Modelos de classificação em fraudes financeiras: comparação de desempenho em casos de crime de smurfing

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLima, Renato Ribeiro de-
Autor(es): dc.contributorMaziero, Erick Galani-
Autor(es): dc.contributorGuimarães, Paulo Henrique Sales-
Autor(es): dc.contributorPires, Danilo Machado-
Autor(es): dc.creatorAlcino, Matheus Saraiva-
Data de aceite: dc.date.accessioned2026-02-09T11:44:09Z-
Data de disponibilização: dc.date.available2026-02-09T11:44:09Z-
Data de envio: dc.date.issued2022-02-25-
Data de envio: dc.date.issued2022-02-25-
Data de envio: dc.date.issued2022-02-25-
Data de envio: dc.date.issued2022-02-02-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/49447-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1146304-
Descrição: dc.descriptionThe difficulty in identifying financial fraud is directly related to technological advances, as the new possibilities of forms of financial transactions, in turn, generate new forms of fraudulent agents to act. In this context, the aim of this study is to explore the theoretical construction of six machine learning (ML) models, in addition to comparing them through specific performance evaluation metrics. Furthermore, this work develops an algorithm to detect a type of financial crime known as smurfing. This algorithm does not use ML techniques, but aims to classify financial transactions as possible fraud through the analysis of pooled data. Given the impossibility of using real financial data, due to its confidentiality, this work is using simulated data. Two different scenarios were generated, both highly unbalanced, in which the behavior of financial fraud varies according to specific parameters. The chosen classification models were logistic model, Fuzzy Rule Based Systems, Artificial Neural Networks, Random Forest, Extreme Gradient Reinforcement and Support Vector Machine. The comparison of the models in the different scenarios was done through a combination of the metrics Area Under de Curve, Recall and Fb , once data are imbalanced. The results showed that the Random Forest and Extreme Gradient Boosting models had the best performances, therefore, it is believed that the use of such models in real data, even with different parameters, can help in tracking illegal financial transactions and identifying fraudsters-
Descrição: dc.descriptionA dificuldade de identificação de fraudes financeiras possui relação direta com o avanço tecnológico, pois as novas possibilidades de formas de transações financeiras geram por sua vez novas formas de agentes fraudadores atuarem. Neste contexto, o objetivo deste estudo é explorar a teoria de seis modelos de machine learning (ML), além de compará-los por meio de métricas específicas de avaliação de desempenho. Ainda, este trabalho desenvolve um algoritmo de detecção de um tipo de crime financeiro conhecido como smurfing. Tal algoritmo não utiliza técnicas de ML, mas objetiva ranquear transações financeiras como possíveis fraudes, através de características analisadas de forma agrupada. Devido à impossibilidade de uso de dados financeiros reais, por causa de sua confidencialidade, este trabalho é desenvolvido utilizando dados simulados. Foram gerados dois diferentes cenários, ambos altamente desbalanceados, em que o comportamento das fraudes financeiras varia de acordo com parâmetros específicos. Os modelos de classificação escolhidos se referem ao modelo logístico, Sistemas Baseados em Regras Fuzzy, Redes Neurais Artificiais, Random Forest, Extreme Gradient Boosting e Support Vector Machine. A comparação dos modelos nos diferentes cenários foi feita através de uma combinação das métricas Area Under de Curve, Recall e Fb , tendo em vista o desbalanceamento dos dados. Os resultados apontaram que os modelos Random Forest e Extreme Gradient Boosting obtiveram os melhores desempenhos e, dessa forma, acredita-se que o uso de tais modelos em dados reais, ainda que com diferentes parametrizações, pode ajudar no rastreamento de operações financeiras ilegais e identificação de fraudadores.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Estatística e Experimentação Agropecuária-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Estatística-
Direitos: dc.rightsacesso aberto-
Palavras-chave: dc.subjectFraudes financeiras-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectSmurfing-
Palavras-chave: dc.subjectSegurança financeira-
Palavras-chave: dc.subjectFinancial frauds-
Palavras-chave: dc.subjectFinancial security-
Palavras-chave: dc.subjectEstatística-
Título: dc.titleModelos de classificação em fraudes financeiras: comparação de desempenho em casos de crime de smurfing-
Título: dc.titleFinancial fraud classification models: performance comparison in smurfing crime cases-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.