کشف تقلب مالی در تراکنش های بانکی با استفاده از الگوریتم های یادگیری ماشین

تقلب مالی یکی از چالش های بزرگ اقتصادی جهان است که سالانه میلیاردها دلار خسارت به سازمان ها، بانک ها و موسسات مالی وارد می کند. با گسترش تراکنش های الکترونیکی و بانکی، روش های سنتی کشف تقلب دیگر کارایی کافی ندارند و نیاز به رویکردهای نوین احساس می شود. هدف این پژوهش طراحی و پیاده سازی مدلی کارآمد برای شناسایی تقلب مالی با استفاده از الگوریتم های یادگیری ماشین است. در این مطالعه الگوریتم های جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVM) و XGBoost بر روی دیتاست ۲۸۴,۸۰۷ تراکنش بانکی شامل ۴۹۲ مورد تقلبی آموزش داده شده و با معیارهای دقت، یادآوری، F۱-Score و AUC ارزیابی شدند. نتایج نشان داد الگوریتم XGBoost با دقت ۹۶.۵ و AUC برابر ۰.۹۸ بهترین عملکرد را در میان الگوریتم های مورد مطالعه دارد. جنگل تصادفی با دقت ۹۴.۲ در رتبه دوم و SVM با دقت ۸۹.۳ در رتبه سوم قرار گرفتند. همچنین استفاده از روش SMOTE برای متوازن سازی داده ها تاثیر قابل توجهی بر بهبود عملکرد مدل ها داشت. یافته های این پژوهش نشان می دهد که یادگیری ماشین ابزار قدرتمندی برای کشف تقلب مالی است و می تواند به طور قابل توجهی ضررهای مالی سازمان ها را کاهش دهد. پیشنهاد می شود بانک ها و موسسات مالی از مدل های یادگیری ماشین در سیستم های هشداردهنده خود استفاده کنند.

کلیدواژه ها:

تقلب مالی ، یادگیری ماشین ، کشف تقلب ، داده کاوی ، XGBoost ، جنگل تصادفی ، امنیت مالی