La creciente sofisticación del fraude ha vuelto obsoleta la detección de fraude basada en reglas, exponiendo a los bancos a un mayor riesgo financiero, daño reputacional y sanciones regulatorias. La estabilidad financiera, la confianza del cliente y el cumplimiento están cada vez más amenazados a medida que los modelos de Inteligencia Artificial (IA) centralizados no logran adaptarse, lo que lleva a ineficiencias, falsos positivos y detecciones no detectadas. Estas limitaciones requieren soluciones avanzadas de IA para que los bancos se adapten adecuadamente a los patrones emergentes de fraude. Si bien la IA mejora la detección de fraude, su naturaleza de caja negra limita la transparencia, dificultando que los analistas confíen, validen y refinen las decisiones, lo que plantea desafíos para el cumplimiento, la explicación del fraude y la defensa contra adversarios. La detección efectiva de fraude requiere modelos que equilibren alta precisión y adaptabilidad a los patrones emergentes de fraude. El Aprendizaje Federado (FL) permite el entrenamiento distribuido para la detección de fraude mientras preserva la privacidad de los datos y asegura el cumplimiento legal. Sin embargo, los enfoques tradicionales de FL operan como sistemas de caja negra, limitando a los analistas para confiar, verificar o incluso mejorar las decisiones tomadas por la IA en la detección de fraude. La IA Explicable (XAI) mejora el análisis de fraude al mejorar la interpretabilidad, fomentar la confianza, refinar las clasificaciones y asegurar el cumplimiento. La integración de XAI y FL forma un modelo que preserva la privacidad y es explicable, lo que mejora la seguridad y la toma de decisiones. Esta investigación propone un modelo de Aprendizaje Federado Explicable (XFL) para la detección de fraude financiero, abordando tanto la seguridad de FL como la interpretabilidad de XAI. Con la ayuda de Explicaciones Aditivas de Shapley (SHAP) y LIME, los analistas pueden explicar y mejorar la clasificación de fraude mientras mantienen la privacidad, la precisión y el cumplimiento. El modelo propuesto se entrena en un conjunto de datos de detección de fraude financiero, y los resultados destacan la eficiencia de la detección y la eliminación exitosa de falsos positivos y contribuyen a la mejora de los modelos existentes, ya que el modelo propuesto alcanzó una precisión del 99.95% y una tasa de error del 0.05%, allanando el camino para un sistema basado en IA más efectivo y completo para detectar posibles fraudes en la banca.