Ich erstelle Betrugserkennungs- und Kreditrisikomodelle

Die meisten Betrugsmodule sind Black Boxes. Compliance-Teams, Risikobeauftragte und Prüfer müssen wissen, warum eine Transaktion markiert wurde, nicht nur dass sie es wurde.

Ich entwickle Betrugserkennungssysteme mit SHAP-Erklärbarkeit, sodass jede Entscheidung des Modells eine Feature-Ebene-Audit-Trail hat. Rechtssicher für KYC/AML-Berichte, regulatorische Überprüfungen und Kreditrisikogremien.

Meine Arbeit basiert auf XGBoost und LightGBM bei unausgewogenen Transaktionsdaten. Ich entwickle Balance-Drain-Signaturen, Velocity-Features und Abweichungsindikatoren für Konten. PR-AUC ist meine Hauptmetrik, Genauigkeit ist bei einer Betrugsrate von 1,8 % bedeutungslos.

Aufgebaut auf PaySim: 200K Transaktionen, 31 entwickelte Features, 0,674 PR-AUC-Basislinie, die aktiv verbessert wird. Echtes FinTech-Engineering, keine Spielzeug-Notebooks.

Services: binärer Betrugsklassifikator, Feature-Engineering-Pipeline, SHAP-Integration, Schwellenwert-Optimierung, Modellbewertungsbericht (PR-Kurve, ROC, Konfusionsmatrix), FastAPI-Implementierungsplan.

Lieferumfang: Python-Notebook oder Skript, trainiertes Modell-Artefakt, SHAP-Diagramme, Bewertungsbericht und Prüfungs-Memo.

Schreib mir mit deinem Dataset-Format, Transaktionsvolumen, Betrugsrate und ob eine FastAPI-Implementierung erforderlich ist.