银行交易欺诈检测系统
机器学习
2026-04-10 v1
摘要
数字支付系统的扩张增加了在线金融交易的规模和复杂性，从而增加了对欺诈活动的脆弱性。有效检测欺诈行为受到攻击策略不断变化以及真实交易与欺诈交易之间显著差异的制约。本研究引入一种基于机器学习的欺诈检测框架，利用 PaySim 人工金融交易数据集。遵循 CRISP-DM 方法论，研究包括假设驱动的探索性分析、特征细化以及对基线模型（如逻辑回归和基于树的分类器，如随机森林、XGBoost 和决策树）的比较评估。为解决类别不平衡问题，采用 SMOTE 方法，并通过 GridSearchCV 进行超参数调优以增强模型性能。该提出的框架提供了一个稳健且可扩展的解决方案，以增强 FinTech 交易系统中的欺诈防御能力。
引用
@article{arxiv.2604.07952,
title = {Fraud Detection System for Banking Transactions},
author = {Ranya Batsyas and Ritesh Yaduwanshi},
journal= {arXiv preprint arXiv:2604.07952},
year = {2026}
}