Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero

Autores
Chambi Condori, Pedro Pablo; Saravia Ticona, Telma Raquel
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión aceptada
Descripción
El fraude financiero se ha convertido en una amenaza cada vez más seria para las instituciones y los usuarios en el mundo digital. Este estudio tiene como objetivo principal evaluar diferentes modelos de machine learning que se utilizan para detectar el fraude financiero, comparando su efectividad, precisión y capacidad de generalización. Se examinaron algoritmos supervisados como la regresión logística, los árboles de decisión, el randomforest y las máquinas de soporte vectorial, además de técnicas más avanzadas como XGBoost y redes neuronales. La evaluación se realizó utilizando métricas como la exactitud, precisión, recall y AUC-ROC, empleando conjuntos de datos reales y desbalanceados. Los resultados esperados mostraron que los modelos de Regresión Logística, Random Forest y la Red Neuronal tuvieron un rendimiento prometedor, cada uno destacando en diferentes aspectos de Precisión y Recall. La selección del modelo más adecuado y su umbral de clasificación final debe hacerse con una cuidadosa consideración de los requisitos operativos y los costos de negocio relacionados con los distintos tipos de errores de clasificación. En conclusión, elegir el modelo correcto, junto con un preprocesamiento adecuado, es fundamental para mejorar la prevención del fraude en el ámbito financiero
Fil: Saravia Ticona, Telma Raquel. Universidad Nacional Jorge Basadre Grohmann; Perú.
Fil: Chambi Condori, Pedro Pablo. Universidad Nacional Jorge Basadre Grohmann; Perú.
Materia
Information systems
Artificial intelligence
Finance
Crime prevention
Decision making
Data analysis
Mathematical models
Sistema de información
Inteligencia artificial
Finanzas
Prevención del crimen
Toma de decisiones
Análisis de datos
Modelo matemático
Système d'information
Intelligence artificielle
Finances
Prévention du crime
Prise de décision
Analyse de données
Modèle mathématique
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by/4.0/
Repositorio
Repositorio Digital (UNVM)
Institución
Universidad Nacional de Villa María
OAI Identificador
oai:biblio.unvm.edu.ar:48197

id RDUNVM_81659f46c12ffa85dff9350df028d43a
oai_identifier_str oai:biblio.unvm.edu.ar:48197
network_acronym_str RDUNVM
repository_id_str 4256
network_name_str Repositorio Digital (UNVM)
spelling Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financieroChambi Condori, Pedro PabloSaravia Ticona, Telma RaquelInformation systemsArtificial intelligenceFinanceCrime preventionDecision makingData analysisMathematical modelsSistema de informaciónInteligencia artificialFinanzasPrevención del crimenToma de decisionesAnálisis de datosModelo matemáticoSystème d'informationIntelligence artificielleFinancesPrévention du crimePrise de décisionAnalyse de donnéesModèle mathématiqueEl fraude financiero se ha convertido en una amenaza cada vez más seria para las instituciones y los usuarios en el mundo digital. Este estudio tiene como objetivo principal evaluar diferentes modelos de machine learning que se utilizan para detectar el fraude financiero, comparando su efectividad, precisión y capacidad de generalización. Se examinaron algoritmos supervisados como la regresión logística, los árboles de decisión, el randomforest y las máquinas de soporte vectorial, además de técnicas más avanzadas como XGBoost y redes neuronales. La evaluación se realizó utilizando métricas como la exactitud, precisión, recall y AUC-ROC, empleando conjuntos de datos reales y desbalanceados. Los resultados esperados mostraron que los modelos de Regresión Logística, Random Forest y la Red Neuronal tuvieron un rendimiento prometedor, cada uno destacando en diferentes aspectos de Precisión y Recall. La selección del modelo más adecuado y su umbral de clasificación final debe hacerse con una cuidadosa consideración de los requisitos operativos y los costos de negocio relacionados con los distintos tipos de errores de clasificación. En conclusión, elegir el modelo correcto, junto con un preprocesamiento adecuado, es fundamental para mejorar la prevención del fraude en el ámbito financieroFil: Saravia Ticona, Telma Raquel. Universidad Nacional Jorge Basadre Grohmann; Perú.Fil: Chambi Condori, Pedro Pablo. Universidad Nacional Jorge Basadre Grohmann; Perú.2025info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://biblio.unvm.edu.ar/opac_css/index.php?lvl=cmspage&pageid=9&id_notice=481974819720251112u u u0argy0103 baspa1020191Villa María (inhabited place)info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/Creative Commons Attribution 4.0 International (CC BY 4.0)reponame:Repositorio Digital (UNVM)instname:Universidad Nacional de Villa María2026-11-05T11:53:23Zoai:biblio.unvm.edu.ar:48197instacron:UNVMInstitucionalhttp://biblioteca.unvm.edu.ar/Repositorio/index.htmlUniversidad públicaNo correspondehttp://biblio.unvm.edu.ar/ws/PMBOAI ggomez@unvm.edu.ar;gustavo0306@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:42562026-11-05 11:53:24.286Repositorio Digital (UNVM) - Universidad Nacional de Villa Maríafalse
dc.title.none.fl_str_mv Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero
title Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero
spellingShingle Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero
Chambi Condori, Pedro Pablo
Information systems
