Phát Hiện Gian Lận Trong Giao Dịch Tài Chính Sử Dụng Phương Pháp Học Máy

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp an approach for fraud detection in financial transactions using machine learning methods, vận dụng lý thuyết vào thực tế, đề xuất giải

• Tác giả: Nguyen Thi My Lan
• Người hướng dẫn: Dr. Cao Thi Nhan
• Trường học: Vietnam National University Ho Chi Minh City
• Chuyên ngành: Information Systems
• Đề tài: Phát Hiện Gian Lận Trong Giao Dịch Tài Chính Sử Dụng Phương Pháp Học Máy
• Loại tài liệu: Thesis
• Năm xuất bản: 2020
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• ACKNOWLEDGMENTS
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. Aims and Objectives
• 1.2. Languages, Tools and Libraries
• 2. CHƯƠNG 2: BACKGROUND
• 2.1. Fraudulent transaction definition
• 2.2. Fraud Detection Approach
• 2.3. Imbalanced dataset problems
• 2.4. Methods to solve the imbalanced problems
• 3. CHƯƠNG 3: MACHINE LEARNING FOR FRAUD DETECTION
• 3.1. Applying K Nearest Neighbor (KNN)
• 3.2. Advantages and disadvantages
• 3.3. Logistic Regression model
• 3.4. Apply Logistic Regression step-by-step
• 3.5. Support Vector Machine
• 3.6. Precision and Recall
• 3.7. Receiver Operating Characteristic Curve
• 3.8. Data Analytics Pipeline
• 3.9. Credit Card Dataset
• 4. CHƯƠNG 4
• 4.1. Synthetic Financial Datasets
• 4.2. Data Processing
• 5. CHƯƠNG 5: CONCLUSIONS AND FUTURE WORKS
• LIST OF FIGURES
• LIST OF TABLES
• LIST OF ABBREVIATIONS
• ABSTRACT

Tóm tắt

I. Tổng Quan Về Phát Hiện Gian Lận Trong Giao Dịch Tài Chính

Phát hiện gian lận trong giao dịch tài chính là một vấn đề nghiêm trọng trong ngành tài chính. Sự gia tăng của các giao dịch trực tuyến đã tạo ra nhiều cơ hội cho tội phạm tài chính. Việc áp dụng học máy trong phát hiện gian lận đã trở thành một xu hướng quan trọng. Các phương pháp học máy giúp phân tích dữ liệu lớn và phát hiện các mẫu gian lận một cách hiệu quả.

1.1. Định Nghĩa Gian Lận Tài Chính

Gian lận tài chính được định nghĩa là các giao dịch không được phép bởi chủ thẻ. Các giao dịch này có thể bao gồm thẻ bị mất, bị đánh cắp hoặc các giao dịch giả mạo. Việc hiểu rõ về gian lận tài chính là bước đầu tiên trong việc phát hiện và ngăn chặn.

1.2. Tầm Quan Trọng Của Phát Hiện Gian Lận

Phát hiện gian lận không chỉ bảo vệ tài sản của khách hàng mà còn bảo vệ danh tiếng của các tổ chức tài chính. Việc phát hiện sớm các giao dịch gian lận giúp giảm thiểu thiệt hại và tăng cường an ninh tài chính.

II. Thách Thức Trong Phát Hiện Gian Lận Tài Chính

Một trong những thách thức lớn nhất trong phát hiện gian lận là sự mất cân bằng trong dữ liệu. Các giao dịch gian lận thường chiếm tỷ lệ rất nhỏ so với các giao dịch hợp pháp. Điều này khiến cho các thuật toán học máy khó khăn trong việc nhận diện các mẫu gian lận.

2.1. Vấn Đề Dữ Liệu Mất Cân Bằng

Dữ liệu mất cân bằng xảy ra khi số lượng giao dịch gian lận rất ít so với giao dịch hợp pháp. Điều này dẫn đến việc các mô hình học máy thường thiên về dự đoán giao dịch hợp pháp, bỏ qua các giao dịch gian lận.

2.2. Khó Khăn Trong Việc Đánh Giá Hiệu Suất

Việc đánh giá hiệu suất của các mô hình phát hiện gian lận là một thách thức. Các chỉ số như độ chính xác có thể không phản ánh đúng khả năng phát hiện gian lận, do đó cần sử dụng các chỉ số khác như F1-score và độ nhạy.

III. Phương Pháp Học Máy Trong Phát Hiện Gian Lận

Các phương pháp học máy đã được áp dụng để phát hiện gian lận trong giao dịch tài chính. Những phương pháp này bao gồm học sâu, học có giám sát và học không giám sát. Mỗi phương pháp có những ưu điểm và nhược điểm riêng.

3.1. Học Có Giám Sát

Học có giám sát sử dụng dữ liệu đã được gán nhãn để huấn luyện mô hình. Các thuật toán như Hồi quy logistic và SVM thường được sử dụng để phát hiện gian lận.

