6533b854fe1ef96bd12addc5

RESEARCH PRODUCT

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

subject

description

espanolEste analisis supone una primera aproximacion a la implementacion de modelos de redes neuronales al trabajo pericial para la deteccion de operaciones de fraude. Los datos analizados provienen de un caso real de blanqueo de capitales en el que se esta colaborando con la Policia Nacional Espanola. En ellos se cuenta con informacion de operaciones contables individuales entre las que se cuenta con una proporcion de operaciones bien identificadas como fraudulentas con la que es posible entrenar un modelo de clasificacion. En este trabajo, tras describir brevemente la metodologia utilizada y la estrategia de ajuste se obtiene un modelo con una capacidad predictiva resenable, incluso con datos de entrenamiento fuertemente desequilibrados. Ademas, al aplicar tecnicas de balanceado de los datos de entrenamiento (SMOTE) se obtiene un resultado que indicaria la viabilidad de este tipo de modelos como herramienta en la planificacion y priorizacion de las tareas de investigacion 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 informacion que se deriva de las empresas implicadas en patrones de compra de los individuos claramente fraudulentos. EnglishThis paper explores the possibilities offered by statistical tools based on artificial neural networks for pattern recognition in expert work for money-laundering detection. The data is provided by the Spanish Police Department and comes from a case in which is actually working at. Account information is provided, where some accounting entries are identified as fraud. Hence it is possible to use this information to train a classification model. In this analysis, after briefly describing methodology used and fitting strategy, it is presented a model with a promising predictive capacity, even with strongly unbalanced training data set. After applying balancing technique to the training data (SMOTE) the result is remarkably improved which would indicate the viability of those models as tool for police experts planification, providing a way to reduce the use of expensive research resources.