in  the matched  sample, with  the  resulting  probit  being  used  to  form  the  selectivity  variable  in  the  final  regression.  Through  the attempt, we determined  that  the  selection  factors  that affect  the match are also  the  factors  that affect performance  reporting.   Because nothing was gained by  the more  involved approach, we  report only  the standard Heckman results. 

23

  The  results of  the  selection models  in Table 6 are  similar  for all 3 performance measures, as 

differences are only due to variations in the second‐stage sample.  We include all of the variables from 

the  performance models,  as well  as  a  binary  instrument  that  indicates  that  a  fund  is  backed  by  a 

commercial,  investment, or merchant bank or affiliate or subsidiary.   Among this group, we expect the 

probability of underreporting and of exclusion  in the Preqin data to be relatively severe.   As expected, 

the  coefficient  on  the  variable  is  negative  and  significant.    Other  variables  in  the  selection models 

indicate that, as expected, reporting is more likely when the IPO and M&A percentages of the fund and 

of  the  firm  are  high;  when  the  firm  has  a  more  established  track  record,  as  indicated  by  sector 

experience and the first‐fund variable; and when the fund is older, but was not launched in a very early 

year compared to the rest of the sample.  Performance is more likely to be reported for funds launched 

when new capital committed to venture capital is high (generally reaching a peak around the year 2000, 

as shown in Table 2).  Other market controls are not significantly related to selection. 

  Based on the inverse Mills ratios, selection is marginally significant in the IRR model.  However, 

the overall effect of selectivity on the performance models  is modest.   Usually, the coefficients related 

to  fund outcomes,  firm outcomes,  and  firm  experience  are  slightly weaker  after bias  correction,  the 

coefficients on Firm Reputation 1 are slightly stronger, and the coefficients on the control variables tend 

to be modestly stronger.  We infer from Table 6 that our qualitative conclusions about the relationships 

of  fund  outcomes,  firm  outcomes,  firm  experience,  and  firm  reputation  are  not  attributable  to  bias 

related to which funds have performance data reported by Preqin. 

Style Persistence 

  Results  in  Tables  5  and  6  demonstrate  persistence  in  that  a  firm’s  prior  track  record  of 

outcomes,  its  sector  experience,  and  its  reputation  all  are  positively  related  to  fund  performance, 

measured in various ways.  What drives the relationships between prior outcome variables and current 

fund performance remains an open question.  In one view, if entrepreneurs and investors interpret the 

24

firm’s track record as evidence of skill, then the firm might face a richer deal flow, lower costs of raising 

funds, and higher fund performance in the next fund, even if the firm’s track record is purely a result of 

good luck and the capabilities of the management team are no better than those of the typical manager.  

In  the  other  view,  prior  success  indicates  superior  skill.    Even  if  the  firm was  initially  just  lucky,  the 

success may  help  attract  better  employees  or  the  exits may  contribute  to  a  stronger  network  that 

enhances subsequent harvesting opportunities. 

  One way to address the question of whether what the manager does really adds to the value of 

subsequent funds, as a contributing factor to performance persistence,  is to test whether funds of the 

same  firm exhibit style persistence.   More specifically, does a  track record of high percentages of  IPO 

exits  imply  that  subsequent  IPO exits will also be high?   Moreover, does a  track  record of high M&A 

percentages  to  IPO percentages  imply  that  the difference will  also be high  in  subsequent  funds?    In 

Table 7, we  find both kinds of evidence of  style persistence.   Abandonment option exercise practices 

(the percent of companies receiving next‐stage funding) of the subject fund, IPO percentage, and M&A 

percentage all are  strongly  related  to  the  same outcome percentages  for  the  firm, based on  its prior 

funds.  Also, the difference between M&A percentage and IPO percentage is positively and significantly 

related  to  the  same  measure  for  the  firm  based  on  its  prior  funds.    While,  as  implied  by  style 

persistence, a high IPO percentage is not significantly related to the firm’s prior M&A percentage, there 

is a significant relationship when the dependent variable  is the M&A percentage.   Perhaps the greater 

visibility of past IPO successes enables the firm to be more successful with acquisitions later on. 

  There  is,  however,  also  a  slightly  different  interpretation  that  is  not  as  positive  for  style 

persistence.  While the coefficients are significant, they are all less than 1.0.  This is true even if only the 

firm  performance  variables  are  retained  in  the models  and  even  if  only  the  directly  corresponding 

variable is retained.10  In fact, dropping the other variables does not materially change the coefficients of 

10 These results are available from the authors. 

25

interest.   Thus,  there  is evidence of  substantial  regression  toward  the mean.   Regression  toward  the 

mean of the magnitudes reflected  in Table 7 argues for  luck also being an  important factor  in realized 

success (or failure).  After all, if the success of a fund leads investors to believe that the VC firm has skill, 

should we not expect that the resulting enriched deal flow and easier access to capital would, all else 

equal, lead to even greater success in the next fund. 

Robustness and Other Checks 

  Quantile regression:  An implicit assumption of OLS is that estimation of the conditional mean is 

appropriate for all segments of the dependent variable’s distribution.  This is no more appropriate than 

suggesting  that  the  mean  is  the  best  measure  of  central  tendency,  without  even  considering  the 

distributional characteristics of the random variable.  This limitation can be addressed by using quantile 

regression techniques as proposed by Koenker and Bassett (1978). 

  Generalized quantile  regression enables us  to estimate changes  in  the marginal effects of  the 

covariates  along different  sectors of  the distribution.   Bassett  and Chen  (2001),  in  their  study of  the 

effects of  investment  style on mutual  fund performance,  state  that quantile  regression  is  critical  for 

identifying how style affects returns over the  full distribution of returns.11   The conditions required  to 

solve the optimization problem and the estimator properties are well‐known.  Parameter estimates are 

attained  through  linear  programming  and  an  iteration  process.12    For  these  purposes,  the  bootstrap 

procedure is ideal.13  We apply this technique by performing simultaneous quantile regression for each 

decile of the  IRR and COCR distributions.    In each case, the standard errors are produced by randomly 

sampling (with replacement) from all of the observations in the analysis dataset, estimating the quantile 

11 In  principle,  quantile  coefficients  could  be  estimated  using  OLS  on  subsets  of  the  data.    However,  the distributional assumptions about the error term are unlikely to hold and the OLS estimates are more sensitive to outliers within subsets that contain relatively few data points.  This can be addressed by using generalized quantile regression to estimate an equation to describe any section of the distribution. 12 See, Koenker and Bassett (1982), Rogers (1993), and Greene (2008). 13 Jeong and Maddala (1993) argue that bootstrapping  is appropriate for most applications of hypothesis testing because distributional assumptions are typically unreliable.  In addition, Johnston and DiNardo (1997) demonstrate that bootstrapped standard errors produce consistent estimates when they cannot be derived analytically.  

