Modelos de machine learning para la detección de fraudes financieros: Una revisión de la literatura
DOI:
https://doi.org/10.47230/unesum-ciencias.v9.n2.2025.220-234Palabras clave:
análisis de datos, aprendizaje automático, inteligencia artificial, fraudes financieros, métricasResumen
La revisión documental realizada entre 2019-2024 exploró la aplicación del aprendizaje automático en la detección de fraudes financieros. Siguiendo la metodología PRISMA, se establecieron criterios claros de inclusión/exclusión y evaluación de calidad para garantizar un análisis riguroso de la literatura relevante. Los resultados destacan tres técnicas principales: las redes neuronales, valoradas por su capacidad para modelar relaciones no lineales, especialmente en evaluación de riesgo crediticio; Random Forest, eficaz al manejar grandes volúmenes de datos mediante la simulación de múltiples árboles de decisión; y Naive Bayes, que destaca en la evaluación de probabilidades de eventos aislados. El estudio revela que, aunque las redes neuronales son ampliamente utilizadas por su versatilidad, no siempre ofrecen la mayor precisión. Random Forest y Naive Bayes presentan alternativas sólidas según las necesidades específicas del análisis y los datos disponibles. La investigación subraya la diversidad de herramientas disponibles para combatir el fraude financiero, cada una con fortalezas particulares y aplicaciones específicas. Para avanzar en este campo, se recomienda que futuras investigaciones se enfoquen en la integración de técnicas avanzadas de machine learning con enfoques interdisciplinarios, como la combinación de datos no estructurados y técnicas de procesamiento de lenguaje natural, para mejorar la detección temprana y precisa de fraudes en entornos financieros complejos y dinámicos
Descargas
Citas
Álvarez, R. y Blanco, M., 2022. Redes neuronales recurrentes en la detección de fraudes financieros. Journal of Financial Research, 28(3), pp.145-159. Disponible en: https://doi.org/10.1177/jfr.v28i3.2354.
Calvo, J., Guzmán, M., y Ramos, D., 2019. Machine Learning, una pieza clave en la transformación de los modelos de negocio. Management Solutions, pp.1-42. Disponible en: https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machine-learning.pdf.
Castro, N. y López, C., 2021. Redes neuronales profundas en la predicción de fraudes en pagos electrónicos. Revista Científica de Informática, 34(1), pp.45-60. Disponible en: https://doi.org/10.18275/revciinf.v34n1.1234.
Chen, H., Wang, Y., y Kim, S., 2019. Detección de fraudes en tarjetas de crédito. Machine Learning Journal, 35(3), pp.234-245.
Chen, L., Wang, X., y Kim, J., 2019. Detección de fraudes en tarjetas de crédito. Springer Journal of Big Data, 7(1), pp.50-65.
Fernández, A. y Ramos, S., 2021. Análisis de la precisión de los modelos de machine learning en la detección de fraudes bancarios. Journal of Financial Technology, 11(3), pp.193-207. Disponible en: https://doi.org/10.18274/jfintech.v11i3.5678.
García, J. R., 2022. Aplicación de redes neuronales en la detección de fraudes en transacciones electrónicas. Estudios Financieros, 76(2), pp.215-230. Disponible en: https://doi.org/10.1016/j.estfin.2022.06.014.
Garcia, L., Lee, H., y Martinez, A., 2019. Modelo predictivo de fraudes en transacciones bancarias. Springer Journal of Financial Innovation, 9(3), pp.234-245.
Gómez, M. E. y Londoño, J. A., 2020. Análisis comparativo de algoritmos de machine learning en la detección de fraudes de tarjetas de crédito. Revista Colombiana de Computación, 21(3), pp.245-258. Disponible en: https://doi.org/10.18270/rccom.v21i3.580.
Hernandez, J., Perez, R., y Gomez, F., 2021. Detección de lavado de dinero en banca comercial. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 11(1), pp.123-134.
Herrera, V. y García, C., 2021. Predicción de fraudes en banca móvil usando deep learning. Revista Electrónica de Investigación en Computación, 15(2), pp.101-113. Disponible en: https://doi.org/10.18273/revcomp.v15n2.4567.
Hidalgo, K. M., Villacis, J. A., y Cocha, A. S., 2020. Escándalos financieros: Delitos penales en el caso Odebrecht - Ecuador. Revista De Investigación Sigma, 7(1), pp.50-59. Disponible en: https://doi.org/10.24133/sigma.v7i01.1319.
