شناسایی فعالیت های پولشویی در معاملات مالی با استفاده از روش های داده کاوی، قانون بنفورد و الگوریتم GANs (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
امروزه پدیده پول شویی به تهدیدی جدی برای اقتصاد جهانی تبدیل شده است. روش های سنتی مقابله با پول شویی هزینه بر و ناکارآمد هستند. اخیراً تکنیک های داده کاوی گسترش پیدا کرده اند و به عنوان روش های مناسب برای کشف فعالیت های پول شویی مورد توجه قرار گرفته اند. هدف این تحقیق، استفاده از الگوریتم های داده کاوی در کشف موارد مشکوک به پول شویی با استفاده از داده های واقعی تراکنش های بانکی است که ممکن است نیاز به بررسی های بیشتر داشته باشند. تحلیل داده ها با استفاده از فرآیند CRISP-DM انجام شده است. جامعه آماری تراکنش های بانک و نمونه آماری تراکنش های مربوط به یکی از شعب بانک است. داده ها از بانک اطلاعاتی بانک مورد مطالعه جمع آوری شده است. برای انجام این کار از دو رویکرد استفاده شده است. در رویکرد اول با استفاده از الگوریتم k-میانگین ابتدا تراکنش های بانکی افراد خوشه بندی شده اند، سپس با استفاده از به کارگیری الگوریتم های کشف موارد مشکوک، تراکنش هایی که ممکن است مشکوک به پول شویی باشند مشخص گردیده اند. در رویکرد دوم، روشی نوین با به کارگیری قانون بنفورد و روش GANs برای کشف حساب هایی که در تراکنش های آن ها از ارقام ساختگی استفاده شده است و ممکن است مشکوک به پول شویی باشند معرفی شده است. رویکرد اول می تواند حساب هایی که در تراکنش های آن ها موارد پرت وجود دارد را با دقتی حدود ۹۳٪ درصد، و رویکرد دوم می تواند حساب های مشکوکی که در پنهان نمودن ارقام ساختگی در تراکنش های آن ها، از روش های حرفه ای استفاده نشده است را با دقتی حدود ۶۰٪ به درستی تشخیص دهد.Detection of money laundering activities in financial transactions by using data mining methods, Benford's law and GANs algorithm
Nowadays, money laundering has become a serious threat to the world economy. Traditional methods of Anti Money Laundering (AML) are costly and inefficient. Recently, data mining techniques have been developed and have been considered as appropriate methods to detect money laundering activities. The purpose of this research is to detect money laundering suspicious cases which might need more detailed scrutiny using data mining algorithms with real banking transaction datasets. CRISP-DM would be used as the research methodology, the statistical population would be the banking transactions and samples would be the transactions of one of the bank branches. For this purpose, two main approaches are used. In the first approach, using the k-means algorithm, financial transactions of banking accounts are clustered. Then, using anomaly detection techniques, abnormal transactions that might be suspicious of money laundering and need to be scrutinized in more detail have been detected. In the second approach, a novel technique using Benford’s law and GANs algorithm has been introduced. It can detect financial accounts that used concocted amounts in their transactions and might be suspicious of financial fraud and money laundering. The first approach can identify accounts with outliers in their transactions with an accuracy of about 93%, and the second approach can identify suspicious accounts that do not use professional methods to hide fake figures in their transactions with an accuracy of about 60%. to recognize correctly.
تبلیغات
