Предмет. Применение современных методов машинного обучения для выявления подозрительных транзакций и предотвращения финансовых потерь в банковской сфере. Цели. Провести сравнительный анализ современных методов машинного обучения, применяемых для выявления мошеннических операций с кредитными картами, чтобы обнаружить наиболее эффективные подходы, которые могут быть внедрены в практику банков для повышения точности и автоматизации процесса обнаружения мошенничества. Методология. Рассмотрены ключевые алгоритмы машинного обучения, такие как нейронные сети и Random Forest, а также методы предобработки и балансировки классов. Модели обучались и тестировались на реальных банковских данных, полученных с платформы Kaggle и включающих в себя 30 предикторов и более 25 000 записей. Оценка эффективности алгоритмов проводилась на основе AUC-ROC-кривых. Результаты. Обнаружено, что алгоритмы, основанные на искусственных нейронных сетях и алгоритме Random Forest, обеспечивают высокую точность при обнаружении мошеннических операций. Установлено, что комбинация этих методов с различными техниками предобработки данных позволяет значительно повысить эффективность антифрод-систем. Выявлено, что использование SMOTE дало возможность существенно улучшить точность предсказаний для миноритарного класса. Выводы. Предложенная методика может быть применена в банковской сфере для повышения надежности антифрод-систем. Результаты работы могут быть полезны для дальнейшего совершенствования систем автоматизированного обнаружения мошенничества и минимизации финансовых потерь, связанных с мошенническими операциями.
Климов В.В., Щукин Б.А. Современные технологии выявления мошеннических транзакций, проводимых с использованием банковских карт // Финансовый бизнес. 2015. № 3. С. 25—30. URL: Link
Maes S., Tuyls K., Vanschoenwinkel B., Manderick B. Credit Card Fraud Detection using Bayesian and Neural Networks: Proc. of the 1st International NAISO Congress on Neuro Fuzzy Technologies. 2002. URL: Link
Yazici Y. Approaches to Fraud Detection on Credit Card Transactions Using Artificial Intelligence Methods. 2020. URL: Link
Бекетнова Ю.М. Сравнительный анализ методов машинного обучения при идентификации признаков вовлеченности кредитных организаций и их клиентов в сомнительные операции // Финансы: теория и практика. 2021. Т. 25. № 5. С. 186—199. URL: Link
Breiman L. Random Forests. Statistics Department University of California, 2001, pp. 5–32. URL: Link
Aleskerov E., Freisleben B., Rao B. CARDWATCH: A Neural Network-Based Database Mining System for Credit Card Fraud Detection: Proc. of the IEEE/IAFE on Computational Intelligence for Financial Engineering. 1997, pp. 220–226. URL: Link
Bentley P., Kim J., Jung G., Choi J. Fuzzy Darwinian Detection of Credit Card Fraud: Proc. of 14th Annual Fall Symposium of the Korean Information Processing Society, 2000. URL: Link
Bolton R., Hand D. Unsupervised Profiling Methods for Fraud Detection, Credit Scoring and Credit Control VII. 2001. URL: Link
Brause R., Langsdorf T., Hepp M. Neural Data Mining for Credit Card Fraud Detection: Proc. of 11th IEEE International Conference on Tools with Artificial Intelligence, 1999. URL: Link
Chan P., Fan W., Prodromidis A., Stolfo S. Distributed Data Mining in Credit Card Fraud Detection. IEEE Intelligent Systems, 1999, vol. 14, pp. 67–74. URL: Link
Dorronsoro J., Ginel F., Sanchez C., Cruz C. Neural Fraud Detection in Credit Card Operations. IEEE Transactions on Neural Networks, 1997, vol. 8, pp. 827–834. URL: Link
Ezawa K., Norton S. Constructing Bayesian Networks to Predict Uncollectible Telecommunications Accounts. IEEE Expert, 1996, October, pp. 45–51. URL: Link
Kim M., Kim T. A Neural Classifier with Fraud Density Map for Effective Credit Card Fraud Detection: Proc. Of IDEAL, 2002, pp. 378–383. URL: Link
Kokkinaki A. On Atypical Database Transactions: Identification of Probable Frauds using Machine Learning for User Profiling: Proc. of IEEE Knowledge and Data Engineering Exchange Workshop, 1997, pp. 107–113. URL: Link
Brabazon A., Cahill J., Keenan P., Walsh D. Identifying Online Credit Card Fraud Using Artificial Immune Systems: IEEE Congress on Evolutionary Computation, 2010, pp. 1–7. URL: Link.
Roy A., Sun J., Mahoney R. et al. Deep Learning Detecting Fraud in Credit Card Transactions: Systems and Information Engineering Design Symposium (SIEDS), 2018, pp. 129–134. URL: Link
Фельдман Е.В., Ручай А.Н., Чербаджи Д.Ю. Модель выявления аномальных банковских транзакций на основе машинного обучения // Вестник УрФО. Безопасность в информационной сфере. 2021. № 1. С. 27—35. URL: Link
Gupta J. Credit Card Fraud Detection Using Machine Learning Algorithms. International Journal of Science and Research, 2023. URL: Link
