在“互联网+金融”的快速发展中,信用卡交易欺诈检测一直是发卡机构关注的重点,也是国内外科研人员研究的重要课题。其中样本不平衡问题是影响欺诈检测准确率的关键因素,且现有的欺诈检测模型检测的准确率还可以再优化提高。为了解决以上两个问题,本文进行了算法融合,采用生成式对抗网络(Generative Adversarial Nets,GAN)和极端梯度提升(EXtreme Gradient Boosting,XGBoost)构建了一个基于GAN-XGBoost的信用卡交易欺诈检测模型。并利用真实的历史交易数据集做对比实验,从而证实该模型具有可行性和有效性。本文主要工作如下:(1)针对交易数据样本不平衡问题,采用了GAN算法进行数据增强,生成少数类新样本,生成过程不需要繁琐的采样序列,摒弃了直接对真实数据的复制或平均,只需直接进行新样本的采样和推断。GAN所生成的数据近似于真实值,有效避免了生成数据不真实性对分类检测准确率的影响。(2)在模型训练过程中,为了避免过拟合、计算复杂度高、适应性弱、分类准确率较低等问题,引用了集成学习算法中的XGBoost算法,该算法加入正则项到目标函数来寻求最优解,平衡模型复杂度,有效避免了过拟合问题,并且可以进行多线程并行计算,可使欺诈检测准确率得到提高。(3)为了突出该检测模型具有高效性,分别做了两组对比实验。其中一组是以XGBoost为基础的不同数据样本平衡方法间作对比,另一组是以GAN为基础的不同分类算法模型间作对比。同时在模型评估过程中,为了能够直观看出分类器性能好坏,本文新增了一个模型评估指标即精确回忆曲线下面积(Area Under the Precision-Recall Curve,AUPRC)进行模型评估。