Применение методов машинного обучения для выявления мошенничества в банковских транзакциях
DOI:
https://doi.org/10.52575/2687-0932-2026-53-1-111-121Ключевые слова:
мошеннические транзакции, интеллектуальные системы, методы машинного обучения, точность модели, эффективность алгоритма, кросс-валидацияАннотация
Статья затрагивает связь массового распространения интеллектуальных технологий и увеличения количества возможных противоправных действий с их использованием. Рассматривается разработка и анализ методов машинного обучения для выявления мошеннических транзакций в финансовой сфере. Актуальность темы обусловлена постоянной эволюцией мошеннических схем, что требует применения инновационных технологий для обеспечения финансовой безопасности. В работе рассматриваются современные подходы к обработке данных, масштабирование и устранение асимметрии данных. Исследование охватывает обучение моделей с использованием четырех алгоритмов: логистической регрессии, дерева решений, метода случайного леса и градиентного спуска. Для оценки качества модели была использована метрика ROC-AUC, а также такие характеристики, как точность, полнота и F1-мера. Лучшие результаты показала модель логистической регрессии, достигнув значения ROC-AUC 0,975 на тестовом наборе данных. Результаты работы подчеркивают практическую ценность моделей машинного обучения как надежного инструмента для минимизации рисков, связанных с мошенническими транзакциями.
Скачивания
Библиографические ссылки
Список литературы
Аскаров Е.Ф., Хамитов Р.М. 2024. Использование временных рядов для прогнозирования мошеннических операций. Экономика и предпринимательство, 3(164): 1356–1359.
Григорьев А. 2023. Машинное обучение. Портфолио реальных проектов. Санкт-Петербург: Питер, 496 с.
Мартин Р. 2022. Чистая архитектура. Искусство разработки программного обеспечения. Санкт-Петербург: Питер, 352 с.
Марченко А.Л. 2023. Python: большая книга примеров. Издательство Московского университета, 361 с.
Окуньков С.В., Барулина М.А., Санбаев А.К. 2023. Мультиклассовая классификация на сильно несбалансированном наборе данных. Фундаментальная и прикладная медицина: материалы Международной конференции молодых ученых, Саратов, 105–106.
Орельен Ж. 2020. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и методы построения интеллектуальных систем, 2-е изд. Санкт-Петербург: ООО "Диалектика", 1520 с.
Плас Дж. В. Python для решения сложных задач: наука о данных и машинное обучение. Санкт-Петербург: Питер, 2021. 576 с.
Траск Э. 2025. Грокаем глубокое обучение. Санкт-Петербург: Питер, 352 с.
Хлобыстова А.О., Абрамов М.В. 2024. Публичность организации как уязвимость при проведении социоинженерной атаки. Информационное общество, 1: 85–93.
Chio K. 2020. Machine learning and security. Protecting systems with data and algorithms. Moscow: DMK Press, 388 p.
ICO Falcon Fraud Manager [Electronic resource]. URL: https://www.fico.com/en/products/fico-falcon-fraud-manager (date of request: 20.10.2025)
Ioffe L. 2024. Application of big data technology for fraud detection in financial transactions. Universum: technical sciences, 2(119): 6.
Kelleher J.D. 2019. Deep Learning. The Massachusetts Institute of Technology, 296 p.
Liu Yu., Li Ya., Xie D. 2024. Implications of imbalanced datasets for empirical ROC-AUC estimation in binary classification tasks. Journal of Statistical Computation and Simulation, 94(1): 183–203.
Madani A. 2023. Debugging Machine Learning Models with Python. Develop high-performance, low bias, and explainable machine learning and deep learning models. Birmingham: Packt Publishing Ltd, 344 p.
Omolara O., Agwubuo C., Onyeche S., Omotoyosi O., Kenneth N. and Olajumoke A. 2024. The impact of big data analytics on financial risk management. International Journal of Science and Research Archive, 12(02): 821–827.
Wang Y., Wang Q., Zhao L., Wang C. 2023. Differential privacy in deep learning: Privacy and beyond. Future Generation Computer Systems, 148: 408–424.
Ye J.X. 2023. A review of two-stage target detection algorithms based on deep learning. Internet Wkly, 18: 16–18.
Yuxi (Hayden) Liu. 2020. Python Machine Learning By Example. Third Edition. Build intelligent systems using Python, Tensor Flow 2, PyTorch, and scikit-learn. Birmingham: Packt Publishing Ltd, 526 p.