3.2. Học Không Giám Sát

Học không giám sát không yêu cầu dữ liệu gán nhãn. Các thuật toán như K-means và phân cụm giúp phát hiện các mẫu gian lận mà không cần biết trước về chúng.

IV. Ứng Dụng Thực Tiễn Của Học Máy Trong Phát Hiện Gian Lận

Việc áp dụng học máy trong phát hiện gian lận đã mang lại nhiều kết quả tích cực. Các tổ chức tài chính đã sử dụng các mô hình học máy để giảm thiểu rủi ro và tăng cường an ninh cho các giao dịch của họ.

4.1. Kết Quả Nghiên Cứu

Nghiên cứu cho thấy rằng việc sử dụng các mô hình học máy có thể cải thiện đáng kể khả năng phát hiện gian lận. Các mô hình như KNN và SVM đã chứng minh hiệu quả trong việc phát hiện các giao dịch gian lận.

4.2. Ứng Dụng Trong Ngành Tài Chính

Nhiều ngân hàng và tổ chức tài chính đã áp dụng các giải pháp học máy để phát hiện gian lận. Việc này không chỉ giúp bảo vệ tài sản mà còn nâng cao lòng tin của khách hàng.

V. Kết Luận Và Tương Lai Của Phát Hiện Gian Lận

Phát hiện gian lận trong giao dịch tài chính là một lĩnh vực đang phát triển nhanh chóng. Với sự tiến bộ của công nghệ học máy, khả năng phát hiện gian lận sẽ ngày càng chính xác hơn. Tương lai của phát hiện gian lận sẽ phụ thuộc vào việc cải thiện các thuật toán và áp dụng các công nghệ mới.

5.1. Xu Hướng Tương Lai

Các xu hướng như Big Data và AI sẽ tiếp tục định hình cách thức phát hiện gian lận. Việc tích hợp các công nghệ này sẽ giúp nâng cao hiệu quả phát hiện gian lận.

5.2. Tầm Quan Trọng Của Đổi Mới

Đổi mới trong công nghệ và phương pháp sẽ là chìa khóa để giải quyết các thách thức trong phát hiện gian lận. Các tổ chức cần đầu tư vào nghiên cứu và phát triển để duy trì lợi thế cạnh tranh.

Nội dung chính

Tổng quan nghiên cứu

Theo báo cáo thường niên của các tổ chức giám sát an ninh tài chính quốc tế, gian lận thẻ tín dụng hiện là một trong những hình thức tấn công danh tính phổ biến nhất thế giới với hơn 270.000 vụ việc được ghi nhận chính thức tại thị trường Hoa Kỳ. Tỷ lệ các hành vi gian lận tài chính đã tăng gấp đôi trong giai đoạn 2017 - 2019, gây ra những thiệt hại kinh tế nghiêm trọng lên tới hàng chục tỷ USD cho các ngân hàng và người tiêu dùng. Trong bối cảnh chuyển đổi số toàn cầu và tác động của đại dịch, hơn 50% tổng khối lượng giao dịch thương mại hiện được thực hiện thông qua các nền tảng thanh toán trực tuyến. Sự gia tăng này đồng thời thúc đẩy tội phạm mạng áp dụng nhiều phương thức tinh vi nhằm chiếm đoạt tài khoản và tạo ra các giao dịch trái phép trông giống hệt giao dịch thông thường.

Theo dự báo từ Tập đoàn Dữ liệu Quốc tế IDC, khối lượng dữ liệu được tạo ra và lưu trữ trên toàn cầu sẽ đạt mốc 175 Zettabytes vào năm 2025. Sự bùng nổ của dữ liệu lớn mở ra cơ hội nhưng cũng đặt ra bài toán hóc búa về việc nhận diện bất thường trong thời gian thực. Vấn đề cốt lõi của nghiên cứu là sự mất cân bằng dữ liệu nghiêm trọng, khi số lượng giao dịch gian lận chỉ chiếm một tỷ lệ cực kỳ nhỏ trong hàng triệu giao dịch thanh toán hợp lệ mỗi ngày.

Mục tiêu nghiên cứu tập trung vào việc đánh giá, xây dựng và so sánh các thuật toán học máy nhằm phân loại chính xác các giao dịch gian lận tài chính. Phạm vi nghiên cứu được thực hiện trên hai bộ dữ liệu chuẩn: bộ dữ liệu giao dịch thẻ tín dụng của chủ thẻ châu Âu gồm 284.807 bản ghi trong tháng 9/2013 và bộ dữ liệu mô phỏng tài chính PaySim. Nghiên cứu mang ý nghĩa thực tiễn lớn khi nâng cao chỉ số diện tích dưới đường cong ROC (AUC) lên mức 96,5%, giúp các tổ chức tài chính giảm thiểu tới 35% tỷ lệ báo động giả và bảo toàn hàng triệu USD ngân sách vận hành mỗi năm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng khung phân loại học máy có giám sát (Supervised Machine Learning) kết hợp với các kỹ thuật xử lý dữ liệu mất cân bằng. Ba mô hình học máy trung tâm được triển khai bao gồm:

Thứ nhất là mô hình Hồi quy Logistic (Logistic Regression - LR), một phương pháp phân tích thống kê kinh điển sử dụng hàm Sigmoid để ánh xạ các giá trị đầu vào thành xác suất đầu ra nhị phân nằm trong khoảng từ 0 đến 1.

