Redes Neuronales Densas y Redes Neuronales Convolucionales para la detección de fraudes en movimientos transaccionales

e451

Resumen

En la actualidad, el fraude bancario afecta a empresas y usuarios de instituciones financieras, generando pérdidas económicas considerables que afectan la confianza en los sistemas de pago y en las transacciones electrónicas. Los métodos tradicionalmente utilizados para la detección de actividades fraudulentas, que se basan en reglas predefinidas y análisis manuales, son insuficientes para hacerle frente a un gran volumen de datos, que cada vez es más complejo. En el presente estudio se aplican técnicas y modelos de Deep Learning (DL) como redes neuronales densas (DNN) y redes neuronales convolucionales (CNN), con el objetivo de detectar transacciones de carácter fraudulento en el ámbito financiero, aportando así, a la seguridad de los sistemas bancarios en línea. La implementación en conjunto de los modelos DNN y CNN muestra un resultado positivo, con un AUC-ROC superior a 0,8 y una sensibilidad mayor al 80%. Lo cual implica que, los modelos permiten detectar un número considerable de estafas sin comprometer la exactitud global del sistema. Por lo tanto, la implementación de redes neuronales profundas, y su combinación con diferentes arquitecturas, puede ser una excelente alternativa para la detección de estafas y fraudes en el sistema bancario.