ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Інтеграція методів машинного навчання для виявлення та запобігання шахрайству в банківництві
Капріан Юрій

Caprian, Iurie. (2025) “Integration of Machine Learning Techniques in Bank Fraud Detection and Prevention.” Business Inform 12:39–39.
https://doi.org/10.32983/2222-4459-2025-12-39-39

Розділ: Фінанси, грошовий обіг і кредит

Стаття написана англійською мовою
Завантажень/переглядів: 0

УДК 004.8:336.71

Анотація:
Стрімкий розвиток цифрового банкінгу значно підвищив вразливість фінансових установ до різних форм шахрайства, зокрема платіжного шахрайства, крадіжки персональних даних і несанкціонованого доступу до рахунків. Традиційні системи виявлення шахрайства, засновані на правилах, дедалі частіше виявляються неефективними для обробки великих обсягів високочастотних транзакційних даних і швидкої адаптації до нових шахрайських схем. У цьому контексті машинне навчання (Machine Learning, ML) стало ключовим технологічним інструментом для підвищення ефективності виявлення та запобігання банківському шахрайству. У статті досліджується застосування методів машинного навчання в системах виявлення банківського шахрайства з акцентом на контрольовані, неконтрольовані та гібридні підходи. Контрольовані моделі використовують розмічені історичні дані для ідентифікації відомих шахрайських шаблонів, тоді як неконтрольовані методи дозволяють виявляти аномалії в нерозмічених наборах даних. Гібридні підходи поєднують обидві стратегії з метою підвищення стійкості та адаптивності систем. Аналіз базується на сучасних наукових дослідженнях і практичних прикладах впровадження в банківському секторі. Отримані результати свідчать, що системи на основі машинного навчання ефективно ідентифікують аномальні транзакції, знижують рівень хибних спрацювань та підвищують загальну операційну ефективність. Крім того, такі системи сприяють дотриманню регуляторних вимог шляхом забезпечення безперервного моніторингу та більш точної оцінки ризиків. Водночас залишаються суттєві виклики, зокрема проблеми якості та дисбалансу даних, алгоритмічної упередженості, пояснюваності моделей, а також інтеграції ML-рішень у застарілі банківські ІТ-інфраструктури. З метою подолання зазначених проблем у статті запропоновано структуровану модель впровадження ML-орієнтованих систем виявлення шахрайства, що акцентує увагу на управлінні даними, прозорості моделей і відповідності регуляторним вимогам. Дослідження надає практичні рекомендації для науковців і практиків, зацікавлених у створенні масштабованих, надійних та етично відповідальних рішень для запобігання шахрайству в умовах сучасного цифрового банкінгу.

Ключові слова: машинне навчання, виявлення банківського шахрайства, виявлення аномалій, прогнозне моделювання, фінансовий ШІ.

Рис.: 3. Табл.: 1. Бібл.: 20.

Капріан Юрій – аспірант, Державний університет Молдови (вул. Олексія Матеєвича, 60, Кишинів, Молдова)
Email: [email protected]

