Тип работы:
Предмет:
Язык работы:


ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ ДЛЯ ОБНАРУЖЕНИЯ МОШЕННИЧЕСКИХ ТРАНЗАКЦИЙ ПО ЛЕГАЛИЗАЦИИ (ОТМЫВАНИЮ) ДЕНЕЖНЫХ СРЕДСТВ

Работа №190812

Тип работы

Бакалаврская работа

Предмет

экономика

Объем работы64
Год сдачи2021
Стоимость4250 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
2
Не подходит работа?

Узнай цену на написание


Введение 7
1 Отмывание денежных средств преступным путем 9
1.1 Понятие и процесс легализации (отмывания) денежных средств 9
1.2 Существующие методы легализации (отмывания) денежных средств 17
1.3 Традиционные методы обнаружения легализации (отмывания) денежных средств 21
2 Методы интеллектуального анализа данных для обнаружения мошеннических
транзакций по легализации (отмыванию) денежных средств 25
2.1 Теоретические основы интеллектуального анализа данных 25
2.2 Существующие методы интеллектуального анализа данных для обнаружения
мошеннических транзакций по легализации (отмыванию) денежных средств 28
3 Построение моделей интеллектуального анализа данных для обнаружения
мошеннических транзакций по легализации (отмыванию) денежных средств 38
3.1 Построение модели случайного леса для обнаружения мошеннических
транзакций по легализации (отмыванию) денежных средств 38
3.2 Построение модели ориентированного графа для обнаружения мошеннических
транзакций по легализации (отмыванию) денежных средств 42
3.3 Рекомендации по улучшению валидации моделей 51
Заключение 58
Литература 60
Предметный указатель компетенций

Отмывание денег за последние 20 лет является одной из глобальных проблем мирового сообщества. Отмывание денег и тем самым финансирование терроризма является актуальной проблемой, так как представляет собой серьезную угрозу для законной экономики и угрожает целостности финансовых институтов. Она также оказывает неблагоприятное воздействие на экономическую мощь в определенных секторах или отраслях. Если ее не остановить, она развращает общество в целом. Борьба с отмыванием денег преследует несколько целей.
- Преступность наносит материальный и нематериальный ущерб третьим лицам, отдельным лицам и обществу в целом.
- Отмывание денег может привести к снижению доверия населения к определенным профессиям, таким как юристы, бухгалтеры и нотариусы, а также доверия к таким секторам экономики, как недвижимость, гостиничный бизнес, банки и другие финансовые учреждения.
- Инвестирование доходов от преступлений может также исказить конкуренцию между предприятиями и предпринимателями.
- Отмывание денег позволяет преступнику начинать, продолжать и расширять деятельность в легальных секторах экономики. Это может создать впечатление, что преступление платит и может стимулируйте людей начинать криминальную карьеру.
На данный момент выявление мошеннических транзакций осуществляется с помощью сопоставления данных внутреннего контроля, внешних аудитов и горячих линий. Такой подход, во-первых, не является формализованным алгоритмом, а во-вторых, сопряжен с временными и денежными затратами на его осуществление. Именно поэтому решение задачи детектирования мошеннических транзакций с помощью машинного обучения является на сегодня актуальной темой исследования.
Поэтому цель исследования - построение моделей для определения мошеннических транзакций по легализации (отмыванию) денежных средств с помощью методов интеллектуального анализа данных.
При этом можно выделить следующие основные задачи:
- рассмотреть понятие и сущность легализации (отмывания) денежных средств;
- изучить процесс легализации (отмывания) денежных средств;
- изучить традиционные методы обнаружения мошеннических транзакций по легализации (отмыванию) денежных средств;
- изучить нормативно-правовые документы по легализации (отмыванию) денежных средств;
- изучить теоретические основы интеллектуального анализа данных;
- рассмотреть существующие методы интеллектуального анализа данных для обнаружения мошеннических операций по легализации (отмыванию) денежных средств;
- построить модель случайного леса для выявления мошеннических транзакций по легализации (отмыванию) денежных средств;
- построить модель ориентированного графа для выявления мошеннических транзакций по легализации (отмыванию) денежных средств;
- выявить достоинства и недостатки построенных моделей;
- предложить рекомендации по улучшению валидации моделей.
Объект исследования - мошеннические транзакции по легализации (отмыванию) денежных средств.
Предмет исследования - размеченный набор количественных признаков транзакций за конкретно взятый период.
В работе использовались методы интеллектуального анализа данных и общенаучные методы, такие как синтез, системный анализ, абстрагирование, обобщение, изучение и анализ литературы.
Работа состоит из введения, трех глав, заключения, списка литературы.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В отчете проводился анализ целесообразности использования методов интеллектуального анализа данных при обнаружении легализации (отмывания) денег для увеличения эффективности мониторинга отмывания денежных средств.
Цель исследования - построение моделей для определения мошеннических транзакций по легализации (отмыванию) денежных средств с помощью методов интеллектуального анализа данных.
Для достижения данной цели были решены следующие основные задачи:
- рассмотрены понятие и сущность легализации (отмывания) денежных средств;
- изучен процесс легализации (отмывания) денежных средств;
- изучены традиционные методы обнаружения мошеннических транзакций по легализации (отмыванию) денежных средств;
- изучены нормативно-правовые документы по легализации (отмыванию) денежных средств;
- изучены теоретические основы интеллектуального анализа данных;
- рассмотрены существующие методы интеллектуального анализа данных для обнаружения мошеннических операций по легализации (отмыванию) денежных средств;
- построена модель случайного леса для выявления мошеннических транзакций по легализации (отмыванию) денежных средств;
- построена модель ориентированного графа для выявления мошеннических транзакций по легализации (отмыванию) денежных средств;
- выявлены достоинства и недостатки построенных моделей;
- предложены рекомендации по улучшению валидации моделей.
Эффективность работы механизмов противодействия терроризма обеспечивается современными информационно-аналитическими системами поддержки принятия решений. Это совершенно новая область научных исследований, возникшая и развивающаяся на основе работ по анализу социальных сетей, интеллектуальному анализу интернет-данных. Сейчас открываются новые горизонты развития сферы интеллектуального анализа данных и машинного обучения, что в будущем позволит еще более эффективно бороться с преступлениями по легализации (отмыванию) денежных средств.
Модели интеллектуального анализа данных, такие как, случайный лес и ориентированный граф, построенные в данной работе, показали отличные результаты при обнаружении мошеннических транзакций на синтетическом наборе данных. Обнаружение мошеннических транзакций с помощью моделей интеллектуального анализа данных, позволило сохранить в экономике 4 645 879,87 руб. В дальнейшем можно дорабатывать модели, улучшать валидацию и пробовать выполнять построение моделей уже не на синтетическом наборе данных, а на реальных данных, которые используются в экономике, банковской сфере.
Таким образом, задачи данной работы можно считать решенными, цель достигнутой.



