ПОРІВНЯЛЬНИЙ АНАЛІЗ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ І ВИПАДКОВИХ ЛІСІВ ДЛЯ ВИЯВЛЕННЯ ШАХРАЙСТВА У ФІНАНСОВИХ ТРАНЗАКЦІЯХ
DOI:
https://doi.org/10.15407/economyukr.2026.07.027Ключові слова:
випадковий ліс; штучна нейронна мережа; виявлення шахрайства; алгоритми машинного навчанняАнотація
Виявлення шахрайства у фінансових транзакціях вважається критично важливим питанням, особливо з огляду на зростання кількості шахрайських дій у сучасних фінансових системах. Вивчено можливості застосування методів машинного навчання в аналізі фінансових транзакцій через залучення алгоритмів машинного навчання з учителем, заснованих на бінарній класифікації. З використанням набору даних, що містить 10 000 записів про фінансові транзакції, досліджено модель штучних нейронних мереж (ШНМ) і модель випадкового лісу. Для оцінювання продуктивності запропонованих моделей використано набір показників продуктивності, що включає точність, повноту і F1-міру. Емпіричні результати показують, що модель штучних нейронних мереж досягла точності 90,2 %, тоді як модель випадкового лісу продемонструвала вищу продуктивність з точністю 96,5 % у класифікації шахрайських транзакцій та їх відрізненні від законних.
З метою проведення порівняльного аналізу двох алгоритмів представлено основні графіки, що використовуються в статистиці для оцінювання продуктивності моделей класифікації, у тому числі ROC-аналіз, криву продуктивності та калібрувальний графік. Крім того, визначено найбільш впливові ознаки, що сприяють виявленню шахрайських транзакцій. Відповідно до цього ознаки було ранжировано так: час транзакції, день транзакції, сума транзакції, ідентифікатор транзакції і, нарешті, мерчант, що бере участь у транзакції. Результати дослідження засвідчують ефективність підходів машинного навчання з учителем у підвищенні ефективності виявлення шахрайства у фінансових транзакціях, зокрема, з точки зору досягнення високого рівня повноти й зменшення помилок класифікації.
Посилання
Chung, J., Lee, K. (2023). Credit Card Fraud Detection: An Improved Strategy for High Recall Using KNN, LDA, and Linear Regression. Sensors. 23(18). 7788. https://doi.org/10.3390/s23187788
Awosika, T., Shukla, R., Pranggono, B. (2024). Transparency and privacy: The role of explainable ai and federated learning in financial fraud detection. IEEE Access. https://doi.org/10.1109/ACCESS.2024.3394528
Yao, J., Pan, Y., Yang, S., Chen, Y., Li, Y. (2019). Detecting fraudulent financial statements for the sustainable development of the socio-economy in China: A multi-analytic approach. Sustainability. 11(6). 1579. https://doi.org/10.3390/su11061579
Sorkun, M., Toraman, T. (2017). Fraud detection on financial statements using data mining techniques. Intelligent Systems and Applications in Engineering. 5(3). 132–134. https://doi.org/10.18201/ijisae.2017531428
Hamal, S., Senvar, Ö. (2021). Comparing performances and effectiveness of machine learning classifiers in detecting financial accounting fraud for Turkish SMEs. Int. J. Comput. Intell. Syst. 14(1). 769–782. https://doi.org/10.2991/ijcis.d.210203.007
Albizri, A., Appelbaum, D., Rizzotto, N. (2019). Evaluation of financial statements fraud detection research: A multi-disciplinary analysis. International Journal of Disclosure and Governance. 16(4). 206–241. https://doi.org/10.1057/s41310-019-00067-9
Ashfaq, T., Khalid, R., Yahaya, A., Aslam, S., Azar, A., Alsafari, S., Hameed, I. A. (2022). A Machine Learning and Blockchain Based Efficient Fraud Detection Mechanism. Sensors. 22(19). 7162. https://doi.org/10.3390/s22197162
West, J., Bhattacharya, M., Islam, R. (2015). Intelligent Financial Fraud Detection Practices: An Investigation. In: J. Tian, J. Jing, Srivatsa, M. (Eds.). International Conference on Security and Privacy in Communication Networks. SecureComm 2014. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering. Vol 153. Springer, Cham. https://doi.org/10.1007/978-3-319-23802-9_16
Nguyen, T., Tahir, H., Abdelrazek, M., Babar, A. (2020). Deep learning methods for credit card fraud detection. arXiv Preprint arXiv:2012.03754. https://doi.org/10.48550/arXiv.2012.03754
Isangediok, M., Gajamannage, K. (2022). Fraud detection using optimized machine learning tools under imbalance classes. IEEE. 4275–4284. https://doi.org/10.1109/BigData55660.2022.10020723
