Abstract:
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.
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.