Detección de fraude financiero mediante redes neuronales de clasificación en un caso real español

  1. ELENA BADAL-VALERO 1
  2. BELÉN GARCÍA-CÁRCELES 1
  1. 1 Universitat de València
    info

    Universitat de València

    Valencia, España

    ROR https://ror.org/043nxc105

Revista:
Estudios de economía aplicada

ISSN: 1133-3197,  1697-5731

Año de publicación: 2016

Título del ejemplar: Datos, información y conocimiento en Economía

Volumen: 34

Número: 3

Páginas: 693-710

Tipo: Artículo

DOI: 10.25115/EAE.V34I3.3075 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Estudios de economía aplicada

Objetivos de desarrollo sostenible

Resumen

Este análisis supone una primera aproximación a la implementación de modelos de redes neuronales al trabajo pericial para la detección de operaciones de fraude. Los datos analizados provienen de un caso real de blanqueo de capitales en el que se está colaborando con la Policía Nacional Española. En ellos se cuenta con información de operaciones contables individuales entre las que se cuenta con una proporción de operaciones bien identificadas como fraudulentas con la que es posible entrenar un modelo de clasificación. En este trabajo, tras describir brevemente la metodología utilizada y la estrategia de ajuste se obtiene un modelo con una capacidad predictiva reseñable, incluso con datos de entrenamiento fuertemente desequilibrados. Además, al aplicar técnicas de balanceado de los datos de entrenamiento (SMOTE) se obtiene un resultado que indicaría la viabilidad de este tipo de modelos como herramienta en la planificación y priorización de las tareas de investigación policial, ya que uno de los principales problemas de los investigadores expertos en estos delitos financieros es la incapacidad para traducir la gran cantidad de información que se deriva de las empresas implicadas en patrones de compra de los individuos claramente fraudulentos.

€ Ver financiación

Información de financiación

Las autoras agradecen el apoyo del Ministerio de Economía y Competitividad a través del proyecto CSO2013-43054-R.

Financiadores

Referencias bibliográficas

  • BECK, M.W. (2015). “NeuralNetTools: Visualization and Analysis Tools for Neural Networks”. Version 1.4.0. Disponible en: http://cran.r-project.org/web/packages/ NeuralNetTools/ [27/07/2016].
  • BÜCHLMANN, P., YU B. (2002). “Analyzing Bagging”. The Annals of Statistics. Vol. 30, No. 4, pp. 927-961.
  • CHAWLA, N. V., BOWYER, K. W., HALL, L. O., y KEGELMEYER, W. P. (2002). “Smote: Synthetic minority over-sampling technique”. Journal of Artificial Intelligence Research, pp. 321-357.
  • CARIDAD, J. M., & CEULAR, N. (2001). “Un análisis del mercado de la vivienda a través de redes neuronales artificiales”. Estudios de economía aplicada, (18), pp. 67-81.
  • CHAWLA, N. V., LAZAREVIC, A., HALL, L. O., and BOWYER, K. W. (2003b). “Smoteboost: Improving Prediction of the Minority Class in Boosting”. In Seventh European Conference on Principles and Practice of Knowledge Discovery in Databases, Vol.16, pp. 107-1 19, Dubrovnik, Croatia.
  • DUNCAN, L.T., and CRAN TEAM.(2016). Package ‘RCurl’. Disponible en: https://cran.r-project.org/web/packages/RCurl/index.html [27/07/2016].
  • DUTTA, S. (2013). Statistical Techniques for Forensic Accounting. Upper Saddle River (NJ): FT Press.
  • GOH, A.T. (1995). “Back-propagation neural networks for modelling complex systems”. Artificial Intelligence in Engineering, Vol.9, nº3, pp. 143-151.
  • HASTIE, T., TIBSHIRANI, R., y FRIEDMAN, J. (2008). The Elements of Statistical Learning. Data Mining, Inference, and Prediction (2nd ed.). Standfor: Springer. (pp. 392-396).
  • HEIDARINIA, N., HAROUNABADI, A., y SADEGHZADEH, M. (2014). “An intelligent Anti-Money Laundering Method for Detecting Risky Users in the Banking Systems”. International Journal of Computer Applications. No.22, pp. 35-39.
  • JAPKOWICZ, N. (2000), “The Class Imbalance Problem: Significance and Strategies”. In Proceedings of the 2000 International Conference on Artificial Intelligence (IC-AI'2000): Special Track on Inductive Learning, Las Vegas, Nevada.
  • KHAC, N. L., y KECHADI, M. (2010). “Application of Data Mining for Anti-Money Laundering Detection: A Case Study”. IEEE International Conference on Data Mining Workshops.
  • LIN-TAO, JI, N., y ZHANG, J.-L. (2008). “A RBF neural network model for anty-money laundering”. International Conference on Wavalet Analysis and Pattern Recognition, pp. 209-215.
  • MEIR, R., y RÄSTCH, G. (2003). “An introduction to boosting and leveraging”. Lecture Notes in Computer Science, pp 118-183.
  • MUÑIZ, P. y J. A. ÁLVAREZ (1997). “Comportamiento del Mercado: Hipótesis alternativas”. Revista de Bolsas y Mercados Españoles, Vol.60, pp 29-33.
  • NGAI, E., HU, Y., WONG, Y.,CHEN, Y., y SUN, X. (2011). “The application of data mining techniques in financial fraud detection: A classification frame work and an academic review of literature”. Decision Support Systems, Vol.50, nº3, pp. 559-569.
  • OLDEN, D. (2005). “Illuminating the "black box": a randomization approach for understanding variable contributions in artificial neural networks”. Ecological Modelling, nº 154, pp. 135-150.
  • OLMEDO, E., VELASCO, F., & VALDERAS, J. M. (2007). “Caracterización no lineal y predicción no paramétrica en el IBEX35”. Estudios de Economía Aplicada, 25(3).
  • PETRUCELLI, J. (2012). Detecting Fraud in Organizations: Techniques, Tools, and Resources. Washington DC: John Wiley & Sons, Inc.
  • R CORE TEAM (2015). R: A language and environment for statistical computing. R Foundation for Statistical Computing,Vienna, Austria, ISBN 3-900051-07-0, URL http://www.R-project.org/
  • RIPLEY. (1996). Pattern Recognition and Neural Networks. Cambridge University:Press.
  • SHMIELD, R. y AMES, M. (2013). “Next generation detection engine for fraud and compliance”. SAS Global Forum, pp. 1-6.
  • TORGO, L. (2010) Data Mining using R: learning with case studies, CRC Press (ISBN: 9781439810187).
  • UBERBACHER, E. C., & MURAL, R. J. (1991). “Locating protein-coding regions in human DNA sequences by a multiple sensor-neural network approach”. Proceedings of the National Academy of Sciences, 88(24), pp.11261-11265.
  • U.S. CONGRESS, OFFICE OF TECHNOLOGY ASSESSMENT. (1995). “Information Technologies for Control of Money Laundering”. Washington, DC: U.S: U.S. Government Printing Office. pp. 55-72.
  • VENABLES , W.N. y RIPLEY, B. (2002). Modern Applied Statistics with S. 4th Edition. New York: Springer.
  • WICKHAM, H. (2015). stringr: Simple, Consistent Wrappers for Common String Operations. R package version 1.1.0. https://CRAN.R-project.org/package=stringr
  • WICKHAM, H, y CHANG, W. (2016). devtools: Tools to Make Developing R Packages Easier. R package version 1.12.0. https://CRAN.R-project.org/package=devtools.
Fuente de los datos: Dialnet