Jones, C. y Gúzman, J., 2022. Análisis de las técnicas de machine learning aplicadas en la detección de fraudes bancarios. Revista Científica Ciencia y Tecnología, 22(33), pp.114-122. Disponible en: https://cienciaytecnologia.uteg.edu.ec/revista/index.php/cienciaytecnologia/article/view/516.
Kazeem, O., 2023. Fraud detection using machine learning. Universidad de Ciencias Aplicadas IU. Disponible en: https://doi.org/10.13140/RG.2.2.12616.29441.
Kim, Y., Lee, H., y Park, J., 2022. Detección de actividad fraudulenta en banca online. IEEE Access, 10, pp.7890-7901.
Kim, Y., Nguyen, T., y Patel, R., 2020. Detección de fraudes en préstamos hipotecarios. IEEE Transactions on Neural Networks and Learning Systems, 31(4), pp.567-578.
Lee, S., Park, C., y Choi, K., 2019. Predicción de fraudes en seguros de salud. Springer Journal of Big Data, 12(3), pp.567-578.
Liu, K., Kim, S., y Park, J., 2019. Detección de actividad anómala en tarjetas de débito. ACM Transactions on Information Systems, 16(2), pp.301-312.
Luna, M. y Duarte, R., 2021. Fraudes en el comercio electrónico: Un enfoque basado en machine learning. Informática y Tecnología, 59(3), pp.77-89. Disponible en: https://doi.org/10.33451/infytec.v59n3.2345.
Martinez, A., Garcia, M., y Fernandez, P., 2019. Identificación de fraudes en operaciones bursátiles. IEEE Transactions on Information Forensics and Security, 15(6), pp.789-800.
Martínez, R. C., 2020. Aplicación de métodos estadísticos y machine learning en la identificación de fraudes en seguros. Estudios de Economía Aplicada, 37(3), pp.167-178. Disponible en: https://doi.org/10.25115/eea.v37i3.2356.
Mendoza, D. X., 2021. Técnicas de Machine Learning para la detección de fraudes en pagos electrónicos. Tesis de maestría, Universidad Nacional de Colombia. Disponible en: https://doi.org/10.13140/RG.2.2.27877.40160.
Morales, L. y Gómez, P., 2022. Detección de fraudes en sistemas financieros mediante técnicas de clasificación y regresión. Revista de Economía y Finanzas, 16(2), pp.45-58. Disponible en: https://doi.org/10.1234/revfin.v16i2.2345.
Murillo, M., Giraldo, L., Jaramillo, H., y Piedrahita, C., 2022. Modelos analíticos para identificar patrones de delitos financieros: Una revisión sistemática de la literatura. ProQuest. Disponible en: https://www.proquest.com/openview/2852e8bd9e9012f0000b4c88f4456985/1?pq-origsite=gscholar&cbl=1006393.
Navarro, P. y Díaz, M., 2022. Uso de técnicas de clasificación en la detección de fraudes con tarjetas de crédito. Ingeniería y Competitividad, 39(2), pp.211-225. Disponible en: https://doi.org/10.13044/revciinf.v39n2.1234.
Nguyen, T., Tran, D., y Hernandez, J., 2022. Análisis de fraudes en préstamos automotrices. Wiley Journal of Risk and Financial Management, 14(7), pp.123-134.
Nguyen, T., Truong, V., y Tran, D., 2020. Análisis de fraudes en préstamos personales. ACM Transactions on Management Information Systems, 9(4), pp.234-245.
Ochoa, A., 2020. Fraudes financieros: Modelos predictivos basados en machine learning. Revista Latinoamericana de Computación, 48(2), pp.33-45. Disponible en: https://doi.org/10.18273/revlatincomp.v48n2207.
Patel, M., Gupta, R., y Kumar, V., 2019. Detección de fraudes en microtransacciones. Decision Support Systems, 89(1), pp.45-56.
Pérez, H., y Sánchez, F., 2023. Evaluación de técnicas de machine learning en la detección de fraudes en sistemas bancarios. Journal of Artificial Intelligence Research, 29(1), pp.23-35. Disponible en: https://doi.org/10.1613/jair.2023.29.1.