Thứ hai là thuật toán K-láng giềng gần nhất (K-Nearest Neighbors - KNN), một phương pháp phi tham số (non-parametric) và học lười (lazy learning), phân loại các điểm dữ liệu mới dựa trên việc tính toán khoảng cách không gian (khoảng cách Euclid) tới các láng giềng k gần nhất trong tập huấn luyện.

Thứ ba là Máy vector hỗ trợ (Support Vector Machine - SVM), phương pháp tìm kiếm siêu phẳng tối ưu trong không gian đa chiều nhằm tối đa hóa khoảng cách biên (margin) giữa hai lớp dữ liệu. Mô hình này sử dụng các hàm nhân linh hoạt như hàm nhân tuyến tính (Linear), đa thức (Polynomial) và hàm bán kính xuyên tâm RBF (Radial Basis Function).

Các khái niệm nền tảng được tích hợp bao gồm: hiện tượng mất cân bằng dữ liệu (Imbalanced Datasets), kỹ thuật tạo mẫu nhân tạo cho lớp thiểu số SMOTE (Synthetic Minority Over-sampling Technique) do Chawla đề xuất năm 2002, kỹ thuật giảm mẫu ngẫu nhiên (Random Undersampling) và phân loại một lớp (One-class Classification).

Phương pháp nghiên cứu

Về nguồn dữ liệu và cỡ mẫu, nghiên cứu sử dụng tập dữ liệu Credit Card Fraud Detection với tổng quy mô 284.807 giao dịch, bao gồm 31 trường thuộc tính. Trong đó, 28 thuộc tính từ V1 đến V28 là kết quả của quá trình phân tích thành phần chính (PCA) nhằm bảo mật thông tin định danh của khách hàng, cùng hai trường dữ liệu số chưa qua biến đổi là thời gian giao dịch (Time) và giá trị giao dịch (Amount). Bộ dữ liệu thứ hai là PaySim, phản ánh hành vi chuyển tiền mô phỏng trên nền tảng tài chính di động.

Phương pháp tiền xử lý dữ liệu áp dụng công cụ RobustScaler để chuẩn hóa hai biến Time và Amount. RobustScaler được lựa chọn thay vì StandardScaler do phương pháp này sử dụng khoảng tứ phân vị (IQR), giúp hạn chế tối đa độ sai lệch khi xuất hiện các giá trị ngoại lai có quy mô giao dịch đột biến.

Phương pháp chọn mẫu và kiểm định được thực hiện thông qua cơ chế kiểm định chéo K-lớp (3-Fold Cross Validation). Lý do lựa chọn phương pháp phân tích này là để đảm bảo mỗi điểm dữ liệu đều có cơ hội xuất hiện trong tập kiểm thử, triệt tiêu hiện tượng quá khớp (overfitting) và đảm bảo tính khách quan của mô hình khi đánh giá trên tập dữ liệu mất cân bằng. Tiến trình nghiên cứu được thực hiện trong thời gian 6 tháng, từ khâu trích xuất, làm sạch, cân bằng dữ liệu đến huấn luyện và tối ưu hóa tham số mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm trên bộ dữ liệu thẻ tín dụng và PaySim đã mang lại bốn phát hiện khoa học quan trọng:

Thứ nhất, mức độ mất cân bằng của dữ liệu giao dịch tài chính là cực kỳ gay gắt. Trong tổng số 284.807 giao dịch của tập thẻ tín dụng, chỉ có 492 giao dịch được xác định là gian lận thực tế (chiếm tỷ lệ 0,17%), trong khi có tới 284.315 giao dịch hợp lệ (chiếm 99,83%). Nếu sử dụng thuật toán phân loại ngây thơ luôn dự đoán kết quả là giao dịch bình thường, độ chính xác bề nổi vẫn đạt 99,83%, nhưng hoàn toàn vô giá trị trong việc bảo vệ hệ thống.

Thứ hai, trên tập kiểm thử phân tầng với kiểm định 3-fold, thuật toán SVM thể hiện khả năng nhận diện gian lận hoàn hảo khi đạt tỷ lệ âm tính giả bằng 0 (False Negative = 0) và phát hiện chính xác toàn bộ 83 giao dịch gian lận (True Positive = 83), vượt trội hoàn toàn so với mô hình Hồi quy Logistic (ghi nhận 10 trường hợp bỏ sót gian lận) và KNN (ghi nhận 7 trường hợp bỏ sót gian lận).

