Детальная информация

Объектом исследования являются транзакции, совершаемые с использованием банковских карт и систем онлайн-платежей, включая обычные и мошеннические операции. Предметом исследования являются методы и модели машинного обучения, применяемые для классификации платежных транзакций и обнаружения мошенничества. Целью работы является разработка и сравнение антифрод-моделей, предназначенных для классификации транзакций на обычные и мошеннические. Для достижения цели решены следующие задачи: проанализированы существующие методы обнаружения мошенничества, подготовлены исходные данные и сформированы признаки транзакций и поведения клиентов, разработаны и реализованы модели HTFDN, MIGFD, CatBoost и случайного леса, проведено их обучение с применением кросс-валидации, выполнено сравнение качества и вычислительных затрат моделей. Качество классификации оценивалось по метрикам F1, Precision и Recall. По результатам исследования наилучший баланс точности и полноты обнаружения мошеннических операций показала модель HTFDN, совместно использующая признаки текущей транзакции, историю клиента и признаки отклонения от его обычного поведения.

The object of the research is transactions performed using bank cards and online payment systems, including legitimate and fraudulent operations. The subject of the research is machine learning methods and models used to classify payment transactions and detect fraud. The aim of the research is to develop and compare anti-fraud models designed to classify transactions as legitimate or fraudulent. To achieve this aim, the following tasks were completed: existing fraud detection methods were analyzed, the source data were prepared and transaction and customer behavior features were constructed, the HTFDN, MIGFD, CatBoost, and Random Forest models were developed and implemented, the models were trained using cross- validation, and their predictive quality and computational costs were compared. Classification quality was evaluated using the F1, Precision, and Recall metrics. The results showed that HTFDN provided the best balance between the precision and recall of fraudulent transaction detection by jointly processing current transaction features, customer history, and deviations from normal behavior.