THE USE OF MACHINE LEARNING IN DETECTING FINANCIAL FRAUD
DOI:
https://doi.org/10.56238/bocav25n78-020Keywords:
Machine Learning, Financial Fraud, Fraud DetectionAbstract
Introduction: The growing digitization of financial services has led to an increase in fraud, making its detection a significant challenge for financial institutions. In this context, the use of machine learning techniques stands out as an efficient approach, capable of analyzing large volumes of data and identifying suspicious patterns with greater accuracy. Objective: To analyze the use of machine learning techniques in the detection of financial fraud, highlighting the main algorithms, applications, and challenges involved. Materials and Methods: This is a qualitative study conducted through a literature review. The survey identified 186 studies, of which 12 comprised the final sample after applying the inclusion and exclusion criteria. The analysis was performed through exploratory, selective, and analytical reading, organizing the data into thematic categories. Results: The studies showed that algorithms such as Random Forest and Gradient Boosting perform well in fraud detection. The effectiveness of hybrid models and data balancing techniques was also observed. However, challenges such as imbalanced data, false positives, and the need for continuous model updates still persist. Scientific Contribution: This study contributes by systematizing and critically analyzing the main approaches in the literature, identifying trends, challenges, and gaps in the use of machine learning for financial fraud detection. Conclusion: It is concluded that machine learning is an essential tool in combating financial fraud, although it still presents challenges that require continuous improvement, especially in light of the constant evolution of fraudulent strategies.
References
ALARFAJ, Fawaz Khaled et al. Credit Card Fraud Detection Using State-of-the-Art Machine Learning and Deep Learning Algorithms. IEEE Access, v. 10, p. 39700-39715, 2022. DOI: 10.1109/ACCESS.2022.3166891. Disponível em: https://ieeexplore.ieee.org/document/9755930. Acesso em: 02 mai. 2026. DOI: https://doi.org/10.1109/ACCESS.2022.3166891
ARAUJO, Danilo da Rocha Lira. Estudo comparativo entre algoritmos de aprendizagem de máquina aplicados à detecção de fraudes de cartão de crédito / Danilo Araujo. - Recife, 2022. 48 p. Trabalho de Conclusão de Curso (Graduação) - Universidade Federal de Pernambuco, Centro de Informática, Sistemas de Informação - Bacharelado, 2022. Disponível em: https://repositorio.ufpe.br/bitstream/123456789/47179/5/TCC%20Danilo%20da%20Rocha%20Lira%20Arau%CC%81jo%20-%202022.pdf. Acesso em: 24 abr. 2026.
ARAÚJO, Victor Santos Pimentel Rodrigues de; VAZ, Giovanna Castro. Utilização de aprendizado de máquina para detecção de fraudes em cartão de crédito. 2022. 52 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia de Redes de Comunicação) — Universidade de Brasília, Brasília, 2022. Disponível em: https://bdm.unb.br/bitstream/10483/34494/1/2022_VictorDeAraujo_GiovannaVaz_tcc.pdf. Acesso em: 18 abr. 2026.
BOTELHO, Louise de Lira Roedel; CUNHA, Cristiano Castro de Almeida; MACEDO, Marcelo. O método da revisão integrativa nos estudos organizacionais. Gestão e Sociedade, Belo Horizonte, v. 5, n. 11, p. 121–136, 2011. DOI: https://doi.org/10.21171/ges.v5i11.1220
BRUM, Laura Pianetti de. REIS, Luiza Santangelo. Tendências e aplicação de técnicas de dissuasão, detecção e prevenção no combate a fraudes financeiras. Rev. Catarin. Ciênc. Contáb., Florianópolis/SC, v. 24, 1-21, e3538, 2025. ISSN 2237-7662, DOI: https://doi.org/10.16930/2237-7662202535381. DOI: https://doi.org/10.16930/2237-766220253538
CARCILLO, Fabrizio et al. Credit Card Fraud Detection: A Realistic Modeling and a Novel Learning Strategy. IEEE Transactions on Neural Networks and Learning Systems, v. 30, n. 12, p. 3784-3797, 2019. DOI: 10.1109/TNNLS.2018.2852630. Disponível em: IEEE Xplore. Acesso em: 01 mai. 2026. DOI: https://doi.org/10.1109/TNNLS.2017.2736643
EXPERIAN. Fraud detection using machine learning and AI. [S. l.], c. 2024. Disponível em: https://www.experian.co.uk/blogs/latest-thinking/guide/machine-learning-ai-fraud-detection/. Acesso em: 18 abr. 2026.