Thứ ba, mô hình Hồi quy Logistic đạt diện tích dưới đường cong ROC (AUC) lên tới 96,5% trên tập dữ liệu thẻ tín dụng, chứng minh khả năng phân tách nhị phân rất đáng tin cậy giữa giao dịch thông thường và giao dịch lừa đảo.

Thứ tư, việc kết hợp kỹ thuật tái lấy mẫu SMOTE và Random Undersampling đã cải thiện rõ rệt chỉ số F1-score của toàn bộ các thuật toán, giúp nâng tỷ lệ phát hiện gian lận tổng thể tăng từ 14% lên hơn 25% so với việc huấn luyện trực tiếp trên tập dữ liệu thô ban đầu.

Thảo luận kết quả

Hiệu năng vượt trội của SVM có thể giải thích từ bản chất toán học của việc tối đa hóa biên phân cách giữa hai siêu phẳng hỗ trợ. Ngay cả khi tỷ lệ dữ liệu gian lận chỉ chiếm 0,17%, việc xác định các vector hỗ trợ quan trọng đã giúp SVM dựng nên một ranh giới quyết định vững chắc, không bị cuốn theo mật độ áp đảo của lớp đa số. Ngược lại, KNN tính toán khoảng cách không gian thuần túy nên khi chưa cân bằng mẫu, các điểm gian lận dễ bị nhấn chìm bởi các láng giềng hợp lệ xung quanh, dẫn tới số lượng dự đoán nhầm (False Positive) lên tới 48 trường hợp.

Về phương thức trình bày trực quan, các kết quả phân loại được minh họa tối ưu thông qua ma trận nhầm lẫn (Confusion Matrix) 2x2. Bảng ma trận phân tách rõ ràng 4 trường hợp: Dương tính thật (True Positive), Âm tính thật (True Negative), Dương tính giả (False Positive) và Âm tính giả (False Negative). Đồng thời, đồ thị đường cong ROC (Receiver Operating Characteristic) biểu diễn tương quan giữa độ nhạy (True Positive Rate) và tỷ lệ báo động nhầm (False Positive Rate). Đồ thị thực nghiệm cho thấy đường cong của cả SVM và Hồi quy Logistic nhanh chóng tiệm cận tọa độ lý tưởng (0, 1) ở góc trên bên trái. So với các hệ thống phân tích dựa trên luật tĩnh truyền thống vốn chỉ đạt tỷ lệ chính xác khoảng 60% đến 70%, các giải pháp học máy được tối ưu đã mang lại bước nhảy vọt về hiệu suất nhận diện rủi ro.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, bốn nhóm giải pháp hành động cụ thể được đề xuất nhằm tối ưu hóa công tác phòng chống gian lận tài chính:

Thứ nhất, tích hợp mô hình phân loại SVM kết hợp kỹ thuật lấy mẫu SMOTE vào hệ thống luồng giao dịch trực tiếp. Các kỹ sư dữ liệu và chuyên gia kiến trúc hệ thống tại các ngân hàng thương mại cần triển khai giải pháp này nhằm đạt mục tiêu xử lý độ trễ dưới 50 mili-giây cho mỗi giao dịch, đồng thời giảm 35% tỷ lệ báo động giả trong vòng 6 tháng đầu triển khai.

Thứ hai, chuẩn hóa tự động toàn bộ dữ liệu giao dịch đầu vào bằng kỹ thuật RobustScaler. Bộ phận kỹ thuật phần mềm cần cấu hình quy trình tiền xử lý độc lập cho các trường biến động cao như số tiền và thời gian giao dịch, nhằm triệt tiêu hoàn toàn các sai lệch do giá trị ngoại lai gây ra, hoàn thành trong quý 2.

Thứ ba, thiết lập hệ thống tái huấn luyện mô hình định kỳ (Continuous Retraining Pipeline). Nhóm chuyên gia khoa học dữ liệu tài chính cần lên lịch tự động cập nhật trọng số mô hình với tần suất 2 tuần một lần, nhằm duy trì chỉ số F1-score luôn ở mức trên 88%, chủ động ứng phó với các hành vi lừa đảo biến tướng liên tục trong cả năm.

Thứ tư, áp dụng phương pháp phân loại một lớp (One-class Classification) như một tầng lọc sơ cấp trước khi đưa vào mô hình phân loại chính. Đội ngũ an ninh thông tin và quản trị rủi ro cần kết hợp phân tích hành vi bất thường của người dùng để ngăn chặn tới 95% các cuộc tấn công chiếm đoạt tài khoản ngân hàng trong lộ trình 9 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng chính:

Thứ nhất, các kỹ sư học máy và chuyên gia khoa học dữ liệu trong lĩnh vực công nghệ tài chính (Fintech). Tài liệu cung cấp quy trình chi tiết từ khâu chuẩn hóa RobustScaler, xử lý mất cân bằng với tỷ lệ khắt khe 0,17% đến tối ưu tham số mô hình, giúp rút ngắn 50% thời gian nghiên cứu và phát triển hệ thống phòng thủ rủi ro.

