Implementación de Algoritmos de Machine Learning para la Detección Temprana de Fraude en Transacciones Electrónicas
Daniel Sol Sánchez
Abstract
El fraude en transacciones electrónicas representa una de las amenazas más significativas para el sector financiero, con impactos crecientes en la economía global. En la ciudad de Granada, España, el auge del comercio digital ha intensificado la necesidad de sistemas robustos para detectar actividades fraudulentas en tiempo real. Este estudio tiene como objetivo evaluar la efectividad de diversos algoritmos de aprendizaje automático (Machine Learning) para la detección temprana de fraudes en transacciones electrónicas. Para ello, se utilizó un enfoque cuantitativo aplicado, implementando modelos como Regresión Logística, Random Forest, XGBoost y Redes Neuronales Artificiales (ANN) sobre un conjunto de datos públicos desbalanceado. Se aplicaron técnicas de preprocesamiento como SMOTE para equilibrar las clases y se evaluó el rendimiento de los modelos mediante métricas como AUC-ROC, precisión, recall y F1-score. Los resultados indican que XGBoost obtuvo el mejor desempeño (AUC = 0.99), seguido de Random Forest (AUC = 0.98), ANN (AUC = 0.97) y Regresión Logística (AUC = 0.92). Se discuten las limitaciones del estudio, como el uso de datos simulados, y se proponen mejoras como el uso de métodos de ensamblado o técnicas de Deep Learning para investigaciones futuras. Este trabajo ofrece implicaciones relevantes para la aplicación práctica de modelos predictivos en entornos financieros reales.