Financial technology, or Fintech, represents an emerging industry on the global market. With online transactions on the rise, the use of IT for automation of financial services is of increasing importance. Fintech enables institutions to deliver services to customers worldwide on a 24/7 basis. Its services are often easy to access and enable customers to perform transactions in real-time. In fact, advantages such as these make Fintech increasingly popular among clients. However, since Fintech transactions are made up of information, ensuring security becomes a critical issue. Vulnerabilities in such systems leave them exposed to fraudulent acts, which cause severe damage to clients and providers alike. For this reason, techniques from the area of Machine Learning (ML) are applied to identify anomalies in Fintech applications. They target suspicious activity in financial datasets and generate models in order to anticipate future frauds. We contribute to this important issue and provide an evaluation on anomaly detection methods for this matter. Experiments were conducted on several fraudulent datasets from real-world and synthetic databases, respectively. The obtained results confirm that ML methods contribute to fraud detection with varying success. Therefore, we discuss the effectiveness of the individual methods with regard to the detection rate. In addition, we provide an analysis on the influence of selected features on their performance. Finally, we discuss the impact of the observed results for the security of Fintech applications in the future.

中文翻译：

---

金融技术应用中用于欺诈检测的机器学习

金融技术或金融科技代表了全球市场上的新兴产业。随着在线交易的增长，使用IT自动化金融服务变得越来越重要。金融科技使机构能够24/7全天候为全球客户提供服务。它的服务通常易于访问，并使客户能够实时执行交易。实际上，诸如此类的优势使Fintech在客户中越来越受欢迎。但是，由于金融科技交易是由信息组成的，因此确保安全性成为关键问题。此类系统中的漏洞使他们容易遭受欺诈行为，这会对客户和提供者造成严重损害。因此，应用了机器学习（ML）领域的技术来识别Fintech应用程序中的异常情况。他们以金融数据集中的可疑活动为目标，并生成模型以预测未来的欺诈行为。我们为这个重要问题做出了贡献，并提供了针对此问题的异常检测方法的评估。分别对来自真实数据库和合成数据库的几个欺诈性数据集进行了实验。获得的结果证实，机器学习方法有助于欺诈检测，并取得不同程度的成功。因此，我们讨论关于检测率的各个方法的有效性。此外，我们对所选功能对其性能的影响进行了分析。最后，我们讨论了观察到的结果对未来金融科技应用程序安全性的影响。我们为这个重要问题做出了贡献，并提供了针对此问题的异常检测方法的评估。分别对来自真实数据库和合成数据库的几个欺诈性数据集进行了实验。获得的结果证实，机器学习方法有助于欺诈检测，并取得不同程度的成功。因此，我们讨论关于检测率的各个方法的有效性。此外，我们对所选功能对其性能的影响进行了分析。最后，我们讨论了观察到的结果对未来金融科技应用程序安全性的影响。我们为这个重要问题做出了贡献，并提供了针对此问题的异常检测方法的评估。分别对来自真实数据库和合成数据库的几个欺诈性数据集进行了实验。获得的结果证实，机器学习方法有助于欺诈检测，并取得不同程度的成功。因此，我们就检测率讨论了各个方法的有效性。此外，我们对所选功能对其性能的影响进行了分析。最后，我们讨论了观察到的结果对未来金融科技应用程序安全性的影响。获得的结果证实，机器学习方法有助于欺诈检测，并取得不同程度的成功。因此，我们讨论关于检测率的各个方法的有效性。此外，我们对所选功能对其性能的影响进行了分析。最后，我们讨论了观察到的结果对未来金融科技应用程序安全性的影响。获得的结果证实，机器学习方法有助于欺诈检测，并取得不同程度的成功。因此，我们讨论关于检测率的各个方法的有效性。此外，我们对所选功能对其性能的影响进行了分析。最后，我们讨论了观察到的结果对未来金融科技应用程序安全性的影响。