Universidad Continental (UC), Facultad de Ingeniería, Carrera de Ingeniería Industrial. Ciudad de Huancayo, Perú
Universidad San Ignacio de Loyola (USIL), Facultad de Ciencias Empresariales, Carrera de International Business. Ciudad de Lima, Perú
Universidad Privada del Norte (UPN), Facultad de Derecho y Ciencias Políticas, Carrera de Derecho. Ciudad de Lima, Perú
Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Negocios, Carrera de Administración. Ciudad de Lima, Perú.
Universidad Privada Norbert Wiener (UPNW), Facultad de Ingeniería y Negocios, Carrera de Administración y Negocios Internacionales. Ciudad de Lima, Perú
Universidad Privada Norbert Wiener (UPNW), Facultad de Ingeniería y Negocios, Carrera de Administración y Negocios Internacionales. Ciudad de Lima, Perú
Universidad Nacional Hermilio Valdizán (UNHEVAL), Escuela de Posgrado, Ciudad de Huánuco, Perú
Universidad Autónoma del Perú (UA), Facultad de Ciencias de la Gestión y Comunicaciones, Carrera de Administración de Empresas, Ciudad de Lima, Perú
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.
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.
The statements, opinions and data contained in the journal are solely those of the individual authors and contributors and not of the publisher and the editor(s). We stay neutral with regard to jurisdictional claims in published maps and institutional affiliations.