En el mundo actual, las instituciones financieras (FIs) desempeñan un papel fundamental en el crecimiento económico de cualquier país y son vitales para la intermediación entre los proveedores de fondos invertibles, como depositantes, inversores y usuarios. Las FIs se centran en desarrollar políticas efectivas para la mitigación del riesgo de fraude financiero; sin embargo, la predicción oportuna del riesgo de fraude financiero ayuda a superarlo de manera efectiva y eficiente. Por lo tanto, aquí proponemos un enfoque novedoso para predecir el fraude financiero utilizando aprendizaje automático. Hemos utilizado características a nivel de transacción de 6,362,620 transacciones de un conjunto de datos sintético y las hemos alimentado a varios clasificadores de aprendizaje automático. También se analiza la correlación de diferentes características. Además, se generaron alrededor de 5000 muestras de datos adicionales utilizando una Red Generativa Antagónica Condicional para Datos Tabulares (CTGAN). La evaluación del predictor propuesto mostró mayores precisiónes que superaron a los enfoques existentes basados en aprendizaje automático. Entre los 27 clasificadores, XGBoost superó a todos los demás clasificadores en términos de puntuación de precisión con 0.999 de precisión, sin embargo, cuando se evaluó a través de una validación cruzada exhaustiva repetida de 10 pliegues, XGBoost aún dio una puntuación de precisión promedio de 0.998. Los hallazgos son particularmente relevantes para las instituciones financieras y son importantes para los reguladores y formuladores de políticas que buscan desarrollar políticas nuevas y efectivas para la mitigación del riesgo contra el fraude financiero.