شناسایی تراکنش های مشکوک بانکی با استفاده از الگوریتم های یادگیری ماشین

افزایش روزافزون تراکنش های مالی الکترونیکی در سال های اخیر، همراه با پیچیده تر شدن روش های کلاهبرداری، چالش های جدی برای نظام های بانکی و نهادهای نظارتی ایجاد کرده است. روش های سنتی مبتنی بر قواعد ایستا به دلیل ناتوانی در تطبیق با الگوهای متغیر رفتارهای متقلبانه، کارایی محدودی در شناسایی تراکنش های مشکوک دارند. از این رو، استفاده از الگوریتم های یادگیری ماشین به عنوان رویکردی داده محور، توجه بسیاری از پژوهشگران را به خود جلب کرده است. هدف این پژوهش، طراحی و ارزیابی یک چارچوب هوشمند برای شناسایی تراکنش های مشکوک در سیستم های بانکی با بهره گیری از الگوریتم های یادگیری ماشین است. در این راستا، پس از پیش پردازش داده ها و استخراج ویژگی های زمانی و رفتاری، سه مدل رگرسیون لجستیک، جنگل تصادفی و XGBoost آموزش داده شدند. برای مقابله با عدم توازن کلاسی، از روش SMOTE استفاده گردید و عملکرد مدل ها با معیارهایی نظیر دقت، حساسیت، دقت پیش بینی، امتیاز F1 و تحلیل های بصری شامل ماتریس اغتشاش، منحنی ROC و منحنی Precision–Recall ارزیابی شد. نتایج آزمایش ها نشان داد که مدل XGBoost نسبت به سایر مدل ها عملکرد بهتری در شناسایی تراکنش های متقلبانه ارائه می دهد و قادر است با دقت بالا رفتارهای مشکوک را تشخیص دهد. یافته های این پژوهش بیانگر آن است که به کارگیری الگوریتم های پیشرفته یادگیری ماشین می تواند نقش موثری در ارتقای امنیت مالی و کاهش خسارات ناشی از تقلب در نظام بانکی ایفا نماید.

کلیدواژه ها:

تراکنش های مشکوک ، یادگیری ماشین ، شناسایی تقلب