Finding a Needle in a Haystack: A Machine Learning Framework for Anomaly Detection in Payment Systems

Nous proposons un cadre flexible d’apprentissage automatique pour surveiller les transactions en temps réel dans les systèmes de paiement de grande valeur (SPGV), lesquels représentent un élément central de l’infrastructure financière d’un pays. Notre cadre est susceptible de servir aux opérateurs et aux organes de surveillance de ces systèmes pour détecter des anomalies qui – si elles étaient causées par une cyberattaque ou une défaillance opérationnelle et passaient inaperçues – pourraient avoir de graves conséquences pour le SPGV concerné, ses participants et le système financier en général. Compte tenu du volume important des paiements à régler chaque jour et de la rareté des transactions vraiment anormales dans les SPGV, repérer des anomalies revient à chercher une aiguille dans une botte de foin. C’est pourquoi notre cadre repose sur deux niveaux de traitement. Le premier est basé sur un algorithme d’apprentissage automatique supervisé qui distingue les paiements typiques des paiements inhabituels. Seuls les paiements inhabituels sont soumis au second niveau de traitement, et passent par un algorithme non supervisé de reconnaissance des anomalies. Pour tester ce cadre, nous recourons à des données de transaction manipulées artificiellement et à des données de paiement provenant de SPGV canadiens. L’algorithme d’apprentissage automatique du premier niveau atteint un taux de détection de 93 % – résultat nettement supérieur à celui obtenu par les modèles économétriques couramment utilisés. De plus, l’algorithme du second niveau présente les transactions manipulées comme étant près de deux fois plus suspectes que les transactions originales, ce qui prouve son efficacité.