An integrated credit scoring and crowdfunding framework for smes : blockchain-based approach with hybridized machine learning and metaheuristics

Abstract

Küçük ve orta ölçekli işletmelerdeki küçük performans iyileştirmeleri bile, değerin %60'ından fazlasını ürettikleri için ekonomi üzerinde olumlu bir etki yaratabilir. Bu tez, Ethereum Sanal Makinesi üzerindeki blockchain teknolojisini kullanarak işlemleri kolaylaştırarak kredi başvuruları için kitle fonlaması projelerinin erişimini genişletmek için bir çerçeve önermeyi amaçlamaktadır. Bununla birlikte, kredi başvurularındaki toplam kötü kredi sayısının en aza indirilmesi zorlu bir süreçtir. Bu nedenle, küçük işletme amaçlı kredilerde başvuru sahibine ikili bir puan vererek kredi başvurularının değerlendirilmesi için başka bir çerçeve önerilmiştir. Bu araştırmada sunulan yöntem, Genetik Algoritmasını (GA) ve Destek Vektör Makinesini (DVM), artan tahmin doğruluğu için iki seviyeli bir besleme mekanizmasında hibridize etmektedir. İlk seviye DVM parametrelerini belirlemek, ikincisi ise sınıflandırma doğruluğunu artıran bir özellik kümesi bulmayı amaçlar. Önerilen yaklaşımı test etmek için üç farklı veri seti; ön çalışma, verinin öğrenmesi ve testinde, GA'yı kullanan diğer yöntemlerle kıyaslamak için araştırılmıştır. Hesaplama sonuçları, önerilen iki seviyeli hibrit GA-DVM yapısı altındaki geri bildirim mekanizmasının, sınıflandırma doğruluğunu etkili bir şekilde geliştirerek literatürdeki diğer sınıflandırma algoritmalarından daha iyi performans sergilediğini göstermektedir.

Even tiny performance improvements in small and medium-sized enterprises may yield a positive impact on the economy as they generate more than 60% of the value. Given that, this thesis aims to propose a framework for expanding the reach of crowdfunding projects for their credit applications by easing the transactions using the blockchain technology on Ethereum Virtual Machine. However, minimizing the total number of bad loans in credit applications is a challenging process. Therefore, another framework is proposed for evaluating credit applications by assigning a binary score to the applicant in small business purpose loans. The method presented in this research hybridizes the Genetic Algorithm (GA) and the Support Vector Machine (SVM) in a bi-level feeding mechanism for increased prediction accuracy. The first level is to determine the parameters of SVM, and the second is to find a feature set that increases classification accuracy. To test the proposed approach, three different data sets were investigated for; preliminary works, large training and testing, and benchmarking against notable methods that adopt GA. The computational results indicate that the proposed method using a feedback mechanism under the hybrid bi-level GA-SVM structure outperforms other classification algorithms in the literature by effectively improving the classification accuracy.