26

regression  coefficients,  performing  100  replications,  and  calculating  the  observed  variation  in  the 

parameter estimates. 

  In  Figure  2,  we  use  least‐absolute  deviation  (LAD)  quantile  regression  to  examine  how  the 

estimated coefficients change over quantiles ordered by the dependent variable.  In the LAD versions of 

Model A‐4, where fund IRR is the dependent variable, the percentages of both fund and firm companies 

receiving  next‐stage  funding  are  consistently  negatively  related  to  fund  IRR.    IPO  and M&A  success 

percentages of the fund and firm are consistently positive, with IPO being consistently more important 

than M&A, though the difference is not great.  Fund IRR increases with increases in the firm’s historical 

IPO  percentage  and  declines with  increases  in  the  firm’s  historical  acquisition  percentages.    Sector 

experience is consistently positive and agility (measured in the negative, as remaining in the same sector 

as the prior fund) is consistently positively related to fund IRR.  The coefficients on our agility measure 

generally are significant at the 10% level in one‐tailed tests.  Finally, firm reputation is very important for 

explaining  IRRs  in  the  highest  quantiles  (80  and  90%),  consistent  with  earlier  evidence  on  the 

relationship between top performing funds and firm reputation.  Results for the COCR are similar in all 

important respects. 

  Survivorship and look‐back biases: Our performance and persistence results may be affected by 

survivorship effects  in two ways.   First,  it  is possible that Venture Economics and/or Preqin selects the 

firms on which it reports based partly on success of an early fund.  If so, then the IRRs and COCRs of the 

first‐reported fund of a firm could be positively biased compared to a representative first fund that was 

free of this look‐back bias.  Second, as our sample of funds begins prior to when Venture Economics and 

Preqin began to compile and report data,  it  is possible that firms may have been selected for  inclusion 

partly because they had survived through the period before the services had begun to collect data.  If so, 

the empirical estimates of persistence could be overstated. 

27

  We have tried to limit the potential for survivorship and look‐back biases by limiting the sample 

to conventional venture capital  funds  in  the US.   To  further assess  these potential  sources of bias,  in 

Table 8, we (1) estimate Model A‐4 dropping first funds, and (2) estimate the model on a sample that 

excludes firms with their first fund investment years earlier than 1990, and (3) do both.  As shown, the 

fund outcome coefficients are  somewhat  stronger and  the persistence  results are  somewhat weaker.  

These shifts are in the directions implied by look‐back and survivorship biases, but do not fundamentally 

alter any of our conclusions. 

  Attrition  bias:  Attrition  bias  is  related  to  survivorship  bias,  but  arises  for  a  different  reason.  

Because our data are collected for the same firms over a number of years, it is possible that some may 

drop out of  the sample prematurely.   More specifically, a  firm may continue  to  launch  funds, but  the 

fund performance  information not be reported or a firm may cease to exist or discontinue  its venture 

capital fund business.  Attrition can result in bias if firms that drop out are systematically different from 

those that remain. 

  Attrition can bias the sample in two ways. First, if some groups of firms are more likely to drop 

out of  the  sample  than others,  results based on  the  remaining  sample  cannot be  generalized  to  the 

original  population.    Second,  systematic  attrition  can  negatively  affect  internal  validity  by  altering 

correlations among variables.  Attrition bias can be addressed using inverse propensity score weighting 

similar to that suggested by Little and Rubin (1987) and McGuigan, et al. (1995). 

  In this case, the weighting adjustment for attrition uses the probability that a given firm will be 

present (“surviving”) in a subsequent time period with a new fund.  This probability is estimated by using 

the  predictions  from  a  logit  regression, where  the  dependent  variable  is  equal  to  1  if  the  firm  is  a 

“survivor” and 0 otherwise.   The explanatory variables are  firm‐level covariates;  specifically,  the  total 

number of observed funds by the firm, the average fraction of companies with IPOs  in all of the firm’s 

funds, and the average fraction of acquired companies in all of the firm’s funds. 

28

  Unlike most panel surveys, which have a predetermined start and end date, our data collection 

terminates on an arbitrary date and  it  is not possible to determine the “survivor” status of a firm with 

absolute certainty.  Thus, we rely on some sensible rules to classify “surviving” firms; namely, less than 6 

years, less than 8 years, and less than 10 years between the data termination date and the year in which 

the firm’s most recent fund was observed.  The logit regressions are then estimated using each of these 

assignment rules and each firm is subsequently assigned a weight equal to the inverse of their predicted 

survivor probability.  Therefore, those with a low probability of attrition receive lower weights and those 

with high probability of attrition  receive greater weights.   The  IRR and COCR  regressions are  then  re‐

estimated using the 6‐, 8‐, and 10‐year probability weights.  This is designed to take some of the skewed 

explanatory power from the “surviving” firms and redistribute it back to that of the random sample.  We 

use the logistic odds to form attrition weights and then re‐estimate the Heckman selection Model A‐4H 

by weighted least squares. 

  Generally, we find that the logit results are negatively related to IPO percentage and positively 

related to M&A percentage and total number of funds launched by the firm.  Table 8 demonstrates that 

attrition‐weighting has only a modest effect, compared to Model A‐4H from Table 6.  The main result of 

interest  is that the estimated effect of M&A percentage  for the  fund  is somewhat weaker than  in the 

original Heckman specification. 

