Detección de fraude transaccional mediante modelos de aprendizaje automático: Una aplicación a una entidad financiera chilena.
| dc.contributor.advisor | Ferreira Cabezas, Guillermo | es |
| dc.contributor.advisor | Meléndez Toso, Pamela | es |
| dc.contributor.author | Luna Moreno, Constanza Paz | es |
| dc.date.accessioned | 2024-10-26T10:24:14Z | |
| dc.date.available | 2024-10-26T10:24:14Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al título de Ingeniera Civil Matemática | es |
| dc.description.abstract | Con el avance continuo de la tecnología moderna, el volumen de transacciones financieras ha aumentado significativamente, lo que a su vez ha generado un incremento en los casos de fraude. Los estafadores están constantemente buscando nuevas tácticas y estrategias para llevar a cabo actividades ilegales, aprovechando las vulnerabilidades de los sistemas financieros. Por consiguiente, el desarrollo de tecnologías de protección contra el fraude se ha vuelto crucial para reducir las pérdidas en las instituciones financieras. Las técnicas de aprendizaje automático son una opción cada vez más estudiada e implementada en la detección de fraude transaccional. Esta Memoria de Título aborda dicho desafío en colaboración con una Institución Financiera Chilena, centrándose en la implementación y comparación de diversos modelos de aprendizaje automático. Estos modelos se entrenan para identificar transacciones fraudulentas con precisión, al mismo tiempo que protegen la integridad de las transacciones legítimas mediante la minimización de las clasificaciones erróneas de fraude, garantizando así una experiencia positiva para el cliente. Los modelos de aprendizaje automático seleccionados para esta tarea incluyen Regresión Logística, Redes Neuronales Artificiales, Máquinas de Vectores de Soporte, AdaBoost, CatBoost, Bosques Aleatorios y Naive Bayes, los cuales fueron comparados tanto entre sí como con el modelo XGBoost utilizado por la Institución Financiera. Los resultados revelaron que, entre todos los modelos evaluados, CatBoost demostró el mejor rendimiento, convirtiéndose así en una herramienta poderosa para combatir el fraude y proteger los activos de los clientes. En esta Memoria de Título, se presentan y comparan una variedad de métodos sólidos para detectar fraudes en transacciones financieras, los cuales podrían ser implementados por la Institución Financiera. Estos métodos contribuyen significativamente al fortalecimiento de las defensas del sector financiero contra esta creciente amenaza. | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Matemática | es |
| dc.description.facultad | Facultad de Ciencias Físicas y Matemáticas | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/5838 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://repositorio.udec.cl/handle/11594/5838 | |
| dc.subject | Fraude | es |
| dc.subject | Instituciones financieras | es |
| dc.subject | Fraude bancario Chile | es |
| dc.title | Detección de fraude transaccional mediante modelos de aprendizaje automático: Una aplicación a una entidad financiera chilena. | es |
| dc.type | Thesis | en |