ارائه مدل جهت تشخيص پروژه هاي موفق يا شكست خورده جمع سپاري مالي با استفاده از تكنيك هاي يادگيري ماشين

Presenting a model for success / failure diagnostics of financial crowdfuning projects using machine learning techniques

جمع سپاري مالي يكي از روش هاي نوين تامين مالي است كه در آن با اشتراك گذاري جزييات كسب و كار و يا هر پروژه اي كه نياز به تامين مالي دارد در يك پلتفرم اينترنتي، سرمايه ي مورد نياز از طريق افراد مختلف جذب مي گردد. پيش بيني موفقيت يا شكست يك پروژه ي جمع سپاري مالي مي تواند به سرمايه گذاران و سرمايه پذيران در تصميم گيري هاي مالي خود كمك نمايد. بدين منظور در اين مقاله، مدلي مبتني بر داده كاوي جهت پيش بيني موفقيت يا شكست پروژه هاي جمع سپاري مالي ايراني ارائه شده است. در روش پيشنهادي ابتدا ويژگي¬هاي موثر بر موفقيت يا شكست پروژه¬ها با مرور ادبيات استخراج گرديده است و سپس سه الگوريتم ECFS، inf-FS و فيشر جهت انتخاب ويژگي¬ها مورد مقايسه قرار گرفته است. سپس چهار الگوريتم آدابوست.ام1، لاجيت بوست، جنگل تصادفي و شبكه عصبي پرسپترون چندلايه براي طبقه بندي و تشكيل مدل پيش بيني مورد مقايسه قرار گرفته است. مدل هاي مذكور براي 747 پروژه ي جمع سپاري با 12 ويژگي، اجرا شده است. نتايج نشان داده¬است كه مدل inf-FS دقت بيشتري را نسبت به مدل هاي رقيب داشته است. همچنين دقت الگوريتم شبكه عصبي پرسپترون چندلايه نسبت به ساير مدل هاي طبقه بندي بالاتر بوده است.

Crowdfunding is one of the new financing methods in which, through the sharing of business details or any project on an Internet platform, required capital is provided through different people. The prediction of the success or failure of a crwodfunding project can help investors in their financial decision-making. In this paper, a model based on machine learning is presented to predict the success or failure of the Iranian crowdfunding projects. In the proposed method, first the success or failure features of the projects are extracted from the literature review, and then three feature selection algorithms: ECFS, inf-FS and Fisher are compared. Then, four classification algorithms: Adaboost.M1, LogitBoost, RandomForest and multilayer perceptron neural network have been compared to classify the projects (succesful or failed). The models are implemented for 747 projects with 12 features. The results show that the inf-FS model has more accuracy than competing models. In addition, the accuracy of the neural network algorithm was higher than other classification models.