Анализ финансовых транзакий.

Введение 4
1 АНАЛИТИЧЕСКИЙ ОБЗОР 5
2 ОПИСАНИЕ НАБОРА ДАННЫХ 10
3 ПОСТАНОВКА И РЕШЕНИЕ ЗАДАЧИ 14
Заключение 22
Список использованных источников 23
Приложение А 25
Приложение Б 26

Весь текст будет доступен после покупки

В условиях стремительного развития цифровой экономики и повсеместного внедрения электронных финансовых сервисов проблема финансовой безопасности становится одной из ключевых для банковских организаций, онлайн-магазинов и финтех-компаний. Мошенничество с финансовыми транзакциями наносит значительный экономический ущерб, поэтому эффективное выявление подозрительных операций является актуальной задачей современной аналитики.
Целью данной научно-исследовательской работы является анализ транзакционных данных с использованием алгоритмов машинного обучения с целью выявления мошеннических операций. Современные подходы к решению таких задач включают применение классификаторов, способных распознавать скрытые закономерности в поведении пользователей и отклонения от нормальной активности.
В работе используются методы обработки и визуализации данных, а также алгоритмы машинного обучения, включая:
? Random Forest и XGBoost — популярные классические модели;
? TabNet — сравнительно новая глубокая модель, редко применяемая в тематике анализа транзакций.

Весь текст будет доступен после покупки

1 АНАЛИТИЧЕСКИЙ ОБЗОР

В последние годы наблюдается стремительный рост объема финансовых транзакций, совершаемых в электронном виде, что, с одной стороны, упрощает повседневные операции пользователей, а с другой — создает широкие возможности для совершения мошеннических действий [1], [15]. По оценкам аналитических агентств, более 70% инцидентов в области киберпреступности в финансовом секторе связаны с несанкционированными переводами, подменой реквизитов и обманом при оплате товаров и услуг [11], [22]. Одним из наиболее эффективных направлений в борьбе с подобными угрозами стало использование алгоритмов машинного обучения, способных обнаруживать скрытые аномалии и нетипичное поведение в транзакционной активности [3], [5]. Современные модели позволяют выявлять мошенничество на ранних этапах, существенно снижая финансовые потери [16]. Однако точность классификации зависит от качества исходных данных, методов балансировки и правильного выбора алгоритма [4], [6].
Проблема обнаружения мошеннических транзакций осложняется сильным дисбалансом классов — на несколько десятков тысяч обычных операций приходится лишь единицы подозрительных [8]. Такие условия приводят к тому, что стандартные алгоритмы, ориентированные на максимизацию общей точности (accuracy), игнорируют малочисленный класс мошенничества, выдавая ложные ощущения высокого качества [9]. В связи с этим необходимы специализированные подходы, учитывающие специфику задачи: использование метрик чувствительности (recall), ROC AUC, применение методов генерации синтетических данных, таких как SMOTE и ADASYN [8], [17]. Также важным является подбор архитектур, способных «видеть» слабые сигналы, указывающие на нетипичное поведение клиента [3], [14]. Решение этой задачи требует применения продвинутых моделей, устойчивых к перекосу в распределении данных [6].
Классические подходы к обнаружению мошенничества включают логистическую регрессию, деревья решений, метод опорных векторов (SVM) и ансамблевые методы, такие как Random Forest и градиентный бустинг [4], [5]. Эти алгоритмы просты в реализации и обладают хорошей интерпретируемостью, что делает их привлекательными для корпоративного применения [3]. Однако при анализе многомерных транзакционных данных они могут проигрывать более глубоким архитектурам, таким как нейронные сети и трансформеры [13]. В частности, Random Forest может терять точность в задачах, где важна последовательность событий или временные зависимости [6], [16]. Тем не менее, в случае хорошо сбалансированных выборок и с тщательно подобранными гиперпараметрами, данные методы способны демонстрировать достойные результаты [5].

Весь текст будет доступен после покупки

1. Герасимов, В. В. Информационная безопасность банковских систем / В. В. Герасимов. – М.: КноРус, 2021. – 296 с.
2. Войтов, А. В. Методы интеллектуального анализа данных / А. В. Войтов. – М.: Инфра-М, 2021. – 312 с.
3. Arik, S. O., Pfister, T. TabNet: Attentive interpretable tabular learning // Proceedings of the AAAI Conference on Artificial Intelligence. – 2021. – Vol. 35, No. 8. – P. 6679–6687.
4. Chawla, N. V. et al. SMOTE: Synthetic Minority Over-sampling Technique // Journal of Artificial Intelligence Research. – 2002. – Vol. 16. – P. 321–357.
5. Chen, T., Guestrin, C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining. – 2016. – P. 785–794.
6. Lundberg, S. M., Lee, S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. – 2017. – Vol. 30.
7. Bhattacharyya, S. et al. Data mining for credit card fraud: A comparative study // Decision Support Systems. – 2011. – Vol. 50. – P. 602–613.
8. Brownlee, J. Imbalanced Classification with Python: Better Metrics, Balance Skewed Classes, and More / J. Brownlee. – Machine Learning Mastery, 2020. – 353 p.

Весь текст будет доступен после покупки