Hybrid deep learning approach for multiclass prediction offintech startups
Fintech girişimlerinin çok sınıflı tahmini için hibrit derin öğrenme yaklaşımı
- Tez No: 942453
- Danışmanlar: DOÇ. DR. CUMHUR EKİNCİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: FinTech giriimleri, Snflandrma, Evriimsel Sinir Alar (CNN), Uzun Kisa Süreli Bellek (LSTM), Halka arz, Birleme & Devralma, Unicorn, FinTech startups, Classification, Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), Initial public offering, Merger & Acquisition, Unicorn
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri ve İş Analitiği Ana Bilim Dalı
- Bilim Dalı: Büyük Veri ve İş Analitiği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Finansal yeniliklerin itici gücü olan fintech giriimleri, yüksek baarszlk oranlaryla kar karyadr. Bu durum, yatrm ve politika kararlarn yönlendirecek gelimi öngörü araçlarna olan ihtiyac ortaya koymaktadr. Bu çalma, küresel Crunchbase verilerini kullanarak fintech giriimlerinin sonuçlarn (Halka Arz (IPO), Birleme & Satn Alma (M&A), Kapan ve Unicorn statüsü) tahmin etmeye yönelik çok modelli bir snflandrma çerçevesi sunmaktadr. Yöntem olarak; yalnzca saysal özellikler için gelitirilmi CNN tabanl derin örenme modeli, hem zaman serilerini (ör. yatrm turlar) hem de saysal özellikleri (ör. ekip yaps, fonlama hz) ileyebilen LSTM ve CNN mimarilerini birletiren hibrit derin örenme modeli ile Random Forest (RF) ve XGBoost gibi geleneksel makine örenimi algoritmalar karlatrlmtr. Snf dengesizliini gidermek amacyla ADASYN ar örnekleme ve aznlk snflar için özel bir dizi artrma stratejisi uygulanmtr. Karlatrmalar sonucunda en yüksek doruluk (%92.9) ve makro F1 skoru (%91.9) XGBoost modeliyle elde edilmitir. Random Forest %90.32 makro F1 ile onu takip etmitir. Hibrit LSTM-CNN modeli %89.65 makro F1 skoru ile rekabetçi performans göstermi, özellikle Unicorn snf tahminlerinde CNN ve XGBoost'a kyasla daha iyi sonuçlar vermitir (RF'nin biraz gerisinde kalmtr). CNN modeli de %88.86 makro F1 skoru ile yapsal verilerde güçlü bir alternatif olduunu ortaya koymutur. Sonuçlar, yapsal verilerde topluluk (ensemble) aaç tabanl yöntemlerin gücünü teyit ederken, zaman serisi verilerinin bulunduu durumlarda hibrit derin örenme modellerinin de etkili ve umut vadeden bir alternatif sunduunu göstermektedir. Bu bulgular, giriim deerlendirmesi ve yatrm stratejilerinin gelitirilmesinde çoklu yöntem yaklamlarnn önemini vurgulamaktadr.
Özet (Çeviri)
Fintech startups, while driving financial innovation, experience exceptionally high failure rates, highlighting the need for advanced predictive tools to inform investment and policy decisions. This study proposes a multi-model classification framework to predict fintech startup outcomes Initial Public Offering (IPO), Merger & Acquisition (M&A), Closure, and Unicorn status using global Crunchbase data. We evaluate and compare multiple modeling approaches: a CNN-based model for scalar features, a hybrid deep learning architecture integrating Long Short-Term Memory (LSTM) and Convolutional Neural Networks (CNN) to analyze sequential funding patterns (e.g., investment rounds) alongside scalar features (e.g., team composition, funding velocity), and traditional machine learning models, including Random Forest (RF) and XGBoost. To mitigate class imbalance, we apply ADASYN oversampling and a custom sequence augmentation strategy for minority classes. Benchmarking results show that XGBoost achieves the highest overall accuracy (92.9%) and macro F1-score (91.9%), closely followed by Random Forest (90.32% macro F1). The hybrid LSTM-CNN model performs competitively (89.65% macro F1), demonstrating superior Unicorn prediction compared to standalone CNN and XGBoost. The CNN model also delivers strong performance (88.86% macro F1), validating its effectiveness with structured data. These findings underscore the dominance of tree-based ensemble methods on structured data, while hybrid deep learning models present a compelling alternative particularly when temporal sequential dynamics are critical. The study advocates for multi-method approaches to enhance startup assessment and optimize investment strategies.
Benzer Tezler
- Bazı limon çeşitleri ve bunların melezlerinin morfolojik karakterleri ile uçkurutan (phoma tracheiphila kanc. ve ghik) hastalığına dayanıklılık arasındaki ilişkiler
Başlık çevirisi yok
GÜLİZ GÖRGEN
Yüksek Lisans
Türkçe
1987
ZiraatÇukurova ÜniversitesiBahçe Bitkileri Ana Bilim Dalı
DOÇ. DR. ÖNDER TUZCU
- Kemalpaşa etlik piliç işletmelerinin teknik ve ekonomik yönden incelenmesi
Başlık çevirisi yok
HAYRİ TUNA YÜKSELEN
- Bornova koşullarında 23 melez mısır çeşidinde adaptasyon ve verimlilik araştırması
Başlık çevirisi yok
FERDAN ÇİFTÇİ
- Rana ridibunda (anura-ranidae) kompleksi üzerinde morfolojik, serolojik ve ekolojik araştırmalar
Başlık çevirisi yok
HÜSEYİN ARIKAN
- Yumurta ağırlığının kuluçka sonuçlarına etkisi üzerine bir araştırma
Başlık çevirisi yok
ALİ DEMİRAYLI