Aplicación de Modelos de Aprendizaje Automático en la Detección de Fraudes en Transacciones Financieras

Roberto Carlos Dávila-Morán; Rafael Alan Castillo-Sáenz; Alfonso Renato Vargas-Murillo; Leonardo Velarde Dávila; Elvira García-Huamantumba; Camilo Fermín García-Huamantumba; Renzo Fidel Pasquel Cajas; Carlos Enrique Guanilo Paredes

doi:10.56294/dm2023109

Artículos originales

Published: 2023-10-29

DOI: https://doi.org/10.56294/dm2023109

Aplicación de Modelos de Aprendizaje Automático en la Detección de Fraudes en Transacciones Financieras

Resumen

Introducción: La detección de fraude en transacciones financieras se ha convertido en una preocupación crítica en el panorama financiero actual. Las técnicas de aprendizaje automático se han convertido en una herramienta clave para la detección de fraude dada su capacidad para analizar grandes volúmenes de datos y detectar patrones sutiles.
Objetivo: Evaluar el desempeño de técnicas de aprendizaje automático como Random Forest y Redes neuronales convolucionales para identificar transacciones fraudulentas en tiempo real.
Métodos: Se obtuvo un conjunto de datos del mundo real de transacciones financieras de varias instituciones. Se aplicaron técnicas de preprocesamiento de datos que incluyen imputación múltiple y transformación de variables. Se entrenaron y optimizaron modelos como Random Forest, Redes neuronales convolucionales, Naive Bayes y Regresión logística. El rendimiento se evaluó utilizando métricas como la puntuación F1.
Resultados: Los Random Forest y las Redes neuronales convolucionales lograron una puntuación F1 superior al 95 % en promedio, superando el umbral objetivo. Los Random Forest produjeron la puntuación F1 promedio más alta de 0,956. Se estimó que los modelos detectaban el 45% de las transacciones fraudulentas con baja variabilidad.
Conclusiones: El estudio demostró la eficacia de los modelos de aprendizaje automático, especialmente los Random Forest y las Redes neuronales convolucionales, para una detección precisa del fraude en tiempo real. Su alto desempeño respalda la aplicación de estas técnicas para fortalecer la seguridad financiera. También se discuten futuras direcciones de investigación.

Keywords:

Detección de fraude,

Aprendizaje automático,

Redes neuronales convolucionales,

Random Forest,

Evaluación de rendimiento,

Cómo citar

Dávila-Morán RC, Castillo-Sáenz RA, Vargas-Murillo AR, Velarde Dávila L, García-Huamantumba E, García-Huamantumba CF, Pasquel Cajas RF, Guanilo Paredes CE. Aplicación de Modelos de Aprendizaje Automático en la Detección de Fraudes en Transacciones Financieras. Data and Metadata [Internet]. 29 de octubre de 2023 [citado 7 de julio de 2024];2:109. Disponible en: https://dm.saludcyt.ar/index.php/dm/article/view/109

Aviso de derechos de autor/a

Este artículo se distribuye bajo la licencia Creative Commons Attribution 4.0 License. A menos que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.

Article metrics

Google scholar: See link

Métricas

Cargando métricas ...

Vol. 2 (2023)

See full issue

Revistas / Journals

Issue

Acerca de

Envíos

Aplicación de Modelos de Aprendizaje Automático en la Detección de Fraudes en Transacciones Financieras

Resumen

Keywords:

Cómo citar

Aviso de derechos de autor/a

Article metrics

Métricas

Vol. 2 (2023)

Disclaimer