ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

ROR

ЕДРПОУ 05481984

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

КАТАЛОГ

Машинне навчання для виявлення шахрайства в цифровому банкінгу та DeFi: прямування до стійких фінансових систем
Капріан Іуріє, Капріан І., Лом І. В.

Caprian, Iurie., Caprian, Iulia., and Lom, Ionut Valentin. (2026) “Machine Learning for Fraud Detection in Digital Banking and DeFi: Towards Sustainable Financial Systems.” Business Inform 8:96–106.
https://doi.org/10.32983/2222-4459-2026-8-96-106

Розділ: Інформаційні технології в економіці

Стаття написана англійською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 336.7:343:5:004.8

Анотація:
Швидкий розвиток цифрового банкінгу та децентралізованих фінансів (DeFi) ускладнив виявлення фінансового шахрайства. Хоча методи машинного навчання все частіше застосовуються для такого виявлення, наявна література є фрагментарною щодо порівняльної ефективності різних алгоритмів за умов сильної дисбалансованості, а також наслідків їх використання для децентралізованих і стійких фінансових систем. Метою дослідження була порівняльна оцінка обраних методів контрольованого машинного навчання для виявлення фінансового шахрайства та розгляд наслідків їх застосування для цифрового банкінгу, DeFi та стійких фінансових систем. У дослідженні використовувався загально доступний набір даних Credit Card Fraud Detection, що містить анонімізовані фінансові транзакції зі сильно дисбалансованим співвідношенням між достовірними та маніпулятивними спостереженнями. Було порівняно три алгоритми керованого машинного навчання: Logistic Regression, Random Forest та XGBoost. Підготовку даних та оцінку моделей реалізовано на мові Python за допомогою бібліотек Scikit-learn та XGBoost. Продуктивність моделей оцінювалась за точністю, повнотою, показником F1-score та метрикою ROC-AUC. Порівняльні результати показали, що моделі на основі ансамблів, особливо XGBoost, досягли кращих загальних результатів у порівнянні з Logistic Regression за обраними метриками оцінки. Random Forest також продемонстрував конкурентоспроможну продуктивність, що підтверджує застосовність ансамблевих підходів для виявлення шахрайства щодо складних і сильно незбалансованих фінансових даних. Науковий внесок цього дослідження полягає у порівняльній оцінці трьох широко використовуваних підходів машинного навчання в межах єдиної системи виявлення шахрайства та у пов?язуванні отриманих результатів із актуальними викликами DeFi та стійким фінансовим системам. Дослідження також розглядає роль пояснювального штучного інтелекту у підвищенні прозорості та зрозумілості у застосуванні машинного навчання до фінансових завдань. Отримані результати можуть бути корисними фінансовим установам та провайдерам цифрових фінансових послуг при обранні відповідних підходів машинного навчання для виявлення шахрайства та знаходженні балансу між передбачуваною ефективністю, прозорістю та операційними вимогами. Стосовно DeFi, підкреслюється необхідність адаптивних аналітичних підходів, здатних враховувати специфічні ризики децентралізованих фінансових екосистем. За результатами дослідження зроблено висновок, що машинне навчання, особливо підходи на основі ансамблів, має значний потенціал для поліпшеного виявлення шахрайства та для сприяння створенню безпечніших, більш стійких і резильєнтних цифрових фінансових систем.

Ключові слова: машинне навчання; виявлення шахрайства; FinTech; DeFi; блокчейн; пояснювальний штучний інтелект; стійкість.

Рис.: 2. Табл.: 2. Бібл.: 28.

Капріан Іуріє – аспірант, кафедра бізнесу та адміністрування, Державний університет Молдови (вул. Олексія Матеєвича, 60, Кишинів, Молдова)
Email: [email protected]
Капріан Іулія – доктор філософії, доцент, факультет економіки та правових наук, Державний університет Молдови (вул. Олексія Матеєвича, 60, Кишинів, Молдова)
Email: [email protected]
Лом Іонут Валентін – науковий співробітник, відділ фінансів і банківської справи, Національний інститут аерокосмічних досліджень «Еліє Карафолі» (INCAS) (бульв. Юліу Маніу, 220, сектор 6, Бухарест, 061126, Румунія)
Email: [email protected]