VI. Conclusions 

  Evidence  in  this  paper  challenges  the  conventional  wisdom  that  venture  capital  fund 

performance  is mainly driven by “home runs”  in the  form of successful  IPO exits.   While, among  fund 

outcomes, the percentage of successful IPO exits appears to be the most important one, the percentage 

of exits by acquisition is almost as important.  Also, aggressive use of abandonment options, as indicated 

by  the percent of a  fund’s  initial  investments  that do not  receive  later‐stage  funding and do not exit 

successfully, contributes positively to fund performance.  These conclusions are robust to whether fund 

29

performance  is  measured  as  fund  IRR,  fund  cash‐on‐cash  ratio  (COCR),  or  a  hybrid  measure  that 

combines both and appears  to be better aligned with  fund NPV.   The  conclusions also are  robust  to 

controlling for an array of potential biases, including selectivity in reporting, look‐back, survivorship, and 

attrition bias.   

  While others have established persistence of venture capital firm performance over funds, the 

question has largely remained open as to whether persistence is due to luck, skill, or some combination.  

Because we are able to combine fund performance measures with fund outcomes, as well as firm‐level 

prior outcomes, experience, and  reputation, we are able  to provide evidence  that prior performance 

matters, experience  in  the  sector on which  the  fund  is  focused matters, and generic  firm  reputation 

matters.    We  find  some  weak  evidence  that  agility  also  matters,  and  we  find  evidence  of  style 

persistence,  in  that  the mix of exit  types and aggressiveness  in  the exercise of abandonment options 

persists over funds.   The evidence  is consistent with the hypothesis that performance persistence  is at 

least partly due to VC firm skill. 

References 

Agarwal, Vikas and Narayan Y. Naik. 2000, On  taking  the “alternative”  route: Risks,  rewards style and performance persistence of hedge funds, Journal of Alternative Investments 2, 6‐23.  Baquero, Guillermo and Marno Verbeek, 2007, Do “sophisticated”  investors believe  in the  law of small numbers? Working paper, Erasmus University of Rotterdam.  Baquero,  Guillermo, Marno  Verbeek,  and  Jenke  ter  Horst,  2005,  Survival,  look‐ahead  bias  and  the persistence in hedge fund performance, Journal of Financial and Quantitative Analysis 40, 493–518.  Bassett, Gilbert  and Hsiu‐Lang  Chen,  2001, Quantile  style:  Return‐based  attribution  using  regression quantiles, Empirical Economics 26, 293‐305.  Busse, Jeffrey A. and Qing Tong, 2008, Mutual fund  industry selection and persistence, Working paper, Emory University.   Carhart, Mark, 1997, On persistence in mutual fund performance, Journal of Finance 52, 57‐82.  Carhart, Mark M., Jennifer Carpenter, Andrew Lynch, and David Musto, 2002, Mutual fund survivorship, Review of Financial Studies 15, 1439‐1463.  Chemmanur, Thomas, Karthik Krishnan, and Debarshi Nandy, 2009, How does venture capital financing improve efficiency in private firms? A look beneath the surface, Working paper, Boston College.  Gompers,  Paul,  Anna  Kovner,  Josh  Lerner,  and  David  Scharfstein,  2008  Venture  capital  investment cycles: The impact of public markets, Journal of Financial Economics 87, 1‐23.  Gompers,  Paul  and  Josh  Lerner,  2000, Money  chasing  deals?  The  impact  of  fund  inflows  on  private equity valuations, Journal of Financial Economics 55, 281}325.  Greene, William H., 2008, Econometric Analysis, 6th edition, Upper Saddle River: Prentice‐Hall.  Hochberg,  Yael,  Alexander  Ljungqvist  and  Yang  Lu,  2007, Whom  you  know matters:  Venture  capital networks and investment performance, Journal of Finance 62, 251‐301.  Hsu, David, 2004, What do entrepreneurs pay for venture capital affiliation? Journal of Finance 59, 1805‐1844.  Ivanov, Vladimir, C.N.V. Krishnan, Ronald Masulis, and Ajai Singh, 2008, Does venture capital reputation matter? Evidence from successful IPOs, Working paper, Vanderbilt University.  Jeong,  Jinook  and  G.  S.  Maddala,  1993,  A  perspective  on  application  of  bootstrap  methods  in econometrics, In Handbook of Statistics, edited by G. S. Maddala C. R. Rao, and H. D. Vinod, Amsterdam: Elsevier, pp. 573‐610.  Johnston, Jack and John DiNardo, 1997, Econometric Methods, 4th edition, New York: McGraw‐Hill.  

2

Kaplan, Steve and Antoinette Schoar, 2005, Private equity performance: Returns, persistence and capital flows, Journal of Finance 60, 1791‐1823.  Kaplan,  Steve,  Berk  Sensoy  and  Per  Stromberg,  2002 How well  do  venture  capital  databases  reflect actual investments? Working paper, University of Chicago.  Kat, Harry and Faye Menexe, 2002, Persistence  in hedge  fund performance: The  true value of a  track record, Working paper, City University of London.  Koenker, Roger and Gilbert Bassett, 1978, Regression quantiles, Econometrica 46, 33‐50.  Koenker,  Roger  and  Gilbert  Bassett,  1982,  Robust  tests  for  heteroscedasticity  based  on  regression quantiles, Econometrica 50, 43‐61.  Little, Roderick J. A. and Donald B. Rubin, 1987, Statistical Analysis with Missing Data, 2nd edition, New York: Wiley.  McGuigan,  Kimberly  A.,  Phyllis  L.  Ellickson,  Ronald  D.  Hays,  and  Robert  M.  Bell,  1995,  Tracking, weighting, and sample selection modeling to correct for attrition, Proceedings of the American Statistical Association, Survey Research Methods Section, 402‐407.  Nahata,  R.,  2008,  "Venture  capital  reputation  and  investment  performance"  Journal  of  Financial Economics 90, 127‐151.   Pastor  Lubos,  and  Robert  Stambaugh,  2002,  Investing  in  equity  mutual  funds,  Journal  of  Financial Economics 63, 351–380.  Rogers, William, 1993, Calculation of quantile regression standard errors, Stata Technical Bulletin 13, 18‐19.  Sahlman, William A., 1990, The structure and performance of venture‐capital organizations, Journal of Financial Economics 27, 473‐521.  Sorensen, Morten,  2006.  How  smart  is  smart  money?:  An  empirical  two‐sided  matching  model  of venture capital, Working paper, University of Chicago. 

