El fraude financiero representa uno de los mayores desafíos para las instituciones financieras y plataformas digitales en la actualidad, especialmente ante el crecimiento exponencial de las transacciones electrónicas y los servicios fintech. La capacidad para prevenir y mitigar estos riesgos es fundamental para garantizar la seguridad, la confianza del usuario y la estabilidad del sistema financiero. Este estudio realiza una valoración comparativa de diversos modelos de machine learning aplicados a la detección y prevención del fraude financiero. El fraude financiero implica actividades ilícitas diseñadas para obtener beneficios económicos mediante engaños en transacciones, accesos no autorizados o manipulación de sistemas. Este fenómeno representa una amenaza significativa para la seguridad financiera global, afectando a bancos, fintechs, consumidores y reguladores. Las consecuencias incluyen pérdidas económicas directas, daño reputacional y disminución de la confianza en los sistemas financieros digitales. El machine learning (ML) se ha consolidado como una solución innovadora para la detección de fraude debido a su capacidad para aprender patrones complejos a partir de grandes volúmenes de datos. Los modelos supervisados, que requieren conjuntos de datos etiquetados, son los más comunes en esta área, pues pueden distinguir entre transacciones legítimas y fraudulentas con base en características extraídas de los datos. Se analizan modelos tradicionales y avanzados, tales como Random Forest, Gradient Boosting y Redes Neuronales, evaluando su desempeño en términos de precisión, sensibilidad, tasa de falsos positivos y el área bajo la curva ROC (AUC-ROC). Además, se profundiza en el manejo del desbalance de clases, un problema frecuente en este tipo de datos, a través de técnicas como oversampling, undersampling y ajuste de pesos en los modelos. El estudio destaca la importancia de la ingeniería de características para identificar patrones atípicos que indican actividad fraudulenta, integrando variables transaccionales, contextuales y comportamentales.