تشخیص تقلب مالی با استفاده از یادگیری عمیق و الگوریتم های شناسایی الگو در داده های حسابرسی

در سال های اخیر، گسترش ابزارهای بانکی الکترونیک و افزایش حجم تراکنش های دیجیتال، بستر وقوع تقلب های مالی را گسترده تر کرده است. این پژوهش با هدف طراحی و ارزیابی یک چارچوب هوشمند برای تشخیص تقلب در تراکنش های بانکی ایران، با استفاده از الگوریتم های یادگیری عمیق انجام شده است. داده های واقعی شامل ۲۵۰۰ رکورد تراکنش (۱۲۵۰ تقلبی و ۱۲۵۰ عادی) از درگاه های POS، اینترنت بانک و موبایل بانک، مبنای تحلیل قرار گرفتند. شاخص های کلیدی شامل مبلغ تراکنش، فاصله زمانی تا تراکنش قبلی و تعداد تلاش های ناموفق به عنوان متغیرهای رفتاری کلیدی در مدل لحاظ شدند. مدل ترکیبی شبکه عصبی عمیق (DNN) و شبکه عصبی گرافی (GNN) با نمونه سازی هوشمند SMOTE بهترین عملکرد را نشان داد؛ به طوری که دقت کلی مدل ۹۷.۲٪، حساسیت ۹۵.۸٪، و AUC برابر با ۰.۹۸۳ به دست آمد. تحلیل نمودار ROC و استفاده از روش SHAP برای توضیح پذیری مدل نیز نشان دادند که مدل قادر است به صورت شفاف و قابل اعتماد الگوهای تقلب را تشخیص دهد. یافته های این پژوهش بیانگر اثربخشی مدل های یادگیری عمیق در محیط بانکی ایران و ضرورت استفاده از آن ها در سامانه های هشدار بلادرنگ برای کاهش ریسک عملیاتی و مالی ناشی از تقلب است.

کلیدواژه ها:

تقلب مالی ، تراکنش بانکی ، یادگیری عمیق ، شبکه عصبی گرافی ، SHAP ، تحلیل رفتاری ، کشف تقلب در ایران