Список використаних у статті джерел

Bhattacharyya S., Jha S., Tharakunnel K., Westland J. C. Data Mining for Credit Card Fraud: A Comparative Study. Decision Support Systems. 2011. Vol. 50. No. 3. P. 602–613. DOI: https://doi.org/10.1016/j.dss.2010.08.008
Chen T., Guestrin C. XGBoost: A scalable tree boosting system. У: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, CA, 2016. P. 785–794. DOI: https://doi.org/10.1145/2939672.2939785
Lundberg S. M., Lee S. I. A Unified Approach to Interpreting Model Predictions. У: Advances in Neural Information Processing Systems (NeurIPS). 2017. P. 4765–4774. URL: https://papers.nips.cc/paper/7062-a-unified-approach-to-interpreting-model-predictions
Ngai E. W. T., Hu Y., Wong Y. H., Chen Y., Sun X. The Application of Data Mining Techniques in Financial Fraud Detection: A Classification Framework and Academic Review of Literature. Decision Support Systems. 2011. Vol. 50. No. 3. P. 559–569. DOI: https://doi.org/10.1016/j.dss.2010.08.006 URL: https://www.sciencedirect.com/science/article/pii/S0167923610001302
Dal Pozzolo A., Boracchi G., Caelen O., Alippi C., Bontempi G. Credit Card Fraud Detection: A Realistic Modeling and a New Learning Strategy. IEEE Transactions on Neural Networks and Learning Systems. 2018. Vol. 29. No. 8. P. 3784–3797. DOI: https://doi.org/10.1109/TNNLS.2017.2736643
Carcillo F., Le Borgne Y. A., Caelen O., Bontempi G. Combining unsupervised and supervised learning in credit card fraud detection. Information Sciences. 2021. Vol. 557. P. 317–331. DOI: https://doi.org/10.1016/j.ins.2019.05.042
Nakamoto S. Bitcoin: A Peer?to?Peer Electronic Cash System. 2008. URL: https://bitcoin.org/bitcoin.pdf
Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, MA : MIT Press, 2016. URL: https://www.deeplearningbook.org
Fiore U., De Santis A., Perla F., Zanetti P., Palmieri F. Using Generative Adversarial Networks to Improve Classification Effectiveness in Credit Card Fraud Detection. Information Sciences. 2019. Vol. 479. P. 448–455. DOI: https://doi.org/10.1016/j.ins.2017.12.030
Kourtney Y., Lu C. T., Sirwongwattana S., Huang Y. P. Survey on Fraud Detection Techniques. У: Proceedings of the IEEE International Conference on Networking, Sensing and Control. 2004. P. 749–754. DOI: https://doi.org/10.1109/ICNSC.2004.1297040
Phua C., Lee V., Smith K., Gayler R. A Comprehensive Survey of Data Mining?based Fraud Detection Research. arXiv preprint. arXiv:1009.6119, 2010. URL: https://arxiv.org/abs/1009.6119
Ahmed M., Mahmood A. N., Hu J. A Survey of Network Anomaly Detection Techniques. Journal of Network and Computer Applications. 2016. Vol. 60. P. 19–31. DOI: https://doi.org/10.1016/j.jnca.2015.11.016
Weber M., Domeniconi G., Chen J., Weidele D. K., Bellei C., Robinson T., Leiserson C. E. Anti?Money Laundering in Bitcoin: Experimenting with Graph Convolutional Networks. arXiv preprint. arXiv:1908.02591, 2019. URL: https://arxiv.org/abs/1908.02591
Kshetri N. Blockchain's Roles in Strengthening Cybersecurity and Protecting Privacy. Telecommunications Policy. 2017. Vol. 41. No. 10. P. 1027–1038. DOI: https://doi.org/10.1016/j.telpol.2017.09.003
Schar F. Decentralized Finance: On Blockchain? and Smart Contract?Based Financial Markets. Federal Reserve Bank of St. Louis Review. 2021. Vol. 103. No. 2. P. 153–174. DOI: https://doi.org/10.20955/r.103.153-74
Arner D. W., Barberis J., Buckley R. P. FinTech and RegTech: Impact on Regulators and Banks. Journal of Banking Regulation. 2018. Vol. 19. No. 4. P. 329–344. DOI: https://doi.org/10.1057/s41261-017-0037-1
Esteva A., Kuprel B., Novoa R. A., et al. Dermatologist?Level Classification of Skin Cancer with Deep Neural Networks. Nature. 2017. Vol. 542. P. 115–118. DOI: https://doi.org/10.1038/nature21056
Lundberg S. M., Erion G., Lee S. I. Consistent Individualized Feature Attribution for Tree Ensembles. arXiv preprint. arXiv:1802.03888, 2018. URL: https://arxiv.org/abs/1802.03888
Aggarwal C. C. Outlier Analysis. 2nd ed. Cham : Springer, 2017. DOI: https://doi.org/10.1007/978-3-319-47578-3
Kingma D. P., Welling M. Auto?Encoding Variational Bayes. arXiv preprint. arXiv:1312.6114, 2013. URL: https://arxiv.org/abs/1312.6114
Brown T., Mann B., Ryder N., et al. Language Models are Few?Shot Learners. У: Advances in Neural Information Processing Systems. 2020. DOI: https://doi.org/10.48550/arXiv.2005.14165
Zohar A. Bitcoin: Under the Hood. Communications of the ACM. 2015. Vol. 58. P. 104–113. DOI: https://doi.org/10.1145/2701411
Cong L. W., He Z. Blockchain Disruption and Smart Contracts. Review of Financial Studies. 2019. Vol. 32. No. 5. P. 1754–1797. DOI: https://doi.org/10.1093/rfs/hhz007
Allen F., Gu X., Jagtiani J. A Survey of FinTech Research and Policy Discussion. Review of Corporate Finance. 2021. Vol. 1. No. 3–4. P. 259–339. DOI: https://doi.org/10.1561/114.00000008
McNally S., Roche J., Caton S. Predicting the Price of Bitcoin Using Machine Learning. 26th Euromicro International Conference on Parallel, Distributed and Network?Based Processing (PDP). 2018. DOI: https://doi.org/10.1109/PDP2018.2018.00060
Ertam F. Detecting Ethereum Fraud in Near Real?Time Using Explainable Artificial Intelligence in Blockchain Networks. Applied Sciences. 2025. Vol. 15. Art. 10841. DOI: https://doi.org/10.3390/app152110841
Ghnemat R., Mosa H. Blockchain?Based Fraud Detection: A Systematic Review of Ethereum Network Applications. Cluster Computing. 2025. Vol. 28. Art. 1080. DOI: https://doi.org/10.1007/s10586-025-04962-9
Caprian I. A Hybrid Modular Architecture for Fraud Detection Using Offline and Online Machine Learning Models. The Problems of Economy. 2025. No. 3. P. 312–320. DOI: https://doi.org/10.32983/2222-0712-2025-3-312-320