Модели машинного обучения как инструмент обнаружения подозрительных банковских транзакций

В условиях цифровой трансформации банковской системы и расширения доступности финансовых услуг проблема обеспечения безопасности банковских транзакций приобретает стратегическое значение. Актуальность темы обусловлена необходимостью изучения проблемы эффективности методов прогнозирования и предотвращения мошенничества, которые являются важными составляющими комплексной системы экономической безопасности в банковском секторе. В данном исследовании сделан акцент на формировании моделей обнаружения мошенничества с банковскими картами. В результате исследования предложены конкретные рекомендации по совершенствованию систем антифрод-защиты в банковском секторе с использованием моделей машинного обучения. В рамках этого исследования были разработаны и протестированы модели XGBoost и ANN для выявления мошеннических транзакций, реализованные на языке Python. Эксперименты продемонстрировали их высокую эффективность, а также гибкость и способность адаптироваться к новым данным. Использование этих моделей позволяет банкам оперативно обнаруживать подозрительные операции, что снижает риски потерь и улучшает общую защищенность финансовой системы. Обеспечение безопасного функционирования системы совершения банковских транзакций требует комплексного подхода, включающего не только внедрение современных аналитических инструментов, но и постоянное обучение и обновление моделей для выявления новых способов мошенничества. Реализация предложенных мер позволит кредитным организациям повысить эффективность защиты от мошенничества, снизить финансовые потери от мошеннических действий и укрепить доверие клиентов.

1. Hernandez Aros L., Bustamante Molano L. X., Gutierrez-Portela F. et al. Financial fraud detection through the application of machine learning techniques: A literature review // Humanities and Social Sciences Communications. 2024. Vol. 11. https://doi.org/10.1057/s41599-024-03606-0.

2. Kalyani S., Gupta N. Is artificial intelligence and machine learning changing the ways of banking: A systematic literature review and meta analysis // Discover Artificial Intelligence. 2023. Vol. 3. https://doi.org/10.1007/s44163-023-00094-0.

3. Курносова В. В. Технологии искусственного интеллекта в банкинге // Экономика и менеджмент инновационных технологий. 2022. № 8. URL: https://ekonomika.snauka.ru/2022/08/23330 (дата обращения: 06.02.2025).

4. Трусова А. Ю., Ильина А. И. Методология внедрения машинного обучения в банковской сфере // Вестник Самарского университета. Экономика и управление. 2023. Т. 14, № 4. С. 186–201. https://doi.org/10.18287/2542-0461-2023-14-4-186-201.

5. Шебалков М. П. Современные методы машинного обучения в банковской отрасли // Экономика и управление: проблемы, решения. 2022. Т. 3, № 9. С. 9–14. https://doi.org/10.36871/ek.up.p.r.2022.09.03.002.

6. Виноградов А. С. Использование машинного обучения в финансовом прогнозировании в банках // Актуальные вопросы современной экономики. 2022. № 5.

7. Аркадьева О. Г. Использование методов машинного обучения для отслеживания социальной инженерии в банковских транзакциях // Oeconomia et Jus. 2024. № 4. С. 1–14. https://doi.org/10.47026/2499-9636-2024-4-1-14.

8. Rajani P. K., Khaparde A., Bendre V. et al. Fraud detection and prevention by face recognition with and without mask for banking application // Multimedia Tools and Applications. 2025. Vol. 84. P. 781–804. https://doi.org/10.1007/s11042-024-19021-1.

9. Аркадьева О. Г., Березина Н. В. Формирование модели государственного регулирования развития технологий искусственного интеллекта в финансовом секторе // Oeconomia et Jus. 2023. № 4. С. 12–21. https://doi.org/10.47026/2499-9636-2023-4-12-21.

10. Лихоузов К. И. Применение задач машинного обучения на платформе распределенных вычислений больших данных в банковской сфере // Цифровая трансформация управления: проблемы и решения : материалы V Всерос. науч.-практич. конф., 11 мая 2023 г., г. Москва. М. : Государственный университет управления, 2023. С. 127–129.

11. Gandhar A., Gupta K., Pandey A. K. et al. Fraud detection using machine learning and deep learning // SN Computer Science. 2024. Vol. 5. https://doi.org/10.1007/s42979-024-02772-x.

12. Credit Card Fraud Detection. URL: https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud/data (дата обращения: 06.02.2025).

13. Wang S., Chen B. Credit card attrition: An overview of machine learning and deep learning techniques // Informatics. Economics. Management. 2023. Vol. 2, no. 4. P. 134–144. https://doi.org/10.47813/2782-5280-2023-2-4-0134-0144.