Artificial intelligence
Finance
Crime prevention
Decision making
Data analysis
Mathematical models
Sistema de información
Inteligencia artificial
Finanzas
Prevención del crimen
Toma de decisiones
Análisis de datos
Modelo matemático
Système d'information
Intelligence artificielle
Finances
Prévention du crime
Prise de décision
Analyse de données
Modèle mathématique
title_short Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero
title_full Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero
title_fullStr Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero
title_full_unstemmed Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero
title_sort Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero
dc.creator.none.fl_str_mv Chambi Condori, Pedro Pablo
Saravia Ticona, Telma Raquel
author Chambi Condori, Pedro Pablo
author_facet Chambi Condori, Pedro Pablo
Saravia Ticona, Telma Raquel
author_role author
author2 Saravia Ticona, Telma Raquel
author2_role author
dc.subject.none.fl_str_mv Information systems
Artificial intelligence
Finance
Crime prevention
Decision making
Data analysis
Mathematical models
Sistema de información
Inteligencia artificial
Finanzas
Prevención del crimen
Toma de decisiones
Análisis de datos
Modelo matemático
Système d'information
Intelligence artificielle
Finances
Prévention du crime
Prise de décision
Analyse de données
Modèle mathématique
topic Information systems
Artificial intelligence
Finance
Crime prevention
Decision making
Data analysis
Mathematical models
Sistema de información
Inteligencia artificial
Finanzas
Prevención del crimen
Toma de decisiones
Análisis de datos
Modelo matemático
Système d'information
Intelligence artificielle
Finances
Prévention du crime
Prise de décision
Analyse de données
Modèle mathématique
dc.description.none.fl_txt_mv El fraude financiero se ha convertido en una amenaza cada vez más seria para las instituciones y los usuarios en el mundo digital. Este estudio tiene como objetivo principal evaluar diferentes modelos de machine learning que se utilizan para detectar el fraude financiero, comparando su efectividad, precisión y capacidad de generalización. Se examinaron algoritmos supervisados como la regresión logística, los árboles de decisión, el randomforest y las máquinas de soporte vectorial, además de técnicas más avanzadas como XGBoost y redes neuronales. La evaluación se realizó utilizando métricas como la exactitud, precisión, recall y AUC-ROC, empleando conjuntos de datos reales y desbalanceados. Los resultados esperados mostraron que los modelos de Regresión Logística, Random Forest y la Red Neuronal tuvieron un rendimiento prometedor, cada uno destacando en diferentes aspectos de Precisión y Recall. La selección del modelo más adecuado y su umbral de clasificación final debe hacerse con una cuidadosa consideración de los requisitos operativos y los costos de negocio relacionados con los distintos tipos de errores de clasificación. En conclusión, elegir el modelo correcto, junto con un preprocesamiento adecuado, es fundamental para mejorar la prevención del fraude en el ámbito financiero
Fil: Saravia Ticona, Telma Raquel. Universidad Nacional Jorge Basadre Grohmann; Perú.
Fil: Chambi Condori, Pedro Pablo. Universidad Nacional Jorge Basadre Grohmann; Perú.
description El fraude financiero se ha convertido en una amenaza cada vez más seria para las instituciones y los usuarios en el mundo digital. Este estudio tiene como objetivo principal evaluar diferentes modelos de machine learning que se utilizan para detectar el fraude financiero, comparando su efectividad, precisión y capacidad de generalización. Se examinaron algoritmos supervisados como la regresión logística, los árboles de decisión, el randomforest y las máquinas de soporte vectorial, además de técnicas más avanzadas como XGBoost y redes neuronales. La evaluación se realizó utilizando métricas como la exactitud, precisión, recall y AUC-ROC, empleando conjuntos de datos reales y desbalanceados. Los resultados esperados mostraron que los modelos de Regresión Logística, Random Forest y la Red Neuronal tuvieron un rendimiento prometedor, cada uno destacando en diferentes aspectos de Precisión y Recall. La selección del modelo más adecuado y su umbral de clasificación final debe hacerse con una cuidadosa consideración de los requisitos operativos y los costos de negocio relacionados con los distintos tipos de errores de clasificación. En conclusión, elegir el modelo correcto, junto con un preprocesamiento adecuado, es fundamental para mejorar la prevención del fraude en el ámbito financiero
publishDate 2025
dc.date.none.fl_str_mv 2025
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://biblio.unvm.edu.ar/opac_css/index.php?lvl=cmspage&pageid=9&id_notice=48197
48197
20251112u u u0argy0103 ba
url http://biblio.unvm.edu.ar/opac_css/index.php?lvl=cmspage&pageid=9&id_notice=48197
identifier_str_mv 48197
20251112u u u0argy0103 ba
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv 1020191
Villa María (inhabited place)
dc.source.none.fl_str_mv reponame:Repositorio Digital (UNVM)
instname:Universidad Nacional de Villa María
reponame_str Repositorio Digital (UNVM)
collection Repositorio Digital (UNVM)
instname_str Universidad Nacional de Villa María
repository.name.fl_str_mv Repositorio Digital (UNVM) - Universidad Nacional de Villa María
repository.mail.fl_str_mv ggomez@unvm.edu.ar;gustavo0306@gmail.com
_version_ 1881032331965235200
score 12.823554