 

N Mean Median Std Dev Skew

Fund Performance and Outcomes

IRR Net of Fees and Carried Interest (%) 1285 13.7 9.6 34.4 5.67

COCR: the Cash‐on‐Cash Ratio for Fund Investors (multiple) 1438 1.79 1.29 2.4 8.48

Pct. of Fund Cos. Rec'd. Next‐stage Funding (incl. IPO, MA) 1518 56.0 60.0 31.5 ‐0.43

Pct. of  Fund Cos. that IPO  1518 14.3 6.3 20.0 2.04

Pct. of  Fund Cos. Acquired  1518 12.6 9.1 15.7 2.43

Firm Outcomes

Cum. Pct. Of Firm Cos. Rec'd. Next‐stge Funding 1518 59.9 64.3 25.0 ‐0.63

Cum. Pct. of  Firm Cos. that IPO (%) 1518 19.0 17.1 15.8 1.07

Cum. Pct. of  Firm Cos. Acquired  1518 13.2 12.3 11.0 2.49

Cum. Pct. Rec'd. Next‐stage, Excluding Current Fund 1518 64.1 17.0 110.3 3.33

Cum. Pct. Firm Cos. That IPO, Excluding Current Fund 1518 17.3 15.0 17.0 1.02

Cum. Pct. Firm Cos. Acquired, Excluding Current Fund 1518 10.5 9.1 11.4 2.54

Fund Characteristics

Vintage Year (Year of First Captial Call or First Investment) 1518 1996.7 1998 5.8 ‐0.99

Fund is Designated Early‐stage by VX 1518 0.267 0 0.442 1.05

Total Amt. Invested by Fund (thousands) 1518 168885 61367 364962 6.20

No. of Cos. Invested by  Fund  1518 17.0 12 17.3 1.92

No. of Fund Cos. Rec'd. Next‐stage Funding (incl. IPO, MA) 1518 11.2 6 13.3 1.93

Firm Experience

Fund Sequence Number for Firm 1518 4.93 3 5.14 2.69

First Fund (equals 1 if Firm has no prior fund) 1518 0.221 0 0.415 1.35

Cum. No. of Cos. Invested by Firm 1518 108.0 47 154.8 2.83

Cum. No. of find Cos. Rec'd. Next‐stage Funding  1518 75.3 26.5 115.5 3.12

No. of Firm's Prior Invstmnts. in same Sector as Present Fund Focus 1518 62.4 23.5 93.9 2.34

Present and Prior Fund have same Sector Focus (equals 1 if same) 1518 0.437 0 0.496 0.26

Firm Reputation

Firm Reputation 1 (Ranked as a top 30 VC Firm by Nahata) 1518 0.062 0 0.241 3.64

Firm Reputation 2 (Ranked as a top 25 VC Firm by IKMS) 1518 0.108 0 0.311 2.53

Benchmarks

Benchmark Average IRR Reported by Preqin (%) 1459 15.6 15.2 7.2 0.01

Vintage Year Average IRR Reported by VX (Avg) 1518 12.4 9.6 11.4 0.84

New Cap. Committed to VC funds over 4 quarters (millions) 1518 39433 24253 41375 1.48

Log of New Cap. Committed to Venture Funds (Rolling 4 Qtr Total) 1518 9.97 10.10 1.26 ‐0.99

Log of S&P 500 P/E Ratio at Exit (averag of years 6‐8 after start) 1518 3.23 3.26 0.16 ‐1.53

Controls

Inverse of Fund Age in 2007 (Equals 1/Fund Age in Years) 1518 0.138 0.111 0.097 2.03

Young Fund (equals 1 if Fund Vintage Year is after 1999) 1518 0.471 0.000 0.499 0.12

Log of (Vintage Year ‐ 1977) Missing if before 1978. 1515 2.92 3.04 0.41 ‐2.48

Table 1

Fund‐level Descriptive Statistics of Matched Sample

The matched sample includes 1518 funds where Venture Economics information on traditional US venture capital funds could be

matched with venture capital fund data from Preqin. Fund IRR and COCR are the primary performance variables in the analysis.

Percentages of next‐stage funding, IPO, and Acquired are based on the total number of companies in which the fund (or firm) invested.

Cumulative percentages excluding the current fund are base on all of the firm's funds that were launched prior to the subject fund.

Fund vintage year is reported by Venture Economics and normally is the year of the first capital call, which typically is the same as the

year of first investment. When first capital call date is not available, first investment is used. Fund sector focus is assigned by Venture

Economics based on their industry sector categories, and is determined by the percentage of investments made in a sector. Firm

Reputation 1 is from the Appendix to Nahata (2008) and is based on the dollar capitalization share of a VC firm in the IPO market,

cumulated until the end of the year 2005. Firm Reputation 2 is from Appendix B of Ivanov, Krishnan, Masulis, and Singh (2008) and is

based on averaging their annual IPO market shares over 1996‐2002. Benchmark and Vintage Year IRRs are respectively as reported by

Preqin and Venture Economics.  New venture capital commitments are as reported by Venture Economics. 

Obs Mean Obs Mean Obs Mean Obs Mean

Fund Performance and Outcomes

IRR Net of Fees and Carried Interest (%) 83 44.25 1202 11.60 55 53.37 456 11.56

COCR: the Cash‐on‐Cash Ratio for Fund Investors (multiple) 90 4.38 1348 1.62 63 5.04 518 1.43

Pct. of Fund Cos. Rec'd. Next‐stage Funding (incl. IPO, MA) 307 77.29 5899 58.77 179 73.74 1242 59.27

Pct. of  Fund Cos. that IPO  307 24.74 5899 14.70 179 15.90 1242 10.97

Pct. of  Fund Cos. Acquired  307 12.03 5899 11.31 179 13.01 1242 11.40

Firm Outcomes

Cum. Pct. Rec'd. Next‐stage, Excluding Current Fund 307 74.15 5899 33.22 179 80.04 1242 66.80

Cum. Pct. Firm Cos. That IPO, Excluding Current Fund 307 32.34 5899 10.88 179 33.90 1242 21.95

Cum. Pct. Firm Cos. Acquired, Excluding Current Fund 307 14.90 5899 7.72 179 17.80 1242 16.24

Fund Attributes

Vintage Year (Year of First Captial Call or First Investment) 307 1992.00 5899 1993.93 179 1998.25 1242 1998.93