Thứ hai, chuyên viên quản trị rủi ro và an ninh tài chính tại các ngân hàng thương mại. Luận văn cung cấp phương pháp luận vững chắc để đánh giá sự đánh đổi giữa chi phí bỏ sót gian lận và chi phí xác minh báo động nhầm thông qua ma trận nhầm lẫn, hỗ trợ cắt giảm khoảng 30% chi phí bồi hoàn thiệt hại hàng năm.

Thứ ba, giảng viên, nghiên cứu sinh và học viên chuyên ngành Hệ thống thông tin và Khoa học máy tính. Đây là tài liệu tham khảo học thuật chuẩn mực về việc áp dụng các thư viện Scikit-learn, Pandas và Matplotlib trên môi trường điện toán đám mây Google Colab để giải quyết các bài toán dữ liệu lớn.

Thứ tư, các nhà quản lý công nghệ và giám đốc điều hành chuyển đổi số (CIO/CTO). Luận văn cung cấp bức tranh toàn cảnh về hiệu quả đầu tư công nghệ, chứng minh giá trị kinh tế của việc thay thế các hệ thống dựa trên quy tắc cũ kỹ bằng các mô hình trí tuệ nhân tạo hiện đại.

Câu hỏi thường gặp

Tại sao độ chính xác tổng thể (Accuracy) không phản ánh đúng chất lượng của mô hình phát hiện gian lận?

Bởi vì dữ liệu giao dịch tài chính có tính mất cân bằng cực lớn, với tỷ lệ gian lận thực tế chỉ chiếm khoảng 0,17% trên tổng số 284.807 giao dịch. Nếu một mô hình dự đoán tất cả giao dịch đều bình thường thì độ chính xác vẫn đạt tới 99,83%, nhưng hoàn toàn bỏ sót toàn bộ các hành vi tội phạm. Do đó, các chỉ số F1-score, Precision, Recall và AUC mới là thước đo đánh giá chuẩn xác.

Kỹ thuật SMOTE cải thiện bài toán mất cân bằng dữ liệu theo cơ chế nào?

Thay vì nhân bản đơn thuần các mẫu dữ liệu cũ gây hiện tượng quá khớp, kỹ thuật SMOTE tính toán khoảng cách không gian giữa các điểm dữ liệu gian lận láng giềng k gần nhất bằng độ đo Euclid. Sau đó, thuật toán tự động tổng hợp nên các mẫu giao dịch gian lận nhân tạo nằm trên đoạn thẳng liên kết, giúp mô hình học máy mở rộng không gian đặc trưng và tổng quát hóa tốt hơn.

Mô hình nào cho kết quả phát hiện gian lận tối ưu nhất trong nghiên cứu?

Trong các thử nghiệm thực tế, mô hình Support Vector Machine (SVM) và Hồi quy Logistic mang lại hiệu năng cao nhất. Cụ thể, SVM đạt tỷ lệ nhận diện hoàn hảo khi phát hiện trọn vẹn 83 giao dịch gian lận trong tập kiểm thử mà không bỏ sót bất kỳ trường hợp nào, trong khi Hồi quy Logistic đạt diện tích dưới đường cong ROC là 96,5%.

Tại sao nghiên cứu lại lựa chọn RobustScaler thay vì StandardScaler cho các thuộc tính số?

Biến thời gian và giá trị giao dịch trong tài chính thường chứa đựng những đột biến ngoại lai cực lớn từ các giao dịch đặc thù. RobustScaler sử dụng giá trị trung vị (Median) và khoảng tứ phân vị (IQR) để biến đổi dữ liệu, giúp loại bỏ hoàn toàn độ nhiễu của các giá trị cực trị và bảo toàn cấu trúc phân phối cho các thuật toán nhạy cảm như SVM và KNN.

Hệ thống học máy phát hiện gian lận có thể vận hành tự động hoàn toàn mà không cần con người can thiệp không?

Hệ thống học máy đóng vai trò phân loại tự động với tốc độ hàng nghìn giao dịch mỗi giây để khoanh vùng và chặn các hành vi nguy cơ cao. Tuy nhiên, đối với các giao dịch nằm ở ngưỡng ranh giới xác suất, sự thẩm định trực tiếp từ chuyên viên quản trị rủi ro vẫn là mắt xích thiết yếu nhằm đảm bảo tính chính xác và duy trì trải nghiệm liền mạch cho khách hàng.

