A Decision Support System (DSS) for Fraud Detection Using Genetic Support Vector Machine (GSVM)
Chinedu Francis Egbunike · Chidiebele Innocent Onyali · Kenebechukwu Okafor
用遗传算法优化SVM构建财务欺诈检测决策支持系统，在制造业面板数据上验证。
遗传算法优化SVM超参数，SMOTE处理不平衡，75家制造业11年财务比率数据。
GSVM的RBF核10折交叉验证准确率87.91%，AUC 0.92，显著优于基线模型。
可将GSVM框架迁移至农业企业信贷欺诈或农产品供应链金融风险识别，填补农业金融风控空白。
该论文聚焦制造业财务舞弊检测的GSVM模型，与三农、农业信息化、数字乡村等主题无直接关联，不建议进入每日精选。
目的：本研究开发了一套用于欺诈预测的决策支持系统（DSS），采用遗传支持向量机（GSVM）——一种混合模型，利用遗传算法（GA）对从MachameRatios®中提取的财务比率上的支持向量机（SVM）超参数（C和γ）进行优化。研究方法：采用定量事后回溯设计，评估了来自六个行业75家目的性抽样的上市制造企业在11年面板期（2011—2021年）内的数据。通过合成少数类过采样技术（SMOTE）处理类别不平衡，通过基于绩效的阈值对数据进行标注，并将该混合框架与决策树、贝叶斯网络和朴素贝叶斯分类器进行了基准比较。结果：采用径向基函数（RBF）核的GSVM实现了87.91%的最优10折交叉验证准确率、89.4%的灵敏度和0.92的受试者工作特征曲线下面积（AUC-ROC），显著优于标准基线模型。结论：研究认为，基于包装法的GSVM为财务筛查提供了一条高精度且简约的非参数流程，为区域市场中企业监控的自动化奠定了数学上稳健的基础。局限性：本研究仅依赖于所抽样制造企业的财务比率架构。贡献：该系统通过SMOTE解决了数据不平衡问题，并证明经GA优化的特征选择优于其他方法。