Fund Age as of 2007 307 15.00 5899 13.07 179 8.75 1242 8.07

Fund Vintage Year after 1998 (binary) 307 0.32 5899 0.41 179 0.52 1242 0.60

No. of Cos. Invested by  Fund  307 27.74 5899 11.72 179 20.09 1242 13.61

Capital Committed to Fund (millions) 296 314.46 5017 186.96 176 475.68 1195 403.17

Firm Experience

Fund Sequence Number for Firm 307 11.18 5899 3.09 179 15.34 1242 8.18

Cum. No. of Cos. Invested by Firm 307 367.16 5899 55.98 179 461.34 1242 161.84

No. of Firm's Prior Invstmnts. in same Sector as Present Fund Focus 307 217.85 5899 28.87 179 228.93 1242 76.16

Benchmarks

Vintage Year Average IRR Reported by VE (Avg) 304 13.57 5865 11.76 179 13.14 1242 11.71

Benchmark Average IRR Reported by Preqin (%) 91 10.04 1343 9.75 62 8.85 494 7.88

Log of New Cap. Committed to Venture Funds (Rolling 4 Qtr Total) 307 9.15 5899 9.59 179 10.23 1242 10.42

Log of No. of IPOs in year before Vintage Year 301 4.72 5848 4.86 179 5.15 1242 5.07

Log of Avg. No. of IPOs in years 6‐8 after Vintage Year 307 6.90 5899 6.96 179 7.07 1242 7.06

S&P P/E Ratio in year before Vintage Year 306 19.69 5887 21.41 179 24.68 1242 25.31

Avg. S&P P/E Ratio in years 6‐8 after Vintage Year 306 23.14 5893 23.82 179 26.96 1242 26.59

Subsample Comparisons Grouped by Firm ReputationTable 3

All Conventional US VC Funds Fnd No. > 3 and Vintage Yr. > 1989

Ranked Not Ranked Ranked Not Ranked

Comparison of Firm Reputation 1 funds with other conventiional US VC funds in the Venture Economics database. Firm Reputation 1 is based on Nahata (2008). To

mitigate the possible effects of look‐back and selection bias in the data, the first three funds of each VC firm and all funds with vintage years before 1990 are dropped in

some comparisons.  

IRR 

DecileIRR COCR

Pct Rec'd 

Next Stage 

Funding 

Pct that 

IPO 

Pct 

Acquired

Cum Pct Rec'd 

Next Stage 

Funding

Cum Pct 

IPO

Cum Pct 

Acquired

Sector 

Experience

Firm 

Reputation 

1

Benchmark 

IRR

Vintage 

Year IRR

1 ‐22.9 0.46 62.5 4.4 13.6 53.8 14.5 11.7 46.4 0.031 1.0 12.1

2 ‐8.4 0.74 63.2 6.9 12.2 61.4 17.0 13.1 60.6 0.039 2.8 13.5

3 ‐1.8 0.94 59.3 9.3 11.5 54.1 15.7 11.9 52.7 0.054 4.3 14.2

4 3.2 1.17 58.0 12.0 12.0 50.6 16.6 12.0 49.4 0.078 7.9 15.1

5 7.9 1.43 52.1 15.8 12.1 48.0 18.4 9.5 60.0 0.031 9.4 14.9

6 11.3 1.64 51.4 17.1 13.3 44.3 18.4 8.5 75.8 0.070 9.9 15.0

7 15.3 1.88 55.8 21.0 13.6 40.8 16.4 9.6 54.7 0.039 12.5 17.4

8 21.0 2.13 53.8 18.6 15.6 41.2 16.6 9.2 55.3 0.047 15.0 17.0

9 31.0 2.82 52.7 23.2 13.2 45.8 20.3 8.5 75.1 0.055 17.4 18.6

10 81.1 5.18 70.5 26.0 19.0 59.8 27.0 10.8 124.1 0.203 20.2 19.1

Table 4

Average Fund Performance by IRR Decile

Statistics are averages for 1286 conventional US VC funds grouped into deciles on the basis of Preqin reported fund IRRs. COCR is the average cash‐on‐cash ratio

for each IRR decile. Fund outcome statistics are average percentages of fund initial investments. Firm outcomes are average percentages for the firm over all

funds prior to each subject fund. Sector experience is the number of company investments by the firm that are in the same sector as the subject fund, prior to

the subject fund. Firm Reputation 1 is from the Appendix to Nahata (2008). Benchmark and Vintage Year IRRs are respectively as reported by Preqin and

Venture Economics.  New venture capital commitments are as reported by Venture Economics. 

Fund Performance Fund Outcomes Firm Characteristics Market Benchmarks

IRR P-value IRR P-value IRR P-value IRR P-value IRR P-value IRR P-value COCR P-value IRR:COCR P-valueFund Investment Outcomes

Pct Rec'd Next-stage -0.097 0.014 -0.088 0.071 -0.063 0.133 -0.077 0.073 -0.063 0.134 -0.062 0.139 -0.0058 0.005 -0.0047 0.000Pct IPO 0.439 0.000 0.340 0.000 0.312 0.000 0.309 0.000 0.312 0.000 0.313 0.000 0.0183 0.000 0.0124 0.000Pct M&A 0.323 0.000 0.272 0.000 0.229 0.000 0.228 0.000 0.229 0.000 0.223 0.000 0.0114 0.001 0.0056 0.014

Firm PerformanceFirm Prior Pct Rec'd Next-stage -0.192 0.000 -0.185 0.001 -0.189 0.001 -0.185 0.001 -0.130 0.025 -0.0031 0.348 -0.0050 0.004Firm Prior Pct IPO 0.312 0.000 0.326 0.000 0.289 0.000 0.327 0.000 0.352 0.000 0.0071 0.104 0.0065 0.006Firm Prior Pct M&A 0.206 0.004 0.225 0.002 0.218 0.002 0.225 0.002 0.192 0.008 0.0070 0.280 0.0058 0.013

Firm ExperienceSector Experience 0.064 0.000 0.066 0.000 0.042 0.005 0.066 0.000 0.0013 0.166 0.0014 0.000Same Sector as Prior Fund (binary) -2.911 0.144 -2.131 0.324 -1.861 0.383 -2.133 0.299 1.314 0.505 -0.0253 0.859 -0.0557 0.324