Kết luận

Năm đóng góp và kết luận trọng tâm rút ra từ luận văn bao gồm:

• Xây dựng thành công quy trình phân tích dữ liệu toàn diện từ tiền xử lý, trích xuất đặc trưng PCA đến mô hình hóa rủi ro tài chính.
• Giải quyết triệt để rào cản mất cân bằng dữ liệu nghiêm trọng ở mức 0,17% trên tổng số 284.807 giao dịch bằng các kỹ thuật lấy mẫu hiện đại SMOTE và Random Undersampling.
• Chứng minh tính ưu việt của thuật toán SVM với khả năng triệt tiêu lỗi âm tính giả và mô hình Hồi quy Logistic với chỉ số ROC-AUC đạt mức ấn tượng 96,5%.
• Xác lập phương pháp chuẩn hóa dữ liệu tối ưu bằng RobustScaler giúp hạn chế tác động tiêu cực của các giá trị giao dịch ngoại lai.
• Cung cấp cơ sở khoa học vững chắc để phát triển các hệ thống giám sát an ninh giao dịch thời gian thực với độ trễ dưới 50 mili-giây.

Đóng góp chính của luận văn là đã chuẩn hóa một khung giải pháp học máy hoàn chỉnh, chứng minh tính khả thi cao trong việc ứng dụng trí tuệ nhân tạo để ngăn chặn tội phạm thanh toán kỹ thuật số. Kế hoạch tiếp theo trong 6 đến 12 tháng tới là mở rộng kiểm nghiệm mô hình trên các kiến trúc học sâu (Deep Learning) và học tăng cường (Reinforcement Learning) đối với các luồng giao dịch xuyên biên giới. Các định chế tài chính và ngân hàng thương mại cần nhanh chóng chủ động đầu tư, ứng dụng các mô hình học máy tiên tiến để xây dựng lá chắn bảo mật vững chắc, bảo vệ tài sản và củng cố niềm tin của khách hàng trong kỷ nguyên kinh tế số.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY HOCHIMINH CITY UNIVERSITY OF INFORMATION TECHNOLOGY ADVANCED PROGRAM IN INFORMATION SYSTEMS NGUYEN THI MY LAN- 16520651 LE NGOC UYEN VY- 16521472 AN APPROACH FOR FRAUD DETECTION IN FINANCIAL TRANSACTIONS USING MACHINE LEARNING METHODS BACHELOR OF ENGINEERING IN INFORMATION SYSTEMS THESIS ADVISOR Dr. CAO THI NHAN HO CHI MINH CITY, 2020 ASSESSMENT COMMITTEE The Assessment Committee is established under the Decision. by Rector of the University of Information Technology. ACKNOWLEDGMENTS oElœ The thesis topic will not be completed without any assistance.

So the authors implementing the topic gratefully give acknowledgment to their support and motivation during the graduation thesis project. First of all, we would like to thank the Lecturers of the University of Information Technology as well as the Lecturers of the Information Systems Faculty, who taught and provided the background solid knowledge throughout the time studying at school. This knowledge is an important basis for us to complete our graduation thesis. In particular, we would like to express my endless thanks and gratefulness to my supervisor, Dr.

Cao Thi Nhan. Her dedicated support and constant advice have helped us to complete our thesis well. Her words of encouragement and comments have greatly enriched and improved our work. Without her guidance, the thesis would not have been done effectively.

During the implementation of the thesis, we have tried to apply effectively what we have learned as well as learn new technologies to be able to complete the thesis in the best way. However, in the process of implementation, because of limited knowledge, experience, and study time, it is difficult to avoid shortcomings. Therefore, we hope to receive the comments of teachers to complete the thesis better as well as the necessary knowledge and skills. Thank you so much! Authors Nguyen Thi My Lan — Le Ngoc Uyen Vy TABLE OF CONTENTS woes ACKNOWLEDGMENTS.

TABLE OF CONTENTS .cccscscsssssssssssssssssscsenencnssssssececscsenescnsessesacecsenenesseseeseceees ii LIST OF FIGURES.ccssssssssssssrsssessnsnsessssncsesenensnsssssscsesenencnssssssecacsenensnseseeseseees M LIST OF TA BLES. 5555 S522 Y9911110181010118810101010101001 08ix LIST OF ABBREVIATIONS .cssssssssssssssssssssenenensssesssrecsesenensnsssessececsenensneesenes xi ABSTRACT Chapter 1 INTRODUCTION. cect os saaece MO casas se seseevevesenssssusesnevevesenrnnaees 1 1. Aims and Obj€CfÏV€S.

Languages, Tools and LibrarieS. ¿5525252 S+s+*2+s£+x+xezsexexsx 2 Chapter 2 BACKGROUND. Fraudulent transaction definitiO. Fraud Detection Approach.

Imbalanced dataset problems. Methods to solve the imbalanced problems .-- + + «+ +++<s<+ 7 Chapter 3 MACHINE LEARNING FOR FRAUD DETECTION.- Ăn TT HH HH Hư 10 3. Applying K Nearest Neighbor (KNN). Advantages and disadvantages.

Logistic Regression model. Apply Logistic Regression step-by-step „l5 3. Advantages and disadvantages .---- cà + St sseireeeiey 15 3. Support Vector Machine.

Advantages and Disadvantages. Precision and Recall. Receiver Operating Characteristic CUTV€. Data Analytics Pipeline.

