Д.В. Березкин, Ши Жуньфан, Ли Тэнцзяо

Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)     

Постановка проблемы. В последние годы во всем мире происходит существенное увеличение эмиссии банковских карт различных типов и рост числа мошеннических транзакций с их использованием. Методы мошенничества постоянно меняются и становятся все более изощренными. Существовавший ранее механизм выявления мошенничества с кредитными картами, который основывался на идентификации человека и дополнялся идентификацией аппаратных средств, сегодня больше не отвечает потребностям идентификации мошенничества. Поэтому поиск эффективных методов выявления мошеннических транзакции с банковскими картами стал насущной проблемой в финансовой сфере. 

Цель. Провести анализ основных методов машинного обучения при обнаружении мошенничества с банковскими картами и сравнить их эффективность.

Результаты. Сделан обзор машинных методов идентификации мошенничества с банковскими картами. Рассмотрены особенности применения нейронных сетей, деревьев решений, случайного леса деревьев и других методов машинного обучения для решения проблемы обнаружения мошенничества. Показана эффективность моделей машинного обучения в решении данной проблемы. В результате проведенного исследования было установлено, что по метрике AUC алгоритм логистической регрессии и метод интегрированного обучения обладают высоким качеством, при этом метод интегрированного обучения работает лучше с точки зрения предсказательной способности мошеннических транзакций на крупные суммы.

Практическая значимость. Выбор наиболее эффективного метода обнаружения мошенничества с банковскими картами позволяет минимизировать убытки банка от этих операций.

Березкин Д.В., Ши Жуньфан, Ли Тэнцзяо. Анализ методов машинного обучения для обнаружения мошеннических транзакций с банковскими картам // Динамика сложных систем. 2021. T. 15. № 2. С. 5−13. DOI: 10.18127/j19997493-202102-01

1. Rafael Roncancio.World Payments Report 2020. Capgemini[EB/OL].https://www.capgemini.com,2020-10.
2. Kokkinaki A I. On atypical database transactions: Identification of probable frauds using machine learning for user profiling[C]. Proceedings of the IEEE Knowledge & Data Engineering Exchange Workshop, KDEX. New York: IEEE. 1997. P. 107–113.
3. Srivastava A., Kundu A., Sural S. et al. Credit card fraud detection using hidden Markov model[J]. IEEE Transactions on dependable and secure computing. 2008. V. 5. № 1. P. 37–48.
4. Sahin Y., Bulkan S., Duman E. A cost-sensitive decision tree approach for fraud detection[J]. Expert Systems with Applications, 2013. V. 40 № 15. P. 5916–5923.
5. Salazar A., Safont G., Vergara L. Semi-Supervised Learning For Imbalanced Classification Of Credit Card Transaction [A]. 2018 International Joint Conference on Neural Networks (IJCNN) [C]. IEEE. 2018. P. 1–7.
6. Zareapoor M., Shamsolmoali P. Application of credit card fraud detection: Based on bagging ensemble classifier [J]. Procedia Computer Science. 2015. V. 48. P. 679–685.
7. Breiman L. Random forests[J]. Machine learning. 2001. V. 45. № 1. P. 5–32.
8. Van Vlasselaer V., Bravo C., Caelen O. et al. APATE: A novel approach for automated credit card transaction fraud detection using network-based extensions[J]. Decision Support Systems. 2015. № 75. P. 38–48.
9. Machine Learning Group – ULB.Credit Card Fraud Detection Anonymized credit card transactions labeled as fraudulent or genuine[EB/OL].https://www.kaggle.com/mlg-ulb/creditcardfraud,2018.
10. Pan Guangwei. Blue Book of China's Banking Industry Development (2017)[M].China Finance Press:Beijing. 2017. P. 3–5.
11. Березкин Д.В., Рожнев А.Ю. Разработка модели оценки платежеспособности клиентов банка с применением алгоритмов машинного обучения // Динамика сложных систем–XXI век. 2018. № 4 С. 59–66.