Journal of Money and Economy

en رویکرد ترکیبی PCA-SVM برای تشخیص تقلب در کارت اعتباری: افزایش نظارت بر سیستم پرداخت و ثبات مالی Hybrid PCA–SVM Approach to Credit Card Fraud Detection: Enhancing Payment System Oversight and Financial Stability اقتصاد پولی Monetary Economics پژوهشی اصیل - كاربردی Original Research - Empirical کلاهبرداری کارت اعتباری همچنان یک تهدید مهم برای مؤسسات مالی و یکپارچگی سیستم‌های پرداخت دیجیتال است و چالش‌هایی را برای مدیریت ریسک عملیاتی و نظارت نظارتی ایجاد می‌کند. این مقاله یک چارچوب یادگیری ماشین ترکیبی جدید برای تشخیص کلاهبرداری کارت اعتباری ارائه می‌دهد که تحلیل مؤلفه‌های اصلی (PCA) را برای استخراج ویژگی با یک مکانیسم انتخاب ویژگی مبتنی بر ماشین بردار پشتیبان (SVM) ترکیب می‌کند. هدف، کاهش ابعاد در عین حفظ آموزنده‌ترین ویژگی‌ها و در نتیجه بهبود عملکرد تشخیص در مجموعه داده‌های تراکنش بسیار نامتوازن است. این رویکرد بر روی یک مجموعه داده تراکنش‌های کارت اعتباری بزرگ ارزیابی می‌شود، که در آن ابتدا از PCA برای تبدیل متغیرهای ورودی به مؤلفه‌های اصلی که اکثریت واریانس را در بر می‌گیرند استفاده می‌شود و سپس یک SVM با حذف ویژگی بازگشتی برای شناسایی و حفظ مرتبط‌ترین مؤلفه‌ها به کار گرفته می‌شود. نتایج تجربی نشان می‌دهد که خط لوله PCA-SVM پیشنهادی به طور قابل توجهی از مدل‌های پایه فاقد این مهندسی ویژگی ترکیبی بهتر عمل می‌کند: به عنوان مثال، با حفظ دقت بالا، به میزان چند درصد به یادآوری کلاهبرداری (نرخ تشخیص) بالاتری دست می‌یابد که منجر به بهبود نمرات F1 و دقت کلی می‌شود. این یافته‌ها نشان می‌دهد که روش ترکیبی به طور مؤثر مشکلات عدم تعادل طبقاتی را کاهش داده و ویژگی‌های اضافی را حذف می‌کند و یک مدل تشخیص تقلب فشرده‌تر و قوی‌تر ارائه می‌دهد. مطالعه ما با افزایش شناسایی تراکنش‌های تقلب نادر بدون هشدارهای کاذب بیش از حد، به اهداف بانک مرکزی در مدیریت ریسک تقلب کمک می‌کند. چارچوب پیشنهادی می‌تواند انعطاف‌پذیری زیرساخت‌های پرداخت دیجیتال را تقویت کرده و از نظارت بر سیستم پرداخت پشتیبانی کند و در نهایت به حفظ ثبات مالی و اعتماد عمومی به کانال‌های پرداخت الکترونیکی کمک کند. <table class="MsoTableGrid" style="width:100.0%; border-collapse:collapse; border:none" width="100%"> <tbody> <tr> <td style="border-bottom:1px solid black; width:66%; padding:0in 7px 0in 7px; height:148px; border-top:1px solid white; border-right:1px solid white; border-left:1px solid white" valign="top">Credit card fraud remains a significant threat to financial institutions and the integrity of digital payment systems, posing challenges for both operational risk management and regulatory oversight. This paper presents a novel hybrid machine learning framework for credit card fraud detection that combines Principal Component Analysis (PCA) for feature extraction with a Support Vector Machine (SVM) based feature selection mechanism. The aim is to reduce dimensionality while retaining the most informative features, thereby improving detection performance on highly imbalanced transaction datasets. The approach is evaluated on a large credit card transactions dataset, where PCA is first used to transform the input variables into principal components capturing the majority of variance, and an SVM with recursive feature elimination is then employed to identify and retain the most relevant components. Experimental results demonstrate that the proposed PCA–SVM pipeline significantly outperforms baseline models lacking this hybrid feature engineering: for example, it achieves a higher fraud recall (detection rate) by several percentage points while maintaining high precision, leading to improved F1-scores and overall accuracy. These findings indicate that the hybrid method effectively mitigates class imbalance issues and eliminates redundant features, yielding a more compact and robust fraud detection model. By enhancing the identification of rare fraudulent transactions without excessive false alarms, our study contributes to central bank objectives in fraud risk management. The proposed framework can strengthen the resilience of digital payment infrastructures and support payment system oversight, ultimately helping to safeguard financial stability and public trust in electronic payment channels.</td> </tr> </tbody> </table> تشخیص تقلب کارت اعتباری؛ تحلیل مؤلفه‌های اصلی؛ ماشین بردار پشتیبان؛ انتخاب ویژگی؛ یادگیری ماشین ترکیبی؛ استخراج ویژگی Credit card fraud detection, Principal Component Analysis, Support Vector Machine, Feature selection, Hybrid machine learning, Feature Extraction 81 120 http://jme.mbri.ac.ir/browse.php?a_code=A-10-78-2&slc_lang=en&sid=1 Younes Nademi یونس نادمی younesnademi@abru.ac.ir 10031947532846007295 10031947532846007295 Yes Department of Economics, Faculty of Humanities, Ayatollah Boroujerdi University, Boroujerd, Iran گروه اقتصاد، دانشکده علوم انسانی، دانشگاه آیت الله بروجردی، بروجرد، ایران Sayyed Mohammad Hoseini سید محمد حسینی smhoseiny@gmail.com 10031947532846007296 10031947532846007296 No Gahar Artificial Intelligence Research Group, Ayatollah Boroujerdi University, Boroujerd, Iran گروه پژوهشی هوش مصنوعی گهر، دانشگاه آیت‌الله العظمی بروجردی، بروجرد، ایران Majid Ebtia مجید ابتیاع majid.ebtia@gmail.com 10031947532846007297 10031947532846007297 No Gahar Artificial Intelligence Research Group, Ayatollah Boroujerdi University, Boroujerd, Iran گروه پژوهشی هوش مصنوعی گهر، دانشگاه آیت‌الله العظمی بروجردی، بروجرد، ایران Faranak Ahmadi فرانک احمدی faranaka010@gmail.com 10031947532846007298 10031947532846007298 No Department of Computer Engineering, Faculty of Engineering, Ayatollah Boroujerdi University, Boroujerd, Iran گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه آیت الله العظمی بروجردی، بروجرد، ایران