Zhu H., Zhou S.Y. 2023. A review of single-stage target detection algorithms based on deep learning. Ind. Control. Comput. 36: 101–103.
References
Askarov E.F., Xamitov R.M. 2024. Ispol`zovanie vremenny`x ryadov dlya prognozirovaniya moshennicheskix operacij [Using time series to predict fraudulent transactions]. E`konomika i predprinimatel`stvo, 3(164):1356–1359.
Grigor`ev A. 2023. Mashinnoe obuchenie. Portfolio real`ny`x proektov [Machine Learning. Portfolio of Real Projects]. Sankt-Peterburg: Piter, 496 s.
Martin R. 2022. Chistaya arxitektura. Iskusstvo razrabotki programmnogo obespecheniya [Clean Architecture. The Art of Software Development]. Sankt-Peterburg: Piter, 352 s.
Marchenko A.L. 2023. Python: bol`shaya kniga primerov [Python: a great book of examples]. Izdatel`stvo Moskovskogo universiteta, 361 s.
Okun`kov S.V., Barulina M.A., Sanbaev A.K. 2023. Mul`tiklassovaya klassifikaciya na sil`no nesbalansirovannom nabore danny`x [Multiclass classification on a highly imbalanced dataset]. Fundamental`naya i prikladnaya medicina: materialy` Mezhdunarodnoj konferencii molody`x ucheny`x, Saratov, 105–106.
Orel`en Zh. 2020. Prikladnoe mashinnoe obuchenie s pomoshh`yu Scikit-Learn, Keras i TensorFlow: koncepcii, instrumenty` i metody` postroeniya intellektual`ny`x sistem [Applied Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Methods for Building Intelligent Systems], 2-e izd. Sankt-Peterburg: OOO Dialektika, 1520 s.
Plas Dzh. V. Python dlya resheniya slozhny`x zadach: nauka o danny`x i mashinnoe obuchenie [Python for solving complex problems: data science and machine learning]. Sankt-Peterburg: Piter, 2021. 576 s.
Trask E`. 2025. Grokaem glubokoe obuchenie [Grok deep learning]. Sankt-Peterburg: Piter, 352 s.
Xloby`stova A.O., Abramov M.V. 2024. Publichnost` organizacii kak uyazvimost` pri provedenii socioinzhenernoj ataki [The organization's public nature as a vulnerability in a social engineering attack]. Informacionnoe obshhestvo, 1:85–93.
Chio K. 2020. Machine learning and security. Protecting systems with data and algorithms. Moscow: DMK Press, 388 p.
ICO Falcon Fraud Manager [Electronic resource]. URL: https://www.fico.com/en/products/fico-falcon-fraud-manager (date of request: 20.10.2025)
Ioffe L. 2024. Application of big data technology for fraud detection in financial transactions. Universum: technical sciences, 2(119): 6.
Kelleher J.D. 2019. Deep Learning. The Massachusetts Institute of Technology, 296 p.
Liu Yu., Li Ya., Xie D. 2024. Implications of imbalanced datasets for empirical ROC-AUC estimation in binary classification tasks. Journal of Statistical Computation and Simulation, 94(1): 183–203.
Madani A. 2023. Debugging Machine Learning Models with Python. Develop high-performance, low bias, and explainable machine learning and deep learning models. Birmingham: Packt Publishing Ltd, 344 p.
Omolara O., Agwubuo C., Onyeche S., Omotoyosi O., Kenneth N. and Olajumoke A. 2024. The impact of big data analytics on financial risk management. International Journal of Science and Research Archive, 12(02): 821–827.
Wang Y., Wang Q., Zhao L., Wang C. 2023. Differential privacy in deep learning: Privacy and beyond. Future Generation Computer Systems, 148: 408–424.
Ye J.X. 2023. A review of two-stage target detection algorithms based on deep learning. Internet Wkly, 18: 16–18.
Yuxi (Hayden) Liu. 2020. Python Machine Learning By Example. Third Edition. Build intelligent systems using Python, Tensor Flow 2, PyTorch, and scikit-learn. Birmingham: Packt Publishing Ltd, 526 p.
Zhu H., Zhou S.Y. 2023. A review of single-stage target detection algorithms based on deep learning. Ind. Control. Comput. 36: 101–103.
Просмотров аннотации: 6
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2026 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
