شناسایی فعالیت‌های پولشویی در معاملات مالی با استفاده از روش‌های داده‌کاوی، قانون بنفورد و الگوریتم GANs

اقتصاد پولی مالی

مقاله 11، دوره 29، پاییز و زمستان 1401 - شماره پیاپی 24، آذر 1401، صفحه 327-358   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/mfe.2023.72676.1117

نویسندگان

عالیه کاظمی^{* 1}؛ امیر مقدم‌فلاحی²؛ علی ابدالی³؛ سارا آریائی⁴

¹استاد مدیریت عملیات و علوم تصمیم، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

²کارشناس ارشد مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

³استادیار دانشگاه علوم انتظامی امین، تهران، ایران

⁴دانشجوی دکتری مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران

چکیده

امروزه پدیده پول‌شویی به تهدیدی جدی برای اقتصاد جهانی تبدیل شده است. روش‌های سنتی مقابله با پول‌شویی هزینه‌بر و ناکارآمد هستند. اخیراً تکنیک‌های داده‌کاوی گسترش پیدا کرده‌اند و به عنوان روش‌های مناسب برای کشف فعالیت‌های پول‌شویی مورد توجه قرار گرفته‌اند. هدف این تحقیق، استفاده از الگوریتم‌های داده‌کاوی در کشف موارد مشکوک به پول‌شویی با استفاده از داده‌های واقعی تراکنش‌های بانکی است که ممکن است نیاز به بررسی‌های بیشتر داشته باشند. تحلیل داده‌ها با استفاده از فرآیند CRISP-DM انجام شده است. جامعه آماری تراکنش‌های بانک و نمونه آماری تراکنش‌های مربوط به یکی از شعب بانک است. داده‌ها از بانک اطلاعاتی بانک مورد مطالعه جمع‌آوری شده است. برای انجام این کار از دو رویکرد استفاده ‌شده است. در رویکرد اول با استفاده از الگوریتم k-میانگین ابتدا تراکنش‌های بانکی افراد خوشه‌بندی شده‌اند، سپس با استفاده از به‌کارگیری الگوریتم‌های کشف موارد مشکوک، تراکنش‌هایی که ممکن است مشکوک به پول‌شویی باشند مشخص گردیده‌اند. در رویکرد دوم، روشی نوین با به‌کارگیری قانون بنفورد و روش GANs برای کشف حساب‌هایی که در تراکنش‌های‌ آن‌ها از ارقام ساختگی استفاده ‌شده است و ممکن است مشکوک به پول‌شویی باشند معرفی شده است. رویکرد اول می‌تواند حساب‌هایی که در تراکنش‌های آن‌ها موارد پرت وجود دارد را با دقتی حدود ۹۳٪ درصد، و رویکرد دوم می‌تواند حساب‌های مشکوکی که در پنهان نمودن ارقام ساختگی در تراکنش‌های‌ آن‌ها، از روش‌های حرفه‌ای استفاده نشده است را با دقتی حدود ۶۰٪ به درستی تشخیص دهد.

کلیدواژه‌ها

پول‌شویی؛ داده کاوی؛ الگوریتم k میانگین؛ الگوریتم GANs؛ قانون بنفورد

مراجع

Ahmed, M.; Mahmood, A. N. & Islam, M. R. (2016). A survey of anomaly detection techniques in financial domain. Future Generation Computer Systems, 55, 278-288.

 Alexandre, C. R., & Balsa, J. (2023). Incorporating machine learning and a risk-based strategy in an anti-money laundering multiagent system. Expert Systems with Applications, 217, 119500.

 Álvarez-Jareño, J. A.; Badal-Valero, E., & Pavía, J. M. (2017). Using machine learning for financial fraud detection in the accounts of companies investigated for money laundering. Economics Department, Universitat Jaume I, Castellón (Spain).

 Asadi, M. (2015). Detection of money laundering in the banking system using genetic algorithms and neural networks. International Conference on New Research in Engineering Sciences. Tehran. (in Persian)

 Azar, A., & Khadivar, A. (2014). Application of multivariate statistical analysis in management. Tehran: Negahe Danesh. (in Persian)

 Badal-Valero, E.; Alvarez-Jareño, J. A., & Pavía, J. M. (2018). Combining Benford’s Law and machine learning to detect money laundering. An actual Spanish court case. Forensic science international, 282, 24-34.

 Berkhin, P. (2006). A survey of clustering data mining techniques. In Grouping multidimensional data (pp. 25-71). Springer, Berlin, Heidelberg.

 Bhattacharya, S.; Xu, D. & Kumar, K. (2011). An ANN-based auditor decision support system using Benford's law. Decision support systems, 50(3), 576-584.

