Застосування машинного навчання в контексті підготовки фахівців в сфері трансферу технологій та безпеки фінансових транзакціях
DOI:
https://doi.org/10.31649/1681-7893-2025-50-2-13-29Ключові слова:
машинне навчання, фінансове шахрайство, прогнозування аномалій, ансамблеві методи, Random Forest, Gradient Boosting, XGBoost, трансфер технологій, дисбаланс класів, фінансові транзакціїАнотація
Стаття присвячена актуальній проблемі виявлення шахрайських аномалій у фінансових транзакціях за допомогою методів машинного навчання. В умовах стрімкої цифрової трансформації фінансових систем та зростання обсягів транзакцій традиційні методи виявлення шахрайства стають неефективними, що підкреслює нагальну потребу впровадження автоматизованих та адаптивних рішень. Дослідження базується на поетапному підході, що включає підготовку та обробку даних, побудову та навчання моделей класифікації, а також оцінку їх ефективності. Було проведено порівняльний аналіз семи популярних алгоритмів машинного навчання: лінійної регресії, дерев рішень, випадкового лісу (Random Forest), нейронних мереж, градієнтного бустингу (Gradient Boosting), XGBoost та SVC. Ключові результати дослідження показали, що ансамблеві методи демонструють найвищу ефективність у виявленні шахрайства: Random Forest, Gradient Boosting та XGBoost виявилися найбільш доцільними для задач виявлення шахрайства, демонструючи стабільно високі результати. Це особливо важливо з огляду на типовий дисбаланс класів (невелика кількість шахрайських транзакцій порівняно з легітимними) у реальних фінансових даних. Ефективність моделей значно перевершує інші розглянуті алгоритми, що вказує на їхню здатність виявляти складні, неочевидні закономірності в даних. Було підтверджено критичну важливість правильного налаштування гіперпараметрів моделей та урахування дисбалансу класів для досягнення максимальної точності та повноти виявлення шахрайських транзакцій. Це дозволяє уникнути перенавчання на домінуючому класі та підвищити чутливість системи до рідкісних, але важливих шахрайських випадків. Практична значущість дослідження полягає в тому, що запропонований підхід дозволяє фінансовим установам значно підвищити операційну ефективність, мінімізувати фінансові втрати та зміцнити довіру клієнтів. Впровадження таких систем забезпечує комплексний та адаптивний захист фінансової системи у сучасному динамічному цифровому середовищі. Результати дослідження підтверджують ефективність машинного навчання як потужного інструменту для боротьби з фінансовим шахрайством.
Посилання
Zhou, Y., Shu, K., Liu, H. (2021). Detecting fraud in online transactions using machine learning: A review. ACM Computing Surveys, 54(1), 1–36.
Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50(3), 559–569.
Bhattacharyya, S., Jha, S., Tharakunnel, K., Westland, J. C. (2011). Data mining for credit card fraud: A comparative study. Decision Support Systems, 50(3), 602–613.
Jurgovsky, J., Granitzer, G., Ziegler, K., Calabretto, S., Portier, P. (2018). Sequence classification for credit-card fraud detection. Expert Systems with Applications, 100, 234–245.
Whitrow, C., Hand, D. J., Juszczak, P., Weston, D., Adams, N. M. (2009). Transaction aggregation as a strategy for credit card fraud detection. Data Mining and Knowledge Discovery, 18(1), 30–55.
Chen, Y., Xu, X., Liu, J., Hu, J. (2020). Blockchain-based financial fraud detection: A review. IEEE Access, 8, 111697–111707.
Phua, C., Lee, V., Smith, K., Gayler, R. (2010). A comprehensive survey of data mining-based fraud detection research. arXiv preprint arXiv:1009.6119 [Electronic resource]. Access mode: https://arxiv.org/abs/1009.6119
Bauder, R., Khoshgoftaar, T. M. (2021). The effects of varying class distribution on learner behavior for medicare fraud detection with imbalanced big data. Health Information Science and Systems, 9(1), 1–15.
Association of Certified Fraud Examiners (ACFE). (2022). Report to the Nations: 2022 Global Study on Occupational Fraud and Abuse. Austin, Texas: ACFE. 80 с. [Electronic resource]. Access mode: https://www.acfe.com/report-to-the-nations/2022/
PricewaterhouseCoopers (PwC). (2023). Global Economic Crime and Fraud Survey 2023. 44 с. [Electronic resource]. Access mode: https://www.pwc.com/gx/en/services/forensics/economic-crime-survey.html
International Monetary Fund (IMF). Fraud in Financial Institutions [Electronic resource]. – Access mode: https://www.imf.org/external/index.htm.
Scikit-learn Documentation. Machine Learning in Python [Electronic resource]. – Access mode: https://scikit-learn.org/stable/documentation.html.
XGBoost Documentation. Extreme Gradient Boosting [Electronic resource]. – Access mode: https://xgboost.readthedocs.io/.
Google AI Blog. Fighting Fraud with Machine Learning [Electronic resource]. – Access mode: https://ai.googleblog.com/.
Kaggle. Fraud Detection Datasets [Electronic resource]. – Access mode: https://www.kaggle.com/.
Bishop, C. M. Pattern Recognition and Machine Learning [Electronic resource]. – Access mode: https://www.springer.com/gp/book/9780387310732.
Міністерство фінансів України. Фінансова безпека [Electronic resource]. – Access mode: https://mof.gov.ua/uk/.
Financial Times. Combating Financial Fraud with AI [Electronic resource]. – Access mode: https://www.ft.com/.
International Journal of Financial Studies. AI in Fraud Detection [Electronic resource]. – Access mode: https://www.mdpi.com/journal/ijfs.
Visa Inc. Fraud Prevention with Advanced Analytics [Electronic resource]. – Access mode: https://usa.visa.com/.
##submission.downloads##
-
PDF
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
