Modelos de machine learning para la detección de fraude financiero

RESUMEN : Para el desarrollo de esta monografía se partió de la simulación de transacciones de dinero móvil basadas en una muestra real extraída de un mes de registros financieros implementado en un país africano. Los registros originales fueron proporcionados por una empresa multinacional, proveedor del servicio financiero móvil. Dichos datos se toman de Kaggle, los cuales corresponden a una cuarta parte del conjunto de datos original. El mayor reto presentado fue contar con un problema asociado al desbalanceo de los datos en términos de los eventos de fraude, ya que dada la ocurrencia del evento es más confuso poder identificar con mayor precisión el fraude y contar adicionalmente con las mejores métricas para tomar decisiones acertadas y poder escoger el modelo a implementar. Dentro de la solución se hace uso de la generación de datos sintéticos para balancear los eventos de fraude y poder comparar los resultados de los modelos teniendo o no este tipo de balanceo.

• Autores: Londoño Morales, Leidy Marcela; Carmona Mora, Maricela
• Tipo de recurso: Tesis
• Fecha de publicación: 2021
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/20164
• Acceso en línea: http://hdl.handle.net/10495/20164
• Palabra clave: Control automático; Automatic control; Instituciones financieras; Financial institutions; Fraude; Fraud; Evaluación del riesgo de fraude; Fraud risk assessment; Gestión de riesgos; Risk management; Logística; Logística; http://aims.fao.org/aos/agrovoc/c_331401; Machine learning; http://aims.fao.org/aos/agrovoc/c_8139c3d0; http://aims.fao.org/aos/agrovoc/c_8159df21; http://aims.fao.org/aos/agrovoc/c_37934; http://vocabularies.unesco.org/thesaurus/concept3399; http://vocabularies.unesco.org/thesaurus/concept10861
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/2.5/co/