Détection de la fraude par carte de crédit et stratégies de gestion des risques : Une approche basée sur l'apprentissage profond pour les banques de l'UE

Cette étude explore des approches basées sur l'apprentissage automatique supervisé et l'apprentissage profond pour améliorer la détection de la fraude par carte de crédit et améliorer les systèmes de gestion des risques financiers pour les banques de l'UE. Cette recherche propose une méthode d'ensemble basée sur le vote majoritaire (classificateur Hard Voting) des modèles d'apprentissage profond pour détecter les transactions frauduleuses. Des réseaux de neurones artificiels (ANN), des réseaux de neurones convolutifs (CNN), des réseaux de neurones récurrents (RNN), des mémoires à long et à court terme (LSTM) et des unités récurrentes à porte (GRU) ont été utilisés comme modèles d'apprentissage profond. Tout d'abord, les caractéristiques les plus significatives qui affectent le type de transaction (frauduleuse ou non frauduleuse) ont été sélectionnées. Après cela, les modèles ML-DL ont été appliqués. La performance de l'approche proposée est testée à l'aide d'une matrice de confusion, du rappel, de la précision, de la mesure-F et de l'exactitude. La méthode proposée est testée à l'aide de données précises composées de 540,099 transactions enregistrées dans le jeu de données du dépôt Kaggle de deux jours basé sur les titulaires de cartes européens pour septembre 2023. Les résultats montrent que le modèle Random Forest (RF) a détecté des anomalies avec une précision de 99,99 %, un score F1 de 1,00, et un excellent rappel de 99,99 %. En conséquence, le modèle d'apprentissage automatique basé sur l'approche RF montre des promesses en tant que méthode de détection d'anomalies en temps réel avec des performances élevées et un faible coût computationnel.