1. О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма [Электронный ресурс] : федер. закон от 07.08.2001 г. № 115-ФЗ (в ред. от 30.12.2020) // КонсультантПлюс: справ. правовая система. - Версия Проф. - Электрон. дан. - М., 2018. - URL : http://www.consultant.ru/document/cons doc LAW 32834/(дата обращения: 05.05.2021)
2. Об отмывании, выявлении, изъятии и конфискации доходов от преступной деятельности [Электронный ресурс] : конвенция (заключена в г. Страсбурге) от 08.11.1990 (с изм. от 16.05.2005) // КонсультантПлюс: справ. правовая система. - Версия Проф. - Электрон. дан. - М., 2018. - URL : http://www.consultant.ru/document/cons doc LAW 120806/(дата обращения: 06.05.2021)
3. Общая ситуация в области отмывания денег и финансирования терроризма [Электронный ресурс] // ФАТФ [Офиц. сайт] - URL:https://www.fatf-gafi.org/(дата обращения: 05.05.2021)
4. Понятие и сущность легализации (отмывания) денежных средств или иного имущества, приобретенных другими лицами преступным путем [Электронный ресурс] // Следственное управление Следственного комитета Российской Федерации по Омской области [Офиц. сайт] - URL: https://omsk.sledcom.ru/folder/876919/item/1335367 2007-2019 (дата обращения: 06.05.2021)
5. Федеральная служба по финансовому мониторингу (Росфинмониторинг) http://www.fedsfm.ru/activity/fatf (дата обращения: 04.05.2021)
6. Методика анализа данных [Электронный ресурс] // BaseGroup Labs / URL: www.basegroup.ru/(дата обращения: 07.05.2021)
7. Мосягин А.Б. Использование методологии Data Mining при решении задач обработки социальных данных. / А.Б. Мосягин // Мониторинг общественного мнения.2015. №2. С. 126
8. Поручиков М.А. Анализ данных: учебное пособие / М.А. Поручиков - Самара: Изд- во Самарского университета, 2016. - 88 с
9. Money laundering: a three - stage process [Электронный ресурс] // About Business Crime Solutions. URL :https://www.moneylaundering.ca/public/law/3 stages ML.php(дата обращения: 07.05.2021)
10. A Brief Overview of Outlier Detection Techniques [Электронный ресурс] // Towards data science URL:https://towardsdatascience.com/a-brief-overview-of-outlier-detection-techniques-1e0b2c19e561(дата обращения: 04.05.2021)
11. Allen, T. J., Gloor, P. A., Fronzetti Colladon, A., Woerner, S., & Raz, O. (2016). The power of reciprocal knowledge sharing relationships for startup success. Journal of Small Business and Enterprise Development, 23, 636-651.
12. AML Model Risk Management and Validation: Introduction to Best Practices [Электронный ресурс] // ACAMS. URL:https://www.acamstoday.org/introduction-to-best-practices/(дата обращения: 06.05.2021)
13. AUSTRAC, 2014. Money Laundering Methodologies. AUSTRAC, Commonwealth of Australia URL: http://www.austrac.gov.au/typologies-2008-methodologies Accessed(дата обращения: 06.05.2021)
14. Cryptocurrency Money Laundering Explained [Электронный ресурс] // Bitquery. URL : https://bitquery.io/blog/cryptocurrency-money-laundering(дата обращения: 10.05.2021)
15. Dalby, Douglas. Wilson-Chapman, Amy. ‘Panama Papers helps recover more than $1.2 billion around the world’. International Consortium of Investigative Journalists, 3 Apr 2019. Accessed Sep 2019.