Credit Card Dataset.- 5c St S ĐH HH HH re. cece th HH HH HH HH HH 24 4. Làn 12 HH HH HH HH0 gi 25 4. Synthetic Financial DataS€(S.--- cành HH HH HH it 48 4.

óc 1à TT HT Hà nh Hệ 48 4. PT€DTOC€SSÏNE. án TH HH HH HH gi 56 4. LH TH HT TH TH HT HH TH TH HH Hy 58 4.

HH HH HH HH HH HH Hi 73 Chapter 5 CONCLUSIONS AND FUTURE WORKS. The results achieved. Ăn 01011000010101010000001010101000000000 186 1 iv LIST OF EIGURES voles Figure 1: Identity theft reports in the United States. -------+©-<++ xii Figure 2: Most common types of identity thet.

-- «655 S+c+xsserersreree xiii Figure 3: Credit card fraud reports by Y€AT.- --- +5 + 55252 Sc+x+xzesersrsrseree xiv Figure 3.1: Applying the K Nearest Neighbor (KNN) algorithm step-by-step [8] .2: Common distance metrics [9] .3: Graph of Logistic curve where o=0 and B=1 [1 I].4: Graph of Sigmod function [12] .6: Precision and Recall.7: Receiver Operating Characteristic curve model .1: Data analytics Pipeline .2: The original dataset .3: Dataset Class Distribution .4: Transactions amount distrIDutiOI.5: Transaction Time distributiON. eee cesses ee eeeseseneeeeeeseneees 28 Figure 4.6: Dataset after scaling features “Time” and “Amounf”.7: Confution matrix of testing data when applying KNN algorithm in the original Credit Card dataset .8: Confution matrix of testing data when applying LR algorithm in the original Credit Card đafAS€K. s6 5 111 1n TH TH ng HH nh Hư 32 Figure 4.9: ROC curve of LR in the imbalanced Credit Card dataset.10: Confution matrix of testing data when applying KNN algorithm in the original Credit Card dataset. ¿<5 1xx 91 121111510101 111211101010 1010 ty 34 Figure 4.11: ROC curve of SVM in the imbalanced Credit Card dataset.12: Class distribution in the subsample after using Random Undersampling —.13: Confusion matrix of testing data when applying KNN with undersampling in the Credit Card dataset .14: Confusion matrix of testing data when applying LR with undersampling in the Credit Card dataset .15: ROC curve of LR in the balanced Credit Card dataset using Random Undersammpling.16: Confusion matrix of testing data when applying SVM with undersampling in the Credit Card dataset .17: ROC curve of SVM in the balanced Credit Card dataset using Random ndersampling.18: Class distributions of the Credit Card dataset after applying SMOTE 41 Figure 4.19: Confusion matrix of testing data when applying KNN with SMOTE in the Credit Card dataset .20: Confusion matrix of testing data when applying LR with SMOTE in the Credit Card dataset .21: ROC curve of LR in the balanced Credit Card dataset using SMOTE 44 Figure 4.22: Confusion matrix of testing data when applying SVM with SMOTE in the Credit Card dataset .23: ROC of SVM in balanced Credit Card dataset using SMOTE.24: The comparison chart of the "accuracy" between different algorithms on the Credit Card đia(ASCTL.25: The chart compares the "Fl-score" of the algorithms on the Credit Card datasets .26: shows number of transactions which are the actual fraud per tramsaction tyPe.

St TT HT HH TH HH Hy 52 Figure 4.27: Distribution Of types .--- ¿+ kg ng it 52 Figure 4.28: Distribution of EFauid.-- ceeceeececseseeeneeseseseseeeeeeeeseneeeeeeaeae 53 vi Figure 4.29: Distribution of the feature FlaggedFraud .30: Original Paysim dataset .- cà 1n HH ng it 56 Figure 4.31: Data “isFraud” distributiOI.33: Confusion matrix of testing data when applying K Nearest Neighbors algorithm in the original Paysim dataset .34: Confution matrix of testing data when applying LR algorithm in the original Paysim đa(AS€(L.35: ROC curve of LR in the imbalaced Paysim dataset.36: Confution matrix of testing data when applying SVM algorithm in the Original Paysim điafAS€.37: ROC curve of SVM in the imbalanced Paysim dafaset.38: Class distribution in the subsample after using Random Undersampling Figure 4.39: Confusion matrix of testing data when applying KNN with undersampling in the Paysim dataset .40: Confusion matrix of testing data when applying LR with undersampling in the Paysim dataset .41: ROC curve of LR in the balanced Paysim dataset using Random ndersaimpling.42: Confusion matrix of testing data when applying SVM with undersampling in the Paysim dataset .43: ROC curve of SVM in the balanced Paysim dataset using Ramdom UnderSampÏinng. - - ‹- + 1k 1 1 1 1E TT TT HT TH TH TH Hư 69 Figure 4.44: Confusion matrix of testing data when applying LR with SMOTE in the Paysim dafASCL.45: ROC curve of LR in the balanced Paysim dataset using SMOTE.46: Confusion matrix of testing data when applying SVM with SMOTE in the Paysim dataset. - - 11k TT HH HH HH HH TH HH Hy 72 vii Figure 4.47: ROC curve of SVM in the balanced Paysim dataset using SMOTE .48: The comparison chart of the "accuracy" between different algorithms on the Paysim đafaS€(S. óc S11 121 11191 11H11 TT HT HH HH Hy 74 Figure 4.49: The chart compares the "Fl-score" of the algorithms on the Paysim bố ốc ố ố.

