علی اکبری قلعه

افزایش شتابان بانکداری دیجیتال، توسعه پرداخت های الکترونیکی و رشد خدمات مالی برخط، موجب افزایش پیچیدگی و تنوع الگوهای تقلب مالی در شبکه بانکی شده است. روش های سنتی کشف تقلب عمدتاً مبتنی بر قواعد ایستا و مدل های آماری کلاسیک هستند که در مواجهه با رفتارهای پیچیده و پویای متقلبانه کارایی محدودی دارند. پژوهش حاضر با هدف طراحی یک سیستم کشف تقلب مالی بلادرنگ مبتنی بر معماری ترنسفورمر در تراکنش های بانکی انجام شده است. در این پژوهش، با بهره گیری از سازوکار توجه چندسری و قابلیت استخراج وابستگی های زمانی بلندمدت، مدلی هوشمند جهت شناسایی تراکنش های مشکوک طراحی شد. داده های پژوهش شامل مجموعه ای از تراکنش های بانکی شبیه سازی شده مبتنی بر الگوهای واقعی شبکه بانکی ایران طی دوره 1400 تا 1404 است. پس از مرحله پاک سازی، استخراج ویژگی و نرمال سازی داده ها، مدل ترنسفورمر آموزش داده شد و عملکرد آن با مدل های جنگل تصادفی، شبکه عصبی بازگشتی و XGBoost مقایسه گردید. یافته های پژوهش نشان می دهد مدل پیشنهادی در معیارهای دقت، نرخ کشف تقلب، امتیاز F1 و کاهش خطای نوع دوم عملکرد بهتری نسبت به مدل های مقایسه ای دارد. همچنین مدل ترنسفورمر توانسته است الگوهای پیچیده تقلب زنجیره ای و رفتارهای غیرعادی را در محیط بلادرنگ با سرعت و دقت بالا شناسایی کند. نتایج پژوهش بیانگر آن است که استفاده از معماری ترنسفورمر می تواند به ارتقای سامانه های مدیریت ریسک و نظارت مالی در صنعت بانکداری کشور کمک کند.