Payment card fraud detection using machine learning

Angelina Uvaliyeva

Master's thesis

Abstract:

Podvody s platebními kartami stojí každoročně všechny vydavatele karet miliardy dolarů. Banky proto každým rokem vynakládají větší úsilí na zdokonalování metod analýzy dat k efektivnímu odhalování podvodů s kartami. Existují různé techniky pro odhalování podvodných transakcí, ale nejúčinnější a nejpoužívanější jsou metody hlubokého učení. Hluboké učení jako jedna z podskupin strojového učení se stává nejoblíbenějším výzkumným bodem. Hluboké učení využívá umělé neuronové sítě. Umělé neuronové sítě jsou flexibilní a přizpůsobivé k řešení složitých problémů, které je obtížné popsat matematickým modelem. Účelem této práce je implementovat algoritmus neuronové sítě schopný analyzovat soubor dat o podvodech s kreditními kartami pocházející z jedné české banky. Typ použité neuronové sítě je vícevrstvý perceptron. Byly vyvinuty neuronové sítě s různým počtem vrstev, neuronů, různými aktivačními funkcemi a optimalizátory. K porovnání modelů byly použíty metriky Recall, Precision, F1-score a AUROC.

Abstract:

Payment card frauds cost billions of dollars to all card issuers every year. Therefore, banks make more effort every year to improve the methods of analyzing data to effectively detect card frauds. There are various techniques for detecting fraud transactions but the most effective and used ones are deep learning methods. Deep learning as one of the subsets of machine learning is becoming the most popular research point. Deep learning uses artificial neural networks. Artificial neural networks are flexible and self-adaptive to solve complex problems that are difficult to describe with a mathematical model. The purpose of this work is to implement a neural network algorithm able to analyze a credit card fraud data set originated from one local Czech bank. The type of neural network used is multilayer perceptron. Neural networks with different parameters of layers, neurons, activation functions and optimizers were developed. To compare the models metrics Recall, Precision, F1-score and AUROC were used.

Keywords

Umělá neuronová síť, Hluboké učení, Podvody, Detekce podvodů

Keywords

Fraud, Deep learning, Fraud detection, Neural Network

Language used: English

Date on which the thesis was submitted / produced: 30. 6. 2022

Thesis defence

• Date of defence: 29. 8. 2022
• Supervisor: Michal Černý
• Reader: Vladimír Holý

Vysoká škola ekonomická v Praze

Master programme / field:
Kvantitativní metody v ekonomice / Ekonometrie a operační výzkum