Firm ReputationFirm Reputation 1 (binary) 22.694 0.013 2.2155 0.004 0.4071 0.011Firm Reputation 2 (binary) -0.016 0.997 8.892 0.010

Market ControlsVintage Year IRR (VE) 0.687 0.008 0.673 0.008 0.687 0.008 0.695 0.008 0.0153 0.302 0.0010 0.847Benchmark IRR (Perqin) 0.249 0.066 0.281 0.028 0.249 0.066 0.233 0.088 0.0291 0.000 0.0224 0.000Log New Capital Commit. to VC -0.840 0.372 -0.497 0.602 -0.840 0.369 -1.152 0.202 -0.0883 0.099 -0.0354 0.229Log S&P P/E at Exit 1.063 0.874 -0.382 0.954 1.063 0.875 -0.970 0.889 0.7839 0.221 -0.1411 0.521

Fund ControlsEarly-stage Fund 2.327 0.440 2.178 0.459 2.326 0.445 2.820 0.358 0.4779 0.023 -0.0520 0.482First Fund of Firm (binary) 2.366 0.460 0.948 0.757 2.365 0.455 3.617 0.264 0.0679 0.742 -0.0142 0.893Inverse of 2007 Fund Age 36.730 0.140 30.599 0.198 36.732 0.143 29.680 0.232 -3.0774 0.000 -0.5547 0.272Vintage Year after 1999 (binary) 5.177 0.435 5.139 0.427 5.178 0.433 5.778 0.384 -0.1508 0.637 -0.1398 0.310Constant 8.158 0.000 8.784 0.000 -8.564 0.682 -4.759 0.814 -8.561 0.682 0.329 0.988 -0.4921 0.815 0.9807 0.141

R-Square 0.064 0.099 0.144 0.164 0.144 0.129 0.187 0.247No. Obs. 1282 1282 1271 1271 1271 1271 1379 1191

Tests of Coef. EqualityPct IPO = Pct M&A 0.095 0.314 0.195 0.198 0.195 0.164 0.024 0.003Firm Pct IPO = Firm Pct M&A 0.135 0.177 0.336 0.169 0.036 0.994 0.781

Table 5

Model B Model C

Dependent variables are the Net IRR to fund investors as a percentage, the Cash‐on‐Cash Return as a multiple, and the sum of the natural logs of 1+ IRR in decimal form and the

COCR.   Investment outcomes are percentages of companies in which the fund invested.  Pct. Rec'd Next‐Stage includes IPO and M&A percentages.  Firm performance measures are 

cumulative percentages for all investments by prior funds of the same firm. Sector experience is number of prior investments in the same sector as the fund focus based on

Venture Economics sectors. Firm Reputation 1 is based on Nahata (2008), and Firm Reputation 2 is based on Ivanov, Krishnan, Masulis, and Singh (2008). Vintage year IRR is the

simple average of vintage year fund IRRs as reported by Venture Economics and Benchmark IRR is the value‐weighted average of vintage year IRRs as reported by Preqin, both in

percentage form.  Coefficient P‐values are two‐tailed, based on robust standard errors.  Tests of coefficient equality are P‐values for associated F statistics.

Model A‐1 Model A‐2 Model A‐3 Model A‐4 Model A‐5 Model A‐6

OLS Regressions of Fund Performance on Exit Success Percentages, Prior Firm Performance, Firm Experience, and Reputation

Coef. P-value Coef. P-value Coef. P-value Coef. P-value Coef. P-value Coef. P-valueFund Investment Outcomes

Pct Rec'd Next-stage -0.0038 0.000 -0.051 0.249 -0.0039 0.000 -0.0068 0.002 -0.0040 0.000 -0.0048 0.000Pct IPO 0.0052 0.000 0.275 0.000 0.0047 0.000 0.0197 0.000 0.0052 0.000 0.0125 0.000Pct M&A 0.0042 0.001 0.190 0.001 0.0037 0.002 0.0130 0.000 0.0042 0.001 0.0057 0.019

Firm PerformanceFirm Prior Pct Rec'd Next-stage -0.0059 0.000 -0.151 0.022 -0.0054 0.000 -0.0047 0.201 -0.0056 0.000 -0.0051 0.005Firm Prior Pct IPO 0.0065 0.001 0.246 0.002 0.0059 0.002 0.0089 0.064 0.0058 0.004 0.0067 0.006Firm Prior Pct M&A 0.0064 0.008 0.170 0.023 0.0061 0.010 0.0092 0.211 0.0059 0.015 0.0060 0.015

Firm ExperienceSector Experience 0.0019 0.000 0.030 0.081 0.0019 0.000 0.0018 0.096 0.0020 0.000 0.0015 0.001Same Sector as Prior Fund (binary) 0.0437 0.389 -2.159 0.300 0.0514 0.305 -0.0124 0.931 0.0449 0.381 -0.0548 0.334

Firm ReputationFirm Reputation 1 (binary) -0.2472 0.016 24.586 0.010 -0.2390 0.018 2.1343 0.006 -0.2388 0.021 0.4010 0.015

Market ControlsVintage Year IRR (VE) -0.0030 0.412 0.626 0.016 -0.0034 0.357 0.0176 0.267 -0.0025 0.509 0.0011 0.829Benchmark IRR (Perqin) 0.0040 0.254 0.317 0.012 -0.0014 0.679 0.0280 0.000 0.0030 0.395 0.0223 0.000Log New Capital Commit. to VC -0.0982 0.000 -0.368 0.707 -0.0929 0.000 -0.0917 0.087 -0.0905 0.000 -0.0358 0.226Log S&P P/E at Exit 0.1347 0.491 -7.079 0.384 0.2454 0.207 1.0682 0.091 0.1479 0.459 -0.1188 0.635

Fund ControlsEarly-stage Fund -0.2168 0.000 3.469 0.248 -0.2356 0.000 0.4237 0.060 -0.2447 0.000 -0.0562 0.470First Fund of Firm (binary) -0.8032 0.000 6.884 0.182 -0.7871 0.000 -0.1753 0.570 -0.7984 0.000 -0.0334 0.808Inverse of 2007 Fund Age -2.6118 0.000 31.513 0.189 0.7518 0.171 -3.2650 0.000 -2.3904 0.000 -0.5564 0.272Vintage Year after 1999 (binary) -0.0949 0.396 4.310 0.515 -0.2051 0.060 -0.0987 0.773 -0.0349 0.758 -0.1373 0.329Log Vintage Year minus 1977 1.0533 0.000 0.7727 0.000 0.9721 0.000

