Para las instituciones financieras, la detección de fraudes con tarjetas de crédito es una actividad crítica donde la precisión y la eficiencia de los modelos de detección son importantes. Los métodos tradicionales a menudo utilizan técnicas estándar de selección de características que pueden ignorar patrones refinados en los datos de transacciones. Este documento presenta un nuevo enfoque que combina la agregación de características con la Selección Exhaustiva de Características (EFS) para mejorar el rendimiento de los modelos de detección de fraudes con tarjetas de crédito. A través de la agregación de características, se crean características de orden superior para capturar relaciones complejas dentro de los datos, luego se encuentran las características más relevantes evaluando todos los subconjuntos posibles de características sistemáticamente utilizando EFS. Nuestro método fue probado utilizando un conjunto de datos público de fraudes con tarjetas de crédito, PaySim. Cuatro clasificadores de aprendizaje populares -bosque aleatorio (RF), árbol de decisiones (DT), regresión logística (LR) y red neuronal profunda (DNN)- se utilizan con conjuntos de datos equilibrados para evaluar las técnicas. Los hallazgos muestran una gran mejora en la precisión de detección, puntaje F1 y AUPRC en comparación con otros enfoques. Específicamente, nuestro método mejoró el puntaje F1, la precisión y las medidas de recuperación, lo que subraya su capacidad para manejar las sutilezas de las transacciones fraudulentas de manera más efectiva en comparación con otros enfoques. Este artículo proporciona un análisis general del impacto de este método en el rendimiento del modelo, brindando algunas ideas para futuros estudios sobre la detección de fraudes y campos relacionados.