مهدی احمدی نیا

افزایش شتابان بانکداری دیجیتال، توسعه پرداخت های الکترونیکی و رشد خدمات مالی برخط، موجب افزایش پیچیدگی و تنوع الگوهای تقلب مالی در شبکه بانکی شده است. روش های سنتی کشف تقلب عمدتاً مبتنی بر قواعد ایستا و مدل های آماری کلاسیک هستند که در مواجهه با رفتارهای پیچیده و پویای متقلبانه کارایی محدودی دارند. پژوهش حاضر با هدف طراحی یک سیستم کشف تقلب مالی بلادرنگ مبتنی بر معماری ترنسفورمر در تراکنش های بانکی انجام شده است. در این پژوهش، با بهره گیری از سازوکار توجه چندسری و قابلیت استخراج وابستگی های زمانی بلندمدت، مدلی هوشمند جهت شناسایی تراکنش های مشکوک طراحی شد. داده های پژوهش شامل مجموعه ای از تراکنش های بانکی شبیه سازی شده مبتنی بر الگوهای واقعی شبکه بانکی ایران طی دوره 1400 تا 1404 است. پس از مرحله پاک سازی، استخراج ویژگی و نرمال سازی داده ها، مدل ترنسفورمر آموزش داده شد و عملکرد آن با مدل های جنگل تصادفی، شبکه عصبی بازگشتی و XGBoost مقایسه گردید. یافته های پژوهش نشان می دهد مدل پیشنهادی در معیارهای دقت، نرخ کشف تقلب، امتیاز F1 و کاهش خطای نوع دوم عملکرد بهتری نسبت به مدل های مقایسه ای دارد. همچنین مدل ترنسفورمر توانسته است الگوهای پیچیده تقلب زنجیره ای و رفتارهای غیرعادی را در محیط بلادرنگ با سرعت و دقت بالا شناسایی کند. نتایج پژوهش بیانگر آن است که استفاده از معماری ترنسفورمر می تواند به ارتقای سامانه های مدیریت ریسک و نظارت مالی در صنعت بانکداری کشور کمک کند.

گسترش سریع اکوسیستم امور مالی غیرمتمرکز (DeFi) و بازار دارایی های رمزنگاری شده، ساختار سنتی نظام مالی را با چالش های بنیادین مواجه کرده است. ویژگی هایی نظیر عدم تمرکز، قراردادهای هوشمند، نقدینگی الگوریتمی، اهرم مالی پنهان و ارتباطات پیچیده میان پروتکل ها، موجب ظهور انواع جدیدی از ریسک های سیستمیک شده اند که ابزارهای متعارف مدیریت ریسک توانایی کافی برای شناسایی و پیش بینی آن ها را ندارند. هدف این پژوهش ارائه یک چارچوب یکپارچه برای ارزیابی ریسک های سیستمیک ناشی از DeFi و ارزهای دیجیتال با بهره گیری از مدل های شبیه سازی مونت کارلو کوانتومی و الگوریتم های هوش مصنوعی است. در این چارچوب، شبکه مالی غیرمتمرکز به عنوان یک سیستم پیچیده تطبیقی مدل سازی شده و وابستگی های غیرخطی میان پروتکل ها، صرافی های غیرمتمرکز، استیبل کوین ها و بازیگران بازار از طریق شبکه های عصبی عمیق و مدل های یادگیری گرافی استخراج می شود. سپس با استفاده از الگوریتم های مونت کارلو کوانتومی، سناریوهای گسترده ای از شوک های بازار، فروپاشی نقدینگی و سرایت ریسک شبیه سازی شده و احتمال وقوع بحران های سیستمیک برآورد می شود. نتایج نظری نشان می دهد که ترکیب قابلیت های پیش بینی هوش مصنوعی با سرعت همگرایی بالاتر الگوریتم های کوانتومی می تواند دقت ارزیابی ریسک های سیستمیک را نسبت به مدل های کلاسیک به طور معناداری افزایش دهد.