
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Lima, Renato Ribeiro de | - |
| Autor(es): dc.contributor | Maziero, Erick Galani | - |
| Autor(es): dc.contributor | Guimarães, Paulo Henrique Sales | - |
| Autor(es): dc.contributor | Pires, Danilo Machado | - |
| Autor(es): dc.creator | Alcino, Matheus Saraiva | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:44:09Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:44:09Z | - |
| Data de envio: dc.date.issued | 2022-02-25 | - |
| Data de envio: dc.date.issued | 2022-02-25 | - |
| Data de envio: dc.date.issued | 2022-02-25 | - |
| Data de envio: dc.date.issued | 2022-02-02 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/49447 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1146304 | - |
| Descrição: dc.description | The 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.description | A 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.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Estatística e Experimentação Agropecuária | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Estatística | - |
| Direitos: dc.rights | acesso aberto | - |
| Palavras-chave: dc.subject | Fraudes financeiras | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Smurfing | - |
| Palavras-chave: dc.subject | Segurança financeira | - |
| Palavras-chave: dc.subject | Financial frauds | - |
| Palavras-chave: dc.subject | Financial security | - |
| Palavras-chave: dc.subject | Estatística | - |
| Título: dc.title | Modelos de classificação em fraudes financeiras: comparação de desempenho em casos de crime de smurfing | - |
| Título: dc.title | Financial fraud classification models: performance comparison in smurfing crime cases | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: