МЕТОДЫ ЧИСЛЕННОЙ ОПТИМИЗАЦИИ ДЛЯ ВЫЯВЛЕНИЯ АНОМАЛИЙ В ФИНАНСОВЫХ ТРАНЗАКЦИЯХ: ИНТЕРПРЕТИРУЕМЫЙ ГИБРИДНЫЙ ПОДХОД

Аннотация

Современные финансовые системы обрабатывают огромные объемы транзакций в режиме реального времени, где аномалии редки, зависят от времени и маскируются стохастическим шумом. Традиционные методы обнаружения часто не позволяют выявить динамическую природу мошенничества или обеспечить интерпретируемость, требуемую регулируемыми финансовыми секторами. В этой работе разрабатывается интерпретируемая гибридная платформа для обнаружения аномалий, интегрирующая численную оптимизацию в рамках моделей пространства состояний и архитектур ARIMAX/SARIMAX. Предлагаемая модель эффективно отражает меняющиеся временные зависимости и структурные сдвиги в данных о транзакциях. Разбивая сигналы на базовые тенденции и внешние остаточные значения, система обеспечивает прозрачную математическую основу для каждой отмеченной аномалии, обеспечивая возможность проверки. Производительность системы тщательно проверяется с помощью показателя Precision@K и комплексного анализа затрат и полезности. Результаты показывают, что такой подход, основанный на численной оптимизации, сводит к минимуму ложные срабатывания при выявлении транзакций с высоким уровнем риска. В конечном счете, эта платформа предлагает масштабируемое решение в режиме реального времени, которое устраняет разрыв между высокой прогностической способностью и прозрачностью, необходимой для проведения финансового криминалистического анализа.