GIL, Antônio Carlos. Métodos e técnicas de pesquisa social. 7. ed. São Paulo: Atlas, 2019.
LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Fundamentos de metodologia científica. 9. ed. São Paulo: Atlas, 2021.
LEE, C.-W., et al. Evaluating Machine Learning Algorithms for Financial Fraud Detection: Insights from Indonesia. Mathematics, 13(4), 600. 2025https://doi.org/10.3390/math13040600. Disponível em: https://www.mdpi.com/2227-7390/13/4/600. Acesso em: 24 abr. 2026. DOI: https://doi.org/10.3390/math13040600
MIENYE, Ibomoiye Domor; SUN, Yanxia. A Deep Learning Ensemble With Data Resampling for Credit Card Fraud Detection. IEEE Access, v. 11, p. 30628-30638, 2023. DOI: 10.1109/ACCESS.2023.3262020. Disponível em: https://ieeexplore.ieee.org/document/10081315. Acesso em: 11 maio 2026. DOI: https://doi.org/10.1109/ACCESS.2023.3262020
MISTICO, Giovane Piola. Aprendizado de máquina aplicado a fraudes em cartões. 54p. 2023. Monografia (Graduação em Engenharia Mecatrônica) - Escola de Engenharia de São Carlos da Universidade de São Paulo, 2023. Disponível em: https://bdta.abcd.usp.br/directbitstream/f41a5ae8-4c56-4db9-b274-d794576d72cc/Mistico_Giovane_tcc.pdf. Acesso em: 24 abr. 2026.
OLIVEIRA, Vinicius Dias. Métodos de machine learning na detecção de fraude em cartão de crédito: um estudo comparado. Revista Científica ACERTTE - ISSN 2763-8928, [S. l.], v. 5, n. 9, p. e59265, 2025. DOI: 10.63026/acertte.v5i9.265. Disponível em: https://acertte.org/acertte/article/view/265. Acesso em: 24 abr. 2026. DOI: https://doi.org/10.63026/acertte.v5i9.265
ONO, Kaue T. L. SILVA, Kleberson dos S. MOLINA, Mariângela F. F. Comparação de três algoritmos de Machine Learning: adaboost, árvore de decisão e floresta aleatória para detecção de fraudes de cartão de crédito e seu impacto em clientes e instituições financeiras. Revista Eletrônica Anima Terra, Faculdade de Tecnologia de Mogi das Cruzes – FATEC-MC. Mogi das Cruzes-SP., n°19, ano IX, p.44-57, 2° semestre, 2024. ISSN 2526-1940.
PACHECO JUNIOR, João Carlos. Modelos para detecção de fraudes utilizando técnicas de aprendizado de máquina. 102 f. Dissertação (mestrado profissional MPFE) – Fundação Getúlio Vargas, Escola de Economia de São Paulo. 2019. Disponível em: https://repositorio.fgv.br/server/api/core/bitstreams/b4d9367d-712f-496e-8b15-ecb349671723/content. Acesso em: 25 abr. 2026.
PAULINO, Murilo Cabral. SILVA, André Luiz da. FLORIAN, Fabiana. A evolução dos modelos de inteligência artificial na detecção de fraudes financeiras. Revista FT. Ciências Exatas e da Terra, Volume 29, Edição 152, 2025. DOI: 10.69849/revistaft/ra10202511112333. Disponível em: https://revistaft.com.br/a-evolucao-dos-modelos-de-inteligencia-artificial-na-deteccao-de-fraudes-financeiras/. Acesso em: 24 abr. 2026.
SADGALI, Imane; SAEL, Nawal; BENABBOU, Faouzia. Performance of Machine Learning Techniques in the Detection of Financial Frauds. Procedia Computer Science, v. 148, p. 45-54, 2019. DOI: DOI:10.1016/j.procs.2019.01.007. DOI: https://doi.org/10.1016/j.procs.2019.01.007
SANTOS, Andrei Camilo dos. Aprendizagem de Máquina Aplicado na Detecção de Fraudes em Cartão de Crédito. 42p. Universidade Federal de Ouro Preto – UFOP
Departamento de Estatística – DEEST, Ouro Preto-MG. 2023. Disponível em: https://www.monografias.ufop.br/bitstream/35400000/6454/7/MONOGRAFIA_AprendizadoM%C3%A1quinaAplicado.pdf. Acesso em: 24 abr. 2026.