Niu, X., Wang, L., Yang, X. (2019). A comparison study of credit card fraud detection: Supervised versus unsupervised. arXiv Preprint arXiv:1904.10604. https://doi.org/10.48550/arXiv.1904.10604
DeLise, T. (2023). Deep semi-supervised anomaly detection for finding fraud in the futures market. arXiv Preprint arXiv:2309.00088. https://doi.org/10.48550/arXiv.2309.00088
Moschini, G., Houssou, R., Bovay, J., Robert-Nicoud, S. (2021). Anomaly and Fraud Detection in Credit Card Transactions Using the ARIMA Model. Engineering Proceedings. 5(1). 56. https://doi.org/10.3390/engproc2021005056
Zavitsanos, E., Kelesis, D., Paliouras, G. (2025). Calibrating TabTransformer for financial misstatement detection. Applied Intelligence. 55(1). 3. https://doi.org/10.1007/s10489-024-05861-9
Gupta, S., Mehta, S. (2024). Data mining-based financial statement fraud detection: Systematic literature review and meta-analysis to estimate data sample mapping of fraudulent companies against non-fraudulent companies. Global Business Review. 25(5). 1290–1313. https://doi.org/10.1177/0972150920984857
Işık, Y., Kefe, İ., Sağlar, J. (2023). Detection of fraudulent transactions using artificial neural networks and decision tree methods. Business & Management Studies: An International Journal. 11(2). 451–467. https://doi.org/10.15295/bmij.v11i2.2200
Hernandez Aros, L., Bustamante Molano, L., Gutierrez-Portela, F., Moreno Hernandez, J., Rodríguez Barrero, M. (2024). Financial fraud detection through the application of machine learning techniques: A literature review. Humanities and Social Sciences Communications. 11(1). 1130. https://doi.org/10.1057/s41599-024-03606-0
Shilpa, H. (2023). Analyzing the Bank Scam's Financial Fraud and its Technological Repercussions using Data Mining. In: IEEE, 2023 Second International Conference on Electronics and Renewable Systems (ICEARS). P. 1553–1559. https://doi.org/10.1109/ICEARS56392.2023.10085354
Kılıç, İ., Önal, S. (2022). Finansal hilelerin tespit edilmesinde kullanilan veri madenciliği yöntemleri ve borsa istanbul’da bir uygulama. Muhasebe ve Denetime Bakış. 22(67). 181–208. https://doi.org/10.55322/mdbakis.1068503
Riskiyadi, M. (2024). Detecting future financial statement fraud using a machine learning model in Indonesia: A comparative study. Asian Review of Accounting. 32(3). 394–422. https://doi.org/10.1108/ARA-02-2023-0062
William, P., Lanke, G., Bordoloi, D., Shrivastava, A., Srivastavaa, A., Deshmukh, S. (2023). Assessment of human activity recognition based on impact of feature extraction prediction accuracy. In: IEEE, 2023 4th International Conference on Intelligent Engineering and Management (ICIEM). P. 1–6. https://doi.org/10.1109/ICIEM59379.2023.10166247
Tamrakar, P., Badholia, A. (2022). Handwritten signature verification technology using deep learning – a review. In: IEEE, 2022 3rd International Conference on Electronics and Sustainable Communication Systems (ICESC). P. 813–817. https://doi.org/10.1109/ICESC54411.2022.9885550
Darwante, N., Sonawane, A., Suralkar, A., Pralhad, R., William, P. (2023). Hybrid model for robotic surveillance using advance computing techniques with IoT. In: 2023 3rd International Conference on Pervasive Computing and Social Networking (ICPCSN). P. 1301–1306. https://doi.org/10.1109/ICPCSN58827.2023.00219
Chavan, P., Autade, S., Pardeshi, D., William, P. (2023). Environmental Impact of Extra High Voltage Systems in Switch Yard Transmission Lines. In: 2023 5th International Conference on Inventive Research in Computing Applications (ICIRCA). P. 1714–1718. https://doi.org/10.1109/ICIRCA57980.2023.10220635
Endait, G., Nikam, A., Bhorkade, P., Lokhande, D., Agarkar, B., William, P. (2023). Hybrid model to predict leaf disease prediction using ensembling machine learning approach. In: 2023 World Conference on Communication & Computing (WCONF). P. 1–7. https://doi.org/10.1109/WCONF58270.2023.10235119
Sasipriya, G., Lavanya, B. (2023). Schema Design with Intelligent Multi-Modelling Computing Techniques for Health Care Applications. In: 2023 2nd International Conference on Applied Artificial Intelligence and Computing (ICAAIC). P. 1152–1158. https://doi.org/10.1109/ICAAIC56838.2023.10140692
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Видавничий дім "Академперіодика" НАН України
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