Selection VariablesFinancial Institution-Backed (binary) -0.3607 0.000 -0.3556 0.000 -0.3756 0.000Inverse Mills Ratio (selection) -9.641 0.106 0.3999 0.365 0.0311 0.851Constant -2.3520 0.000 25.200 0.359 -2.15 0 -1.7807 0.427 -2.3231 0.000 0.8814 0.307

Pseudo R-Square 0.132 0.131 0.130R-Square 0.166 0.188 0.247No. Obs. 5765 1271 5765 1379 5765 1191

Model C‐HSelection Model A‐4H Selection Model B‐H Selection

Net Internal Rate of Return (IRR) Cash-on-Cash-Ratio (COCR) IRR:COCR (Ln(1+IRR/100)+ Ln( OCR))

Table 6

Heckman Selection Models of Fund Performance on Exit Success Percentages, Prior Firm Performance, Firm Experience, and Reputation

Dependent variables in Probit selection models equal 1 if the related dependent variable is reported by Preqin. Dependent variables in bias‐corrected second‐stage Heckman models are the

Net IRR to fund investors as a percentage, the Cash‐on‐Cash Return as a multiple, and the sum of the natural logs of 1+ IRR in decimal form and the COCR. Investment outcomes are

percentages of companies in which the fund invested. Pct. Rec'd Next‐Stage includes IPO and M&A percentages. Firm performance measures are cumulative percentages for all investments

by prior funds of the same firm. Sector experience is number of prior investments in the same sector as the fund focus based on Venture Economics sectors. Firm Reputation 1 is based on

Nahata (2008). Vintage year IRR is the simple average of vintage year fund IRRs as reported by Venture Economics and Benchmark IRR is the value‐weighted average of vintage year IRRs as

reported by Preqin, both in percentage form. Log of Vintage Year ‐1977 is included in the selection equation to allow for the possibility that reporting likelihood increases in more recent years.

The variable is missing before 1977. The sample of traditional VC funds includes funds that are backed by financial institutions or their affiliates. Financial Institution‐Backed equals 1 for funds

backed by commercial, investment, or merchant banks or their subsidiaries or affiliates. The Coefficient P‐values are two‐tailed, based on robust standard errors. Tests of coefficient equality

are P‐values for associated F statistics.

Coef. P-value Coef. P-value Coef. P-value Coef. P-valueFirm Performance

Diff. in Firm Ln(MA) and Ln(IPO) 0.6430 0.044

Firm Prior Pct Rec'd Next-stage 0.541 0.000 0.003 0.889 0.006 0.705 0.0000 0.932

Firm Prior Pct IPO ‐0.003 0.939 0.312 0.000 0.070 0.007 0.0032 0.225

Firm Prior Pct M&A ‐0.052 0.359 ‐0.019 0.525 0.235 0.000 ‐0.0031 0.232

Firm ExperienceSector Experience ‐0.001 0.887 ‐0.003 0.486 0.000 0.999 0.0000 0.383

Same Sector as Prior Fund (bina 0.197 0.845 ‐0.364 0.610 0.916 0.145 0.0099 0.195

Firm ReputationFirm Reputation 1 (binary) 6.043 0.000 3.651 0.007 ‐0.735 0.414 ‐0.0349 0.006

Market ControlsVintage Year IRR (VE) 0.055 0.439 ‐0.151 0.002 0.155 0.000 0.0023 0.000

Benchmark IRR (Perqin) ‐0.161 0.016 0.157 0.000 ‐0.125 0.002 ‐0.0023 0.000

Log New Capital Commit. to VC 0.092 0.847 ‐2.863 0.000 0.485 0.086 0.0267 0.000

Log S&P P/E at Exit ‐2.884 0.341 ‐3.990 0.081 9.071 0.000 0.1089 0.000

Fund ControlsEarly-stage Fund 11.014 0.000 ‐1.191 0.026 0.877 0.097 0.0173 0.004

First Fund of Firm (binary) 29.314 0.000 3.156 0.013 4.347 0.000 0.0077 0.554

Inverse of 2007 Fund Age ‐106.979 0.000 ‐35.116 0.000 ‐49.119 0.000 ‐0.1270 0.028

Vintage Year after 1999 (binary) 2.155 0.339 ‐6.486 0.000 1.676 0.192 0.0626 0.000

Constant 45.505 0.000 56.595 0.000 ‐21.852 0.000 ‐0.6324 0.000

R‐Square 0.1743 0.2208 0.0547 0.1491

Difference in Fund 

Ln(MA%) and 

Ln(IPO%)

The usable sample included 5765 funds with complete data, from the Venture Economics sample of 6206 conventional US

venture capital funds. Dependent variables are fund investment outcome percentages for the subject fund, based on

companies in which the fund invested. Pct. Rec'd Next‐Stage includes IPO and M&A percentages. Also, the difference

between the fund's M&A percentage in logs (ln(1+M&A%/100)) and its IPO percentage in logs (ln(1+IPO%/100) is used to

test persistence of the proportion of acquisition exits to IPO exits. Firm performance measures are cumulative percentages

for all investments by prior funds of the same firm. Sector experience is number of prior investments in the same sector as

the fund focus based on Venture Economics sectors. Firm Reputation 1 is based on Nahata (2008). Vintage year IRR is the

simple average of vintage year fund IRRs as reported by Venture Economics and Benchmark IRR is the value‐weighted

average of vintage year IRRs as reported by Preqin, both in percentage form. Log of Vintage Year ‐1977 is included in the

selection equation to allow for the possibility that reporting likelihood increases in more recent years. The variable is

missing before 1977. The Coefficient P‐values are two‐tailed, based on robust standard errors. Tests of coefficient equality

are P‐values for associated F statistics.

