ارائه یک متدولوژی مبتنی بر نقشه های خود سازمانده و شبکه های عصبی چندلایه برای رخدادهای مشکوک به پول شویی در سطح شعب بانک ها

الموضوعات :

حمید مهدوی کوچکسرایی ¹ ( گروه مدیریت منابع انسانی، دانشگاه آزاد اسلامی، واحد امارات، دبی، امارات متحده عربی )
محمدرضا شهریاری ² ( گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران )
فریدون رهنمای رودپشتی ³ ( گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران )
سید عبدالله سجادی جاغرق ⁴ ( گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران )

تاريخ الإرسال : 05 الأحد , ذو الحجة, 1441 تاريخ التأكيد : 03 السبت , محرم, 1442 تاريخ الإصدار : 18 الإثنين , شعبان, 1443

الکلمات المفتاحية: Self-organizing maps, Bank, multi-layer neural network, Money Laundering,

ملخص المقالة :

با توجه به اهمیت سیستم‌‌های بانکداری و سوء استفاده از این بستر برای مقاصد پولشویی، نیاز مبرم به پیاده سازی سیستم‌‌های ضد پولشویی از طرف دولت‌ها و موسسات سیاست گذار در امور اقتصادی مورد توجه است. همچنین با توجه به رشد تروریسم و تقلب‌‌های سازماندهی شده و از طرفی تصویب قوانین متعدد علیه این موارد نیاز به این سیستم‌‌ها در حال افزایش است. از سوی دیگر، پیچیدگی رفتار‌های مشکوک به پولشویی به گونه‌ای است که بدون ابزاری هوشمند و داده محور نمی‌توان در کشف پولشویی اقدام قابل توجهی انجام داد. نکته مهم و شاید کاربردی در ایران نزدیکی این سیستم‌‌ها با سیستم‌‌های ضد رشوه خواری، تقلب، تخلف و سیستم‌‌های بازرسی است که می‌تواند به عنوان ابزاری کارآمد برای واحد بازرسی بانک تلقی گردد. در این مقاله رویکردی مبتنی بر آنالیز و پردازش داده‌ها پیشنهاد می‌شود. در این رویکرد با استفاده از نقشه‌های خودسازمانده شعب بانک بر اساس رفتارهای مشابه خوشه بندی می شوند سپس با استفاده از یک شاخص خطی فرایند برچسب-گذاری شعب صورت می‌گیرد. در مرحله بعد با استفاده از آموزش یک شبکه عصبی چند لایه، الگویی جهت شناسایی شعب بانک که در آنها فرایند های مشکوک پولشویی صورت می‌گیرد معرفی می شود.

المصادر:

[1]. SU-NAN WANG, JIAN-GANG YANG, A Money Laundering Risk Evaluation Method Based On Decision Tree, Sixth International Conference on Machine Learning and Cybernetics(2007) 283-286

 

[2]. J. Kingdon, AI Fights Money Laundering, IEEE Transactionson Intelligent Systems, (2004), 87-89.

 

[3]. B. Scholkopf, A short tutorial on kernels. Microsoft Research, MSR-TR-200-6t,( 2000).

 

[4]. Ngai E.W.T., Yong Hu, Y.H. Wong, Yijun Chen, Xin Sun, The Application of Data Mining Techniques in Financial Fraud Detection: A Classification Framework and an Academic Review of literature; Decision Support Systems, 50(3), (2010), 559-569

 

[5]. D.R Wilson and T. R. Martinez, Improved Heterogeneousdistance functions. Journal of Artificial,(1997), 1-34

 

[6]. Asma S. Larik, Sajjad Haider, Clustering based Anomalous Transaction Reporting, Procedia Computer Science 3 (2011) 606–610

 

[7]. N-A. Le-Khac, S. Markos and M-T. Kechadi, Towards a newData Mining-based approach for Anti Money laundering inan international investment bank. International Conference onDigital Forensics & Cyber Crime (ICDF2C), Springer VerlagLNIST, 10(2009)

 

[8]. Dang Khoa Cao, Phuc Do, Applying Data Mining in Money Laundering Detection for the Vietnamese Banking