 Busta, B., & Weinberg, R. (1998). Using Benford’s Law and neural networks as a review procedure. Managerial Auditing Journal. 13(6), 356-366.

 Diekmann, A. (2007). Not the first digit! using benford's law to detect fraudulent scientif ic data. Journal of Applied Statistics, 34(3), 321-329.

 Didimo, W.; Liotta, G., & Montecchiani, F. (2014). Network visualization for financial crime detection. Journal of Visual Languages & Computing, 25(4), 433-451.

 Durtschi, C.; Hillison, W. & Pacini, C. (2004). The effective use of Benford’s law to assist in detecting fraud in accounting data. Journal of forensic accounting, 5(1), 17-34.

 Farshadinia, M. & Basiri Ghaemi Pasand, A. (2016). Proposing a novel method to detect money laundering using data mining, 11th International Conference on Accounting and Management and 7th Conference on Entrepreneurship and Open Innovation. Tehran, Mehr Ishraq. (in Persian)

 Fiore, U.; De Santis, A.; Perla, F.; Zanetti, P. & Palmieri, F. (2019). Using generative adversarial networks for improving classification effectiveness in credit card fraud detection. Information Sciences, 479, 448-455.

 Ghazanfari, M.; Alizadeh, S. & Teymour Pour, B. (2008). Data mining and knowledge discovery. Tehran: Iran University of Science and Technology. (in Persian)

 Goodfellow, I.; Pouget-Abadie, J.; Mirza, M.; Xu, B.; Warde-Farley, D.; Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems. 2672-2680.

 Huang, S. M.; Yen, D. C.; Yang, L. W. & Hua, J. S. (2008). An investigation of Zipf's Law for fraud detection. Decision Support Systems, 46(1), 70-83.

 James, G.; Witten, D.; Hastie, T. & Tibshirani, R. (2013). An introduction to statistical learning, 112, New York: springer.

 Jantani, M. (2017). Identifying the role of money control systems in preventing electronic money laundering on the website of the Court of Audit. Studies of Economy, Financial Management and Accounting, 3(2/2), 69-61. (in Persian)

 Kiani, R. & Montazeri, M. (2015). An overview on anomaly detection methods. International Conference on Research in Science and Technology. Tehran, Karin Conference. (in Persian)

 Kumar, A.; Das, S. & Tyagi, V. (2020). Anti money laundering detection using Naïve Bayes classifier. IEEE International Conference on Computing, Power and Communication Technologies, 568-572.

 Lokanan, M. E. (2022). Predicting Money Laundering Using Machine Learning and Artificial Neural Networks Algorithms in Banks. Journal of Applied Security Research, 1-25.

 Martínez-Sánchez, J. F.; Cruz-García, S. & Venegas-Martínez, F. (2020). Money laundering control in Mexico: a risk management approach through regression trees (data mining). Journal of Money Laundering Control. 23(2), 427-439.

 Masjidi, A. (2015). Electronic money laundering and a case study of data mining methods in its prevention of that. International Conference on Applied Research in Information Technology, Computer and Telecommunications. Torbat-e Heydarieh, Khorasan Razavi Telecommunication Company. (in Persian)

 Nigrini, M. J. (1996). A taxpayer compliance application of Benford's law. The Journal of the American Taxation Association, 18(1), 72.

 Pearson, K. (1901). LIII. On lines and planes of closest fit to systems of points in space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2(11), 559-572.

 Raschka, S. & Mirjalili, V. (2017). Python machine learning. Packt Publishing Ltd.

 Salehi, A. & Ghazanfari, M. (2014). Introducing and reviewing the data mining methods to identify money laundering in electronic banking. The Second National Conference on Applied Research in Computer Science and Information Technology. Tehran. University of Applied Science and Technology. (in Persian)

 Sarraf, F. & Heidari, B. (1394). The need for proper implementation of internal control, auditing and training. Fourth National Conference and Second International Conference on Accounting and Management. Tehran. (in Persian)

 Seddighi, A. & Sajedinejad, A. (2009). A Deep Learning Approach to Fraud Detection in Financial Payment Services. Journal of Information Management, 5(1). 166-182. (in Persian)

 Suresh, C.; Reddy, K. T. & Sweta, N. (2016). A hybrid approach for detecting suspicious accounts in money laundering using data mining techniques. International Journal of Information Technology and Computer Science, 8(5), 37-43.

 Taghva, M.; Mansouri, T.; Feizi, K. & Akhgar, B. (2016). Fraud Detection in Credit Card Transactions; Using Parallel Processing of Anomalies in Big Data. Journal of Information Technology Management, 8(3), 477-498. (in Persian)

 Zhang, Y. & Trubey, P. (2019). Machine learning and sampling scheme: An empirical study of money laundering detection. Computational Economics, 54(3), 1043-1063.