L'uso del Machine Learning per la Prevenzione delle Frodi Finanziarie

Financial fraud is one of the main threats to the stability of global markets and the integrity of financial institutions. The increase of digital transactions, together with technological evolution, has made these frauds more frequent and sophisticated.It becomes crucial to develop advanced tools able to prevent them and detect them in a timely manner. In this context, machine learning (ML) stands out as an innovative solution, thanks to its ability to analyze large amounts of data and identify complex patterns with high precision. This thesis analyzes the application of machine learning in financial fraud detection, with a focus on supervised, unsupervised and deep learning models. The choice of the topic stems from its practical importance and the need in the financial sector for reliable tools to overcome the risks associated with fraudulent activities. The methodology adopted is based on real and synthetic data obtained from public sources and simulations, It ranges from models that include supervised classification algorithms to unsupervised approaches for anomaly detection to the development of deep learning models to address complex scenarios and emerging fraud. Model performance was evaluated using precision, recall, F1-score and AUC-ROC. The focus here is on the balance between false positives and false negatives, a key aspect to ensure the practical effectiveness of solutions. This study contributes to the academic debate on the use of smart technologies in finance, proposing a framework for fraud detection and identifying future challenges and opportunities. Among these, the integration of unstructured data, the development of explainable models (explainable AI) and the move towards hybrid approaches are promising for future research. To conclude, this thesis demonstrates how machine learning can significantly improve the ability of financial institutions to prevent fraud, helping to strengthen security and confidence in global financial markets.

Le frodi finanziarie rappresentano una delle principali minacce alla stabilità dei mercati globali e all'integrità delle istituzioni finanziarie. L'aumento delle transazioni digitali, unito all'evoluzione tecnologica, ha reso queste frodi sempre più frequenti e sofisticate.Diventa cruciale sviluppare strumenti avanzati in grado di prevenirle e rilevarle in modo tempestivo. In tale contesto, il machine learning (ML) si distingue come una soluzione innovativa, grazie alla sua capacità di analizzare grandi quantità di dati e di identificare schemi complessi con elevata precisione. Questa tesi analizza l'applicazione del machine learning nel rilevamento delle frodi finanziarie, con un focus sui modelli di apprendimento supervisionato, non supervisionato e profondo. La scelta dell’argomento deriva dalla sua importanza pratica e dalla necessità, nel settore finanziario, di strumenti affidabili per superare i rischi legati alle attività fraudolente. La metodologia adottata si basa su dati reali e sintetici ottenuti da fonti pubbliche e simulazioni, spazia da modelli che comprendono algoritmi di classificazione supervisionata ad approcci non supervisonati per il rilevamento di anomalie fino allo sviluppo di modelli deep learning per affrontare scenari complessi e frodi emergenti. Le performance dei modelli sono state valutate attraverso strumenti quali precision, recall, F1-score e AUC-ROC. Il focus qua è rivolto al bilanciamento tra falsi positivi e falsi negativi, un aspetto fondamentale per garantire l'efficacia pratica delle soluzioni. Questo studio contribuisce al dibattito accademico sull'uso delle tecnologie intelligenti nella finanza, proponendo un struttura per il rilevamento delle frodi e identificando sfide e opportunità future. Tra queste, l'integrazione di dati non strutturati, lo sviluppo di modelli spiegabili (explainable AI) e il direzionarsi verso approcci ibridi rappresentano spunti promettenti per la ricerca futura. In conclusione, questa tesi dimostra come il machine learning possa migliorare significativamente la capacità delle istituzioni finanziarie di prevenire le frodi, contribuendo a rafforzare la sicurezza e la fiducia nei mercati finanziari globali.