Industry, Springer, (2012), 207–216

 

[9]. Chen W.S. and Y.K. Du, Using Neural Networks and Data Mining Techniques for The Financial Distress Prediction Model, Expert Systems with Applications, 36, (2009), 4075–4086

 

[10]. Nhien An Le Khac, M-Tahar Kechadi, Application of Data Mining for Anti-Money Laundering Detection: A Case Study, IEEE International Conference on Data Mining Workshops, (2010)

 

[11]. Gao. Zengan, Application of Cluster-Based Local Outlier Factor Algorithm in Anti-Money Laundering, IEEE, 978-1-4244-4639-1,(2009 )

 

[12]. Jamshidi, M.B.; Gorjiankhanzad, M.; Lalbakhsh, A.; Roshani, S. A Novel Multiobjective Approach for Detecting Money Laundering with a Neuro-Fuzzy Technique. In Proceedings of the 2019 IEEE 16^th International Conference on Networking, Sensing and Control (ICNSC), Ban_, AB, Canada, 9–11 May 2019; pp. 454–458.

 

[13]. Magomedov, G.S.; Dobrotvorsky, A.S.; Khrestina, M.P.; Pavelyev, S.A.; Yusubaliev, T.R. Application of Artificial Intelligence Technologies for the Monitoring of Transactions in AML-Systems Using the Example of the Developed Classification Algorithm. Int. J. Eng. Technol. 2018, 7, 76–79.

 

[14]. Dorofeev, D.; Khrestina, M.; Usubaliev, T.; Dobrotvorskiy, A.; Filatov, S. Application of Machine Analysis Algorithms to Automate Implementation of Tasks of Combating Criminal Money Laundering. In Digital Transformation and Global Society, DTGS 2018, Communications in Computer and Information Science; Alexandrov, D., Boukhanovsky, A., Chugunov, A., Kabanov, Y., Koltsova, O., Eds.; Springer: Cham, Switzerland, 2018.

 

[15]. Plaksiy, K.; Nikiforov, A.; Miloslavskaya, N. Applying Big Data Technologies to Detect Cases of Money Laundering and Counter Financing of Terrorism. In Proceedings of the 2018 6th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW), Barcelona, Spain, 6–8 August 2018; pp. 70–77.

 

[16]. Sobreira Leite, Gleidson, Adriano Bessa Albuquerque, and Plácido Rogerio Pinheiro. "Application of Technological Solutions in the Fight Against Money Laundering—A Systematic Literature Review." Applied Sciences 9.22 (2019): 4800.

 

[17]. Ryder, Nicholas. "Money laundering: A review of the UKs anti-money laundering policy." (2020).

 

[18]. Tiwari, Milind, Adrian Gepp, and Kuldeep Kumar. "A review of money laundering literature: the state of research in key areas." Pacific Accounting Review (2020).

 

[19]. Kamath, D., Pavithra, K., & Pujari, K. (2019). Data mining techniques applied in banking sector-A review. International Journal of Social and Economic Research, 9(3), 358-365.

 

[20]. Kanchana, M., Chavan, P., & Johari, A. (2020). Detecting Banking Phishing Websites Using Data Mining Classifiers (No. 2855). EasyChair.

 

[21]. Shahbazi, F. (2020). Using Decision Tree Classification Algorithm to Design and Construct the Credit Rating Model for Banking Customers. IOSR Journal of Business and Management, 21(3, Series 2), 24-28.

 

[22]. Dinçer, H., Yüksel, S., Canbolat, Z. N., & Pınarbaşı, F. (2020). Data Mining-Based Evaluating the Customer Satisfaction for the Mobile Applications: An Analysis on Turkish Banking Sector by Using IT2 Fuzzy DEMATEL. In Tools and Techniques for Implementing International E-Trading Tactics for Competitive Advantage (pp. 320-339). IGI Global.

 

[23]. Kaur, M., Bhaddal, P., & Singh, G. (2019). Calculation of client credit risk prediction in banking sector using data mining.

 

[24]. Hassani, H., Huang, X., & Silva, E. (2018). Digitalisation and big data mining in banking. Big Data and Cognitive Computing, 2(3), 18.