Машинное обучение в задаче выявления финансового мошенничества

Выпускная квалификационная работа посвящена разработке подходов необходимых для обнаружения скомпрометированных платежных транзакций при покупках в классифайде и оплате их банковской картой. Подходы основаны на поиске признаков мошенничества методами машинного обучения и других аналитических моделей. В рамках исследовательской работы был проведен анализ предметной области, а именно рассмотрены агрегаторы объявлений на Российском рынке, выведены особенности выявления мошенничества с банковскими транзакциями, рассмотрены основные принципы работы классифайдов и способы их монетизации, из чего были выведены три основных сценария мошенничества. Кроме того, был проведен анализ банковских операций и основные типы платежей в интернете. Рассмотрена схема работы одностадийного платежа, двухстадйного и работа протокола 3-D Secure. При формировании требований на основе сценариев мошенничества были сформулированы гипотезы к данным, а также требования к результирующей модели. Помимо этого, были описаны шесть основных алгоритмов классификации: Нейронные сети, Деревья решений, Логистическая регрессия, K ближайших соседей, Метод опорных векторов и Наивный Байес. Разобраны их преимущества и недостатки. Были выбраны инструменты для разработки модели, к которым относятся Python 3.0 и Jupyter Notepad. В дальнейшем они были применены к полученным данным. Сформированные подходы были протестированы на основании реальных данных классифайда, содержащих обезличенную информацию о транзакциях: покупатель, объявление данные транзакции. По итогам апробации, данными моделями была продемонстрирована достаточно высокая предсказательная способность, при которой модели удавалось обнаружить примерно 92% мошеннических операций и достичь уровень F-меры боле 0,99. Полученные комплексные подходы нацелены на использование в качестве алгоритмов проверки транзакций для систем классов Fraud Prevention и Fraud Detection.