Table 7

Regression Models of Firm Style Persistence

Percent Receiving 

Next‐stage Funding

Percent of Fund 

Companies that IPO

Percent of  Fund 

Companies that are 

Acquired

IRR P-value IRR P-value IRR P-value IRR P-value IRR P-value IRR P-value IRR P-valueFund Investment Outcomes

Pct Rec'd Next-stage -0.051 0.249 -0.128 0.005 -0.067 0.188 -0.142 0.009 -0.053 0.171 -0.055 0.177 -0.053 0.200Pct IPO 0.275 0.000 0.301 0.000 0.338 0.000 0.362 0.000 0.283 0.000 0.272 0.000 0.271 0.000Pct M&A 0.190 0.001 0.272 0.000 0.228 0.001 0.314 0.000 0.115 0.119 0.151 0.022 0.165 0.009

Firm PerformanceFirm Prior Pct Rec'd Next-stage -0.151 0.022 -0.061 0.309 -0.148 0.079 -0.060 0.451 -0.125 0.023 -0.142 0.017 -0.147 0.018Firm Prior Pct IPO 0.246 0.002 0.180 0.026 0.235 0.009 0.170 0.080 0.210 0.005 0.219 0.008 0.228 0.005Firm Prior Pct M&A 0.170 0.023 0.118 0.104 0.156 0.080 0.119 0.180 0.164 0.027 0.176 0.019 0.175 0.019

Firm ExperienceSector Experience 0.030 0.081 0.029 0.091 0.047 0.068 0.045 0.093 0.032 0.055 0.033 0.051 0.032 0.060Same Sector as Prior Fund (binary) -2.159 0.300 -1.955 0.347 -2.384 0.299 -2.084 0.362 -2.425 0.211 -2.464 0.221 -2.363 0.247

Firm ReputationFirm Reputation 1 (binary) 24.586 0.010 26.155 0.007 32.040 0.019 34.028 0.016 25.290 0.009 24.981 0.009 24.846 0.010

Market ControlsVintage Year IRR (VE) 0.626 0.016 0.474 0.050 0.568 0.053 0.384 0.136 0.471 0.027 0.556 0.018 0.585 0.017Benchmark IRR (Perqin) 0.317 0.012 0.409 0.004 0.472 0.005 0.662 0.000 0.274 0.028 0.290 0.020 0.299 0.016Log New Capital Commit. to VC -0.368 0.707 0.319 0.781 -0.222 0.887 0.676 0.681 -0.386 0.687 -0.415 0.664 -0.410 0.669Log S&P P/E at Exit -7.079 0.384 -1.851 0.829 -17.783 0.214 -19.671 0.217 -7.806 0.298 -7.500 0.332 -7.346 0.350

Fund ControlsEarly-stage Fund 3.469 0.248 2.290 0.464 4.172 0.303 2.401 0.561 1.469 0.612 2.497 0.391 2.911 0.322First Fund of Firm (binary) 6.884 0.182 (dropped) 6.433 0.432 (dropped) 3.347 0.463 3.748 0.437 4.585 0.353Inverse of 2007 Fund Age 31.513 0.189 53.738 0.052 25.477 0.325 44.110 0.144 13.704 0.496 18.900 0.387 22.716 0.315Vintage Year after 1999 (binary) 4.310 0.515 -2.464 0.734 4.263 0.572 -2.841 0.735 5.174 0.341 5.131 0.391 4.876 0.433

Selection VariablesInverse Mills Ratio (selection) -9.641 0.106 -13.026 0.035 -8.490 0.455 -10.987 0.347 -9.056 0.103 -8.756 0.125 -9.017 0.119Constant 25.200 0.359 5.448 0.854 55.305 0.257 55.145 0.311 32.028 0.218 29.387 0.267 28.051 0.294

R-Square 0.166 0.212 0.185 0.236 0.1464 0.153 0.1573No. Obs. 1271 997 1080 851 1271 1379 1271

10‐Year

Table 8

Survivorship, Look‐back, and Attrition Bias Comparisons for Fund IRR Models

Model A‐H4 is repeated from Table 6. Look‐back and survivorship bias effects are assessed by dropping observations of first funds for each firm, dropping funds

launched before 1990, and dropping both. Attrition bias effects are assessed in Heckman selection models with attrition weights based on 6, 8 and 10‐year fund lives.

Dependent variables are the Net IRR to fund investors as a percentage, the Cash‐on‐Cash Return as amultiple, and the sum of the natural logs of 1+ IRR in decimal form

and the COCR. Investment outcomes are percentages of companies in which the fund invested. Pct. Rec'd Next‐Stage includes IPO and M&A percentages. Firm

performance measures are cumulative percentages for all investments by prior funds of the same firm. Sector experience is number of prior investments in the same

sector as the fund focus based on Venture Economics sectors. Firm Reputation 1 is based on Nahata (2008). Vintage year IRR is the simple average of vintage year fund

IRRs as reported by Venture Economics and Benchmark IRR is the value‐weighted average of vintage year IRRs as reported by Preqin, both in percentage form.

Coefficient P‐values are two‐tailed, based on robust standard errors.  

Model A‐4H Drop 1st Funds Drop Before 1990 Drop Both 6‐Year 8‐Year

0%

10%

20%

30%

40%

50%

60%

70%

4 6 11 14 16 22 12 19 28 23 17 15 18 38 32 31 29 56 69 74 96 69 34 24 40 28

19801981198219831984198519861987198819891990199119921993199419951996199719981999200020012002200320042005Centered 3‐year Weighted Average Percentage of Changes to Sector

Number of Sector Changes in Year/Year on which Average is Centered

Figure 1 ‐ Centered 3‐year Moving Average of Firm Changes of Fund Focus by Year of Change to Sector

(Weighted Averages of Annual Percentages of All Changes  for Year)

To Computer Sector

To Internet Sector

To Biotech Sector

To Medical Sector

To Non‐technical Sectors

‐0.4

‐0.2

0

0.2

0.4

0.6

0.8

1 2 3 4 5 6 7 8 9

Regression Coefficient

Sample Quantile

Figure 2 ‐ Least Absolute Deviation ‐Quantile Regression Results for IRR

Pct Rec'd Next‐stagePct IPOPct AcquiredFirm Pct Rec'd Next‐stageFirm Pct IPOFirm Pct AcquiredSector ExperienceSame Sector as Prior FundFirm Reputation 1