Finansinio sukčiavimo atpažinimo tyrimas naudojant skaitmeninį intelektą̨

Abstract

Dėl augančių technologinių galimybių finansinis sukčiavimas tampa vis sudėtingesnis ir sunkiau aptinkamas. Kadangi yra įvairių finansinio sukčiavimo kategorijų ir tipų, gali būti taikomi skirtingi sukčiavimo atpažinimo būdai. Remiantis duomenų kiekiu, kurį kasdien sugeneruoja finansinės organizacijos, techniniai sprendimai turi būti pritaikomi. Šiame magistro darbe pagrindinis dėmesys skiriamas problemai susijusiai su techniniais ištekliais, reikalingais didelių duomenų analizei, kurie leistų apdoroti operacijų duomenis ir tiksliai aptikti finansinio sukčiavimo modelius, kurie padėtų sumažinti galimą sukčiavimo riziką finansinėse organizacijose. Tyrimo tikslas – išanalizuoti skirtingus sukčiavimo atpažinimo būdus ir apžvelgti jų pritaikomumą, testuojant skirtingų mašininio mokymosi modelių veikimą, ir kaip juos veikia skirtingos finansinių operacijų ypatybės. Šiam tikslui pasiekti buvo atlikta išsami literatūros apžvalga ir ankstesnių tyrimų analizė, o po to praktiškai išbandyti du klasifikavimo modeliai: sprendimų medis ir K-artimiausias kaimynas; įvertintas jų našumo tikslumas ir kaip jį veikia tik vienos operacijos funkcijos panaudojimas. Darbą sudaro 6 dalys: Įvadas, Teorinis tyrimo pagrindas, Mašininio mokymosi panaudojimo finansinio sukčiavimo atskleidimo metodinė bazė, Praktinis dviejų finansinio sukčiavimo nustatymo klasifikavimo metodų palyginimas, Išvados ir apribojimai, Literatūra. Darbo apimtis – 67 p. teksto be priedų, 26 paveikslai, 15 lentelių, 75 bibliografiniai šaltiniai, pridedami 2 priedai.

Due to increasing technical capabilities, financial fraud becomes more sophisticated and more difficult to detect. As there are various categories and typologies of financial fraud, different detection techniques may be applied. However, based on the data generated daily by financial organizations, a technical solution must be implemented. This Master's Thesis focus on solving the problem of the need for technical recourses for big data analysis, that would be able to process the transactional data and accurately detect financial fraud patterns, which would help to minimize the potential risk of fraud in financial organizations. The aim of the research is to analyse different fraud detection techniques and review their adaptability by testing the performance of different machine learning models, and how they are affected by distinct transactional features. To reach this goal a comprehensive literature review and previous research analysis were conducted, followed by practical testing of two classification models: Decision tree and K-nearest neighbour; to evaluate their performance accuracy and how it is affected by using only one transactional feature. Structure: Introduction, Theoretical background of the research, Methodical framework of using machine learning in financial fraud detection, Practical comparison of two classification methods for financial fraud detection, Conclusions and limitations, References. The thesis consists of: 67 p. text without appendixes, 26 figures, 15 tables, 75 bibliographical entries, 2 appendixes included.