Estrategias basadas en Machine Learning para la detección de fraude en transacciones financieras

Abstract

Este trabajo examina cómo el uso de Machine Learning (ML) puede mejorar la detección de fraude en transacciones financieras, abordando tanto los aspectos técnicos como regulatorios. Se analizan modelos avanzados como los árboles de decisión, las máquinas de soporte vectorial y las redes neuronales profundas, en conjunto con teorías clave como la Teoría del Fraude de Cressey y la Teoría de la Agencia. Además, se revisa el estado del arte en la detección de fraude a nivel global y regional, y se consideran los marcos legales y conceptuales necesarios para una implementación eficaz y conforme a las normativas, con un enfoque especial en la realidad colombiana.

This paper examines how the use of Machine Learning (ML) can improve fraud detection in financial transactions, addressing both technical and regulatory aspects. Advanced models such as decision trees, support vector machines, and deep neural networks are analyzed, alongside key theories like Cressey's Fraud Theory and Agency Theory. Additionally, the state of the art in fraud detection at both global and regional levels is reviewed, and the necessary legal and conceptual frameworks for an effective and compliant implementation are considered, with a special focus on the Colombian context.