16. Deshpande P. Applications of Data Mining Techniques for Fraud Detection in Credit-Debit Card Transactions / P. Deshpande // Conference: National Conference on Technological Advancement and Automatization in Engineering. 2016. С. 341
17. Eifrem E. How graph technology can map patterns to mitigate money-laundering risk / E. Eifrem // Computer Fraud & Security. 2019. №10. С. 6-8
18. Hoque, F., Jahidul Islam, M. and Shatabda, S. (2015), “A two-tier classification model for financial fraud detection”, International Journal of Computer Applications, Vol. 18 No. 19, pp. 1-8.
19. How Money Laundering Works [Электронный ресурс] // HowStuffWorks, a division of InfoSpace Holdings, LLC, a System1 Company. URL : https://money.howstuffworks.com/money-laundering.htm#pt2(дата обращения: 10.05.2021)
20. Kaggle: Your Machine Learning and Data Science Community [Электронный ресурс] // Kaggle. URL:https://www.kaggle.com/(01.05.2021)
21. Loginom Help [Электронный ресурс] // Loginom. URL: https://help.loginom.ru/userguide/(дата обращения: 01.05.2021)
22. Maimon O. Data Mining and Knowledge Discovery Handbook / O. Maimon, L. Rokach. - New York: Springer, 2010. - 1279
23. Meissner, D. (2019), “Money laundering in B.C. estimated at $1B a year - but reports were not shared with province, AG says”, available at: www.cbc.ca/news/canada/british- columbia/moneylaundering-billions-bc-david-eby-1.4983471 (accessed 9 February 2017).
24. Money-Laundering and Globalization’. UNODC. Accessed Sep 2019. www.unodc.org/unodc/en/ money-laundering/globalization.html(дата обращения: 08.05.2021)
25. Murthy, D., Gross, A., Takata, A., Bond, S.: Evaluation and Development of Data Mining Tools for Social Network Analysis. In Mining Social Networks and Security Informatics. Springer Netherlands, 2013.
26. Papadopoulos, S., Kompatsiaris, Y., Vakali, A., Spyridonos, P.: Community detection in social media. Data Mining and Knowledge Discovery, 24(3), 515-554, 2012
27. Rajdeepa1 B. Fraud Detection in Banking Sector using Data mining / B. Rajdeepa1, D. Nandhitha // International Journal of Science and Research. 2013. C. 1822
28. Ramageri B.M. Data mining techniques and applications / B.M. Ramageri // Indian Journal of Computer Science and Engineering. 2010. № 4. C. 301
29. References Ahmed, M., Mahmood, A. N., & Islam, M. R. (2015). A survey of anomaly detection techniques in financial domain. Future Generation Computer Systems, 55, 278-288.
30. Rekha B. Data Mining Techniques in Fraud Detection / B. Rekha // Journal of Digital Forensics, Security and Law. 2008. №2. С. 38
31. Romera, Pierre. Gallego, Cecile. ‘How ICIJ deals with massive data leaks like the Panama Papers and Paradise Papers’. [Электронный ресурс] // International Consortium of Investigative Journalists. URL: www.icij.org/blog/2018/07/ how-icij-deals-with- massive-dataleaks-like-the-panama-papers-andparadise-papers/(дата обращения: 07.05.2021)
32. Written, I., Frank, E., Hall, M. and Pal, C., Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Elsevier, Toronto, ON.2017


Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