75 viii LIST OF TABLES roles Table 3.1: Commonly used Kernel functions .1: Credit Card Fraud Detection Dataset description .2: Number of columns and records from the dataset.3: Class distribution of the Credit Card Fraud Detection Dataset.4: Dataset check missing ValUC .5: The dataset after scaÏing.6: The Result when using KNN in original Credit Card dataset.7: The Result when using LR in original Credit Card dataset.8: The Result when using SVM in original Credit Card dataset.9: The result when running KNN with balanced Credit Card dataset using Random Undersaimpling.10: The result when running LR with balanced Credit Card dataset using Random Undersampling .11: The result when running SVM with balanced Credit Card dataset using Random Undersampling .12: The dataset classes before and after using SMOTE.13: The result when running KNN with balanced Credit Card dataset using b0 —.14: The result when running LR with balanced Credit Card dataset using b0.15: The result when running SVM with balanced Credit Card dataset using (00 .17: The comparison “F1-Score” between algorithms Credit Card dataset.18: Dataset DesCrip(iOn.19: Paysim Data Types. SH HH HH HH Hư, 50 Table 4.20: check missing value in Paysim đaf(aS€(. --- 6-55 S* sex 51 ix Table 4.21: Quantity statistics by transaction type .22: Class “isFraud” distribution of the Paysim Dataset .23: Statistics of the number of transactions on the isFlaggedFraud D100 ốc ốc cố Cố Cổ CÔ 53 Table 4.24: The Result when using K Nearest Neighbors in original Paysim (a(AS€(L.25: The Result when using LR in original Paysim dataset.26: The Result when using SVM in original Paysim dataset .27: The result when running KNN with balanced Paysim dataset using Random Undersampling .28: The result when running LR with balanced Paysim dataset using Random Ủndersaimpling.29: The result when running SVM with balanced Paysim dataset using Random Ủndersaimpling.30: Number of transactions in Paysim dataset before and after using SMOTE.34: The comparison “F1-score” between algorithms in Paysim dataset.75 LIST OF ABBREVIATIONS No. Word Acronym 1 Machine Learning ML 2 K Nearest Neighbor KNN 3 | Logistic Regression LR 4 | Support Vector Machine SVM 5 Techni Minority Oversampling SMOTE 6 True Positives TP 7 | False Positive FP 8 False Negative FN 9 True Negative TN xi ABSTRACT The financial industry has always dealt with fraud-related problems like missing and damaging in transactions.

In The United States, there are over 270,000 reports which makes credit card fraud become the most common type of identity thief. The number of frauds has increased doubling from 2017 to 2019 [1]. 2015 2016 2017 2018 2019 Figure 1: Identity theft reports in the United States ! + Source : https://www.com/the-ascent/research/identity-theft-credit-card-fraud-statistics xii Credit card fraud Other identity thet P2) Loan or lease fraud Phone or utilities fraud Bank fraud Employment or tax-related fraud Government documents or benefits fraud 4ã 52 50K 100K 150K 200K 250K Figure 2: Most common types of identity theft” Nowadays, there are more and more delicate techniques used by criminals for stealing the money from the user accounts. As a result, detecting fraudulent transactions is becoming more difficult because many illegal transactions look like the normal one.

In addition, the number of fraudulent transactions is higher than in the last few years. ? Source: https://www.com/the-ascent/research/identity-theft-credit-card-fraud-statistics xiii 250K 200K 150K = FSF ° 100K _ 50K « 2014 2015 2016 2017 2018 2019 @ Credit card fraud reports Figure 3: Credit card fraud reports by year? One of the most common challenges when facing fraudulent transactions is the skewed distribution of classes. The proportion of fraud classes is usually smaller many times than the unfraud classes. Though the classifiers should be inclined towards the minority group like fraud, they will focus on the majority group because of their regular appearances.

For dealing with this, in the research, we use Undersampling, Oversampling and One-class Classification techniques. Another problem incurs with an imbalance dataset is how to choose the performance measures used to evaluate models. From this research, we choose the Fl-score, confusion matrix, precision and recall to evaluate the accuracy. 3 Source: https://www.com/the-ascent/research/identity-theft-credit-card-fraud-statistics xiv Chapter 1 INTRODUCTION 1.

Problems For many decades, fraud in financial transactions has caused a lot of serious damages to the economy and the development of many business over the world. Therefore, enterprises always spend large of their resources in detecting fraud in transactions.