Geri Dön

Hybrid deep learning approach for multiclass prediction offintech startups

Fintech girişimlerinin çok sınıflı tahmini için hibrit derin öğrenme yaklaşımı

  1. Tez No: 942453
  2. Yazar: MORTEZA ROKHASHMAH
  3. Danışmanlar: DOÇ. DR. CUMHUR EKİNCİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Belirtilmemiş.
  6. 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
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Büyük Veri ve İş Analitiği Ana Bilim Dalı
  12. Bilim Dalı: Büyük Veri ve İş Analitiği Bilim Dalı
  13. Sayfa Sayısı: 91

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

  1. Tez No

    966160

    Derin öğrenme algoritmalarına dayalı travma sonrası stres bozukluğunun tahmini

    Prediction of post-traumatic stress disorder based on deeplearning algorithms

    PARISA EBRAHIMPOUR MOGHADDAM TASOUJ

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiAnkara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN SOYSAL

    PROF. DR. OSMAN EROĞUL

  2. Tez No

    946238

    Artificial ıntelligence based sales cancellation/return forecasting software for e-commerce ındustry

    E-ticaret sektörü için yapay zeka tabanli satiş i̇ptal/i̇ade tahminleme yazilimi

    ZEHRA SUDE SARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET FATİH AKAY

  3. Tez No

    859523

    Network intrusion detection system using hybrid deeplearning approaches in software defined networking

    Yazılım tanımlı ağlarda hibrit derin öğrenme yaklaşımlarıkullanılarak ağ saldırı tespit sistemi

    RACHID BEN SAID

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. İMAN ASKERBEYLİ

  4. Tez No

    956568

    Optik koherens tomografi ve retinal fundus görüntüleri kullanılarak çok sınıflı ve çok etiketli göz hastalıklarının derin öğrenme tabanlı sınıflandırılması

    Deep learning-based multi-class and multi-label classification of ocular diseases using optical coherence tomography and retinal fundus images

    MUHAMMED HALİL AKPINAR

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULKADİR ŞENGÜR

  5. Tez No

    797806

    Lidar nokta bulutlarının semantik segmantasyonu için derin öğrenme tabanlı iyileştirilmiş poıntnet++ mimarisi

    An improved deep learning based pointnet++ architecturefor semantic segmentation of lidar point clouds

    ZEYNEP AKBULUT

    Doktora

    Türkçe

    Türkçe

    2023

    Jeodezi ve FotogrametriKaradeniz Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. FEVZİ KARSLI

Geri Dön