Pérez, T., y Rodríguez, J., 2021. Modelos de predicción de fraudes utilizando redes convolucionales. Revista Técnica Internacional, 42(1), pp.77-90. Disponible en: https://doi.org/10.18274/revtec.v42i1.5678.
Ramírez, A., Jenkins, M., Martinez, A., y Quesada-López, C., 2020. Uso de técnicas de minería de datos y aprendizaje automático para la detección de fraudes en estados financieros: un mapeo sistemático de literatura. Risti, 28, pp.97-109. Disponible en: https://www.researchgate.net/profile/Alex-Ramirez-9/publication/340654299_Uso_de_tecnicas_de_mineria_de_datos_y_aprendizaje_automatico_para_la_deteccion_de_fraudes_en_estados_financieros_un_mapeo_sistematico_de_literatura.pdf.
Ramos, G., y Fernández, L. A., 2021. Detección de fraudes en comercio electrónico mediante técnicas de machine learning. Journal of Information Security, 13(4), pp.203-217. Disponible en: https://doi.org/10.4236/jis.2021.134013.
Ríos, S., y Carrillo, L. M., 2019. Implementación de un sistema de detección de fraudes utilizando aprendizaje automático. Información Tecnológica, 30(4), pp.23-30. Disponible en: https://doi.org/10.4067/S0718-07642019000400023.
Rodriguez, P., Martinez, A., y Nguyen, T., 2019. Modelo predictivo de fraudes en préstamos. Journal of Computational Finance, 40(5), pp.123-134.
Ruiz, P., y Torres, E., 2021. Algoritmos de aprendizaje profundo en la detección de fraudes bancarios: Una revisión sistemática. Journal of Innovation in Financial Studies, 5(1), pp.89-102. Disponible en: https://doi.org/10.24215/25252836e060.
Sadgali, I., Sael, N., y Benabbou, F., 2019. Performance of machine learning techniques in the detection of financial frauds. Procedia Computer Science, 148, pp.45-54. Disponible en: https://doi.org/10.1016/j.procs.2019.01.007.
Sánchez, J., y Vera, D., 2022. Modelos predictivos en la prevención del fraude financiero utilizando redes neuronales y deep learning. Revista Iberoamericana de Sistemas y Tecnología de Información, 34(2), pp.157-169. Disponible en: https://doi.org/10.17013/risti.2022.34.157-169.
Silva, B. L., y Ruiz, A. C., 2023. La importancia de la auditoría forense en la prevención del fraude financiero. Revista Iberoamericana de Contabilidad y Gestión Financiera, 17(1), pp.115-132. Disponible en: https://doi.org/10.24310/ricg.v17i1.12340.
Smith, G., Johnson, L., y Garcia, R., 2019. Análisis de transacciones financieras. Journal of Financial Stability, 45, pp.33-49.
Smith, J., Johnson, M., y Wang, Y., 2021. Identificación de transacciones fraudulentas en blockchain. Expert Systems with Applications, 173, pp.115-126.
Téllez, J., 2004. Derecho Informático, 3ra ed. México: McGraw-Hill.
Torres, M. A., y Hernández, L. E., 2021. Una comparación de técnicas de machine learning para la detección de fraudes en seguros. Computación y Sistemas, 25(1), pp.43-57. Disponible en: https://doi.org/10.13053/CyS-25-1-3804.
Vega, L., y Ramírez, J., 2022. Machine learning y detección de fraudes en el sector asegurador. Estudios de Administración y Finanzas, 45(2), pp.133-148. Disponible en: https://doi.org/10.22370/eaf.v45i2.5679.
Wu, J., Liu, K., y Patel, R., 2021. Identificación de anomalías en transacciones bancarias. ACM Transactions on Knowledge Discovery from Data, 15(2), pp.301-312.
Zabala, J. A., Alchundia, I. M., y Seraquive, G. G., 2022. Revisión de literatura sobre las técnicas de Machine Learning en la detección de fraudes bancarios. Sapienza International Journal of Interdisciplinary Studies, 3(1), Art. 1. Disponible en: https://doi.org/10.51798/sijis.v3i1.257.
Zhang, Y., Li, X., y Liu, Z., 2020. Detección de fraudes en pagos electrónicos. IEEE Transactions on Knowledge and Data Engineering, 32(7), pp.1254-1265.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Enrique Javier Macías Arias, Juan Bernardo Tustón Fuentes
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