Список використаних у статті джерел

Abdallah A., Maarof M. A., Zainal A. Fraud detection system: A survey. Journal of Network and Computer Applications. 2016. Vol. 68. P. 90–113. DOI: https://doi.org/10.1016/j.jnca.2016.04.007
Bahnsen A. C., Aouada D., Stojanovic A., Ottersten B. Feature engineering strategies for credit card fraud detection. Expert Systems with Applications. 2016. Vol. 51. P. 134–142. DOI: https://doi.org/10.1016/j.eswa.2015.12.030
Caprian I. Hybrid machine learning frameworks for anomaly detection in financial transactions. Journal of Financial AI Research. 2023. Vol. 1. Iss. 2. P. 15–28.
Caprian I. Adaptive supervised and unsupervised ML approaches for banking fraud prevention. International Journal of Banking Technology. 2024. 2(1), 40–55.
Carcillo F., Le Borgne Y. A., Caelen O., Bontempi G. Scarcity and concept drift in fraud detection: Experimental evaluation of online learning algorithms. Neurocomputing. 2019. Vol. 348. P. 9–20.
Dal Pozzolo A., Caelen O., Le Borgne Y. A. et al. Learned lessons in credit card fraud detection from a practitioner perspective. Expert Systems with Applications. 2015. Vol. 41. Iss. 10. P. 4915–4928. DOI: https://doi.org/10.1016/j.eswa.2014.02.026
Talukder M. A., Hossen R., Uddin M. A. et al. Securing transactions: A hybrid dependable ensemble machine learning model using IHT-LR and grid search. Cybersecurity. 2024. Vol. 7. Art. 32. DOI: https://doi.org/10.1186/s42400-024-00221-z
Almalki F., Masud M. Financial fraud detection using explainable AI and stacking ensemble methods. arXiv. 2025. DOI: https://doi.org/10.48550/arXiv.2505.10050
Ngai E. W. T., Hu Y., Wong Y. H. et al. The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems. 2011. Vol. 50. Iss. 3. P. 559–569. DOI: https://doi.org/10.1016/j.dss.2010.08.006
Nobel S. M. N., Sultana S., Singha S. P. et al. Unmasking banking fraud: Unleashing the power of machine learning and explainable AI (XAI) on imbalanced data. Information. 2024. Vol. 15. Iss. 6. Art. 298. DOI: https://doi.org/10.3390/info15060298
West J., Bhattacharya M. Intelligent financial fraud detection: A comprehensive review. Computers & Security. 2016. Vol. 57. P. 47–66. DOI: https://doi.org/10.1016/j.cose.2015.09.005
Xu B., Wang Y., Liao X., Wang K. Efficient fraud detection using deep boosting decision trees. Decision Support Systems. 2023. Vol. 175. DOI: https://doi.org/10.1016/j.dss.2023.114037
Rojan Z., Adnan M. Financial fraud detection based on machine and deep learning: A review. Indonesian Journal of Computer Science. 2024. Vol. 13. No. 3. P. 4366–4389. DOI: https://doi.org/10.33022/ijcs.v13i3.4059
Phua C., Lee V., Smith K., Gayler R. A comprehensive survey of data mining based fraud detection research. Artificial Intelligence Review. 2010. Vol. 34. Iss. 1. P. 1–14. DOI: https://doi.org/10.48550/arXiv.1009.6119
Mishra B. R., Gadasandula K., Saini G. et al. The role of artificial intelligence in fraud detection and prevention in banking. Journal of Information Systems Engineering and Management. 2025. Vol. 10. No. 49s. P. 1167–1173. DOI: https://doi.org/10.52783/jisem.v10i49s.10061
Ismail M. M., Haq M. A. Enhancing enterprise financial fraud detection using machine learning. Engineering, Technology & Applied Science Research. 2024. Vol. 14. No. 4. P. 14854–14861. DOI: https://doi.org/10.48084/etasr.7437
Ihsan H. AI-driven evolution of fraud detection in digital banking. Journal of Social Sciences and Humanities Archives. 2024. Vol. 1. Iss. 1. P. 9–18.
Kacheru G., Bajjuru R., Arthan N. Artificial intelligence in finance: Predictive analytics, fraud detection, and risk management in 2024. Formosa Journal of Science and Technology. 2025. Vol. 4. No. 1. P. 141–154. DOI: https://doi.org/10.55927/fjst.v4i1.13398
Chennuri S. Advancing fraud detection in banking: Integration of data pipelines, machine learning, and cloud computing. International Journal for Multidisciplinary Research. 2024. Vol. 6. Iss. 6. DOI: https://doi.org/10.36948/ijfmr.2024.v06i06.29893
Hafez I. Y., Hafez A. Y., Saleh A. et al. A systematic review of AI-enhanced techniques in credit card fraud detection. Journal of Big Data. 2025. Vol. 12. Art. 6. DOI: https://doi.org/10.1186/s40537-024-01048-8

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру