Asegurar transacciones financieras en línea se ha convertido en una preocupación crítica en una era donde los servicios financieros se están volviendo cada vez más digitales. La transición a plataformas digitales para llevar a cabo transacciones diarias expuso a los clientes a posibles riesgos por parte de ciberdelincuentes. Este estudio propuso un marco que combina autenticación multifactor y aprendizaje automático para aumentar la seguridad de las transacciones financieras en línea. Nuestra metodología se basa en el uso de dos capas de seguridad. La primera capa incorpora dos factores para autenticar a los usuarios. La segunda capa utiliza un componente de aprendizaje automático, que se activa cuando el sistema detecta un posible fraude. Esta capa de aprendizaje automático emplea el reconocimiento facial como factor de autenticación decisivo para una mayor protección. Para construir el modelo de aprendizaje automático, se probaron cuatro clasificadores supervisados: regresión logística, árboles de decisión, bosque aleatorio y Bayes ingenuo. Los resultados mostraron que la precisión de cada clasificador fue del 97.938%, 97.881%, 96.717% y 92.354%, respectivamente. La superioridad de este estudio se debe a su metodología, que integra el aprendizaje automático como una capa incrustada en un marco de autenticación multifactor para abordar la usabilidad, eficacia y la naturaleza dinámica de las diversas características de las plataformas de comercio electrónico. Con el panorama financiero en constante evolución, se considerará una exploración continua de factores de autenticación y conjuntos de datos para mejorar y adaptar las medidas de seguridad en futuros trabajos.