SANTOS, Daniele Chaves dos. Detecção de fraudes em transações Pix com algoritmos de aprendizado de máquina. 2025. 34 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) - Universidade Federal do Amazonas, Itacoatiara (AM), 2025. Disponível em: https://riu.ufam.edu.br/bitstream/prefix/8898/2/TCC_DanieleChaves.pdf. Acesso em: 24 abr. 2026.
SILVA, César Augusto Tibúrcio. Metodologia da pesquisa científica. Brasília: Universidade de Brasília, 2018.
SILVA, Martony Demes da; ROMA, Warleyson Costa. Fraudes em Cartões de Crédito: Uma Abordagem Híbrida e Unificada com Machine Learning e GMM. In: Workshop de Sistemas de Informação (WSIS), 16. 2025, Rio Paranaíba/MG. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2025. p. 89-96. DOI: https://doi.org/10.5753/wsis.2025.15731. DOI: https://doi.org/10.5753/wsis.2025.15731
SOCCA JUNIOR, J. R. Técnicas de Mineração de Dados para Identificar Padrões Suspeitos em Transações Financeiras. Revista Tópicos, Rio de Janeiro, v. 2, n. 10, p. 1-31, 2024. ISSN: 2965-6672. Disponível em: https://revistatopicos.com.br/artigos/te-cnicas-de-minerac-a-o-de-dados-para-identificar-padro-es-suspeitos-em-transac-o-es-financeiras. Acesso em: 23 abr. 2026.
SOUSA, Jocélio Silva de. Estudo comparativo entre modelos para detecção de fraudes em cartões de crédito. 2021. 41 f. Trabalho de Conclusão de Curso (graduação) – Universidade Federal do Ceará, Campus de Russas, Curso de Ciência da Computação, Russas, 2021. Disponível em: https://repositorio.ufc.br/bitstream/riufc/58056/1/2021_tcc_jssousa.pdf. Acesso em: 23 abr. 2026.
SOUZA, Daniel H.M. de. BORDIN JR., Claudio J. Detecção de fraude de cartão de crédito por meio de algoritmos de aprendizado de máquina. Revista Brasileira de Computação Aplicada, v. 15, n. 1, pp. 1–11, 2023. DOI: 10.5335/rbca.v15i1.13790. Homepage: seer.upf.br/index.php/rbca/index. DOI: https://doi.org/10.5335/rbca.v15i1.13790
SOUZA, Márcio Nunes de. NOVAIS, Renato Lima. CALUMBY, Rodrigo Tripodi. Water Fraud Analytics – um modelo de Machine Learning para detecção de fraudes em consumo de água. ABES - Associação Brasileira de Engenharia Sanitária e Ambiental. 33º Congresso da ABES – FITABES, 2025. Disponível em: https://abes-dn.org.br/anaiseletronicos/33cbesa/242_tema_xi.pdf. Acesso em: 23 abr. 2026.
STOJANOVIĆ, B., et al. Follow the Trail: Machine Learning for Fraud Detection in Fintech Applications. Sensors, 21(5), 1594. 2021. DOI: https://doi.org/10.3390/s21051594. Disponível em: https://www.mdpi.com/1424-8220/21/5/1594. Acesso em: 23 abr. 2026. DOI: https://doi.org/10.3390/s21051594
TOSTA, P. L. M. DIAS, J. C.; Detecção de fraudes em transações bancárias utilizando inteligência artificial. Revista Processando o Saber, [s. l.], v. 17, n. 01, 21-37, 6 jun. 2025. DOI 10.5281/zenodo.15477217. Disponível em: https://www.fatecpg.edu.br/revista/index.php/ps/article/view/341. Acesso em: 20 abr. 2026.
VARMEDJA, Dejan et al. Credit Card Fraud Detection – Machine Learning methods. In: International Symposium Infoteh-Jahorina (INFOTEH), 18., 2019. Proceedings [...]. IEEE, 2019. p. 1-5. DOI: 10.1109/INFOTEH.2019.8717766. Disponível em: https://ieeexplore.ieee.org/document/8717766. Acesso em: 01 mai. 2026. DOI: https://doi.org/10.1109/INFOTEH.2019.8717766
WHITTEMORE, Robin; KNAFL, Kathleen. The integrative review: updated methodology. Journal of Advanced Nursing, v. 52, n. 5, p. 546–553, 2005. DOI: https://doi.org/10.1111/j.1365-2648.2005.03621.x
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution 4.0 International License.
Copyright (c). Conjuncture Bulletin (BOCA)
This work is licensed under a Creative Commons Attribution 4.0 International License.
