پول الکترونیکی و ماشین بردار پشتیبان

دانلود پایان نامه

بر خلاف بیشتر تحقیقات جاری که مستقیما تراکنش های مشکوک را تعیین می کنند، آنها فرآیند را به چند گام تقسیم کردند که بیشتر بر قدم اول که پتانسیل ریسک پول شویی را در هر مشتری ارزیابی می کند تمرکز کردند. یک بانک با 1 میلیون مشتری در چین، متوسط محسوب می شود، دسته های مختلف مشتریان امکان ذاتی متفاتی برای ارتکاب فعالیت پول شویی دارند. مثلا برای یک شرکت نفتی ممکن است 10 میلیون نقد معمولی باشد ولی برای یک شرکت کوچک صادرات-واردات شدیدا مشکوک است. برای مشتریان متفاوت باید سیاست های ضد پول شویی متفاوتی اختیار کرد. آنها عوامل اولیه برای ریسک پول شویی مشتریان را موارد زیر برشمردند:
شغل و ریسک ذاتی آن) صنعت مشتری) چیست
مکان مشتری کجاست؟
اندازه تجارت مشتری
محصول بانکی) کدام نوع از محصولات یا خدمات به مشتری ارائه می شود)
همچنین در خصوص یکنواخت سازی داده ها برای مشخصه‌هایی که ذکر شد، هرکدام را به سه دسته کم، متوسط و زیاد، رتبه بندی کردند، مثلا در مشخصه صنایع صنایع تولیدی و شیمیایی دارای ریسک پول شویی پایین، آی‌تی ریسک متوسط و تجارت خارجی، خرده فروشی و تبلیغات، ریسک بالا دارند.. همچنین برای سایر متغیرها نیز به همین شکل بر اساس نظرات افراد خبره و تجربیات گذشته، این رتبه بندی انجام شده است. نتایج به‌دست آمده از درخت تصمیم بیانگر آن است که نوع صنعت، پر اهمیت ترین معیار است و پس از آن اندازه تجارت و مکان و نوع محصول قرار دارند. در میان نمونه 28 تایی فقط یکی از داده ها خارج از قاعده درخت تصمیم قرار گرفته است. این قاعده بدست آمده می تواند در سیستم بر خط تشخیص تراکنش ها برای قضاوت در مورد مشکوک بودن یا نبودن یک تراکنش کمک کند. سیستم گشایش حساب به صورت خودکار یک رتبه ریسک پول شویی به مشتریان اختصاص می‌دهد.با بکار بستن این درخت تصمیم، از میان 160 هزار مشتری، 12% آنها به عنوان ریسک بالا شناخته شدند که لازم است در آینده تراکنش های آنها بیشتر تحت نظر باشند و بهتر مانیتور شوند. قواعد مستخرج از این پروژه به سیستم بانک اضافه خواهد شد تا مشتریان جدید را بر اساس ریسک پول شویی گروه بندی کند.
در [24] نویسندگان برای تشخیص رفتارهای غیر معمول مشتری ماشین بردار پشتیبان [25]را توسعه داده اند.آن‌ها ترکیبی از الگوریتم‌‌های نظارت شده و بدون ناظر ماشین بردار پشتیبان را ارائه داده اند. ماشین بردار پشتیبان یک رده‌ای [25]یک رویکرد یادگیری بدون ناظر مورد استفاده برای شناسایی نقاط پرت بر اساس مجموعه داده‌‌های آموزشی بدون برچسب است که برای مجموعه آموزش پولشویی بسیار مناسب است. مزیت این روش آن است که میتواند با مجموعه داده‌‌های ناهمگون کار کند. با این حال ارزیابی عملکرد آن بر اساس مجموعه داده‌‌های شبیه سازی شده برای موارد مشکوک می باشد.
[35] فرآیند گسسته را بر روی مجموعه داده، برای ساختن خوشه‌‌ها اعمال کرده است. آن‌ها در ابتدا کل جدول زمانی را به نمونه‌‌های زمانی مختلف گسسته سازی نمودند. از این رو، هر تراکنش به عنوان یک گره در یک فضای جدول زمانی یک بعدی مشاهده شده است. آن‌ها برای تشکیل یک هیستوگرام تمام تراکنشات مشتری را به وسیله سرجمع تراکنش‌‌ها و فرکانس آن‌ها بر روی محور جدول زمانی طرح ریزی کردند، .سپس خوشه‌‌ها را بر اساس بخش‌‌های هیستوگرام ایجاد نمودند. همچنین برای تشخیص الگو‌های مشکوک تحلیل همبستگی محلی و سراسری را اعمال نمودند.این رویکرد با کاهش مسئله خوشه بندی به مسئله بخش بندی، پیچیدگی را کاهش می دهد. [29]بعلاوه، آزمودن تراکنشات برای تشخیص رفتار‌های مشکوک مرتبط با تپه‌‌های غیر طبیعی در هیستوگرام به منظور تحلیل کردن رفتار‌های فردی و رفتار‌های گروهی مناسب است. اگرچه، از آنجائیکه باید تراکنشات و مشتریان بیشمار را در طول یک دوره زمانی طولانی تحلیل کنیم از آنجائی‌که در هیستوگرام تعداد بسیار کم و یا هیچ تپه اوج وجود ندارد ، تشخیص موارد مشکوک مشکل می باشد .بنابراین در ابتدا تحلیل سراسری دیگری نیاز است و سپس می توان این روش را برای تحلیل‌‌های آتی در این مورد اعمال نمود.
در مقاله دیگر یک روش تشخیص ناهنجاری هیبرید ارائه می گردد، که از تکنیک خوشه بندی برای مبنا قرار دادن رفتارهای نرمال مشتری، و از روش های آماری برای بیان انحراف از معیار یک تراکنش خاص از رفتار گروه مرتبط با آن، استفاده می کند. این رویکرد برای دسته بندی مشتریان در خوشه های متفاوت از تئوری اقلیدسی استفاده می کند[39].
یک ترکیب ازخوشه بندی و پرسپترون چند لایه توسط [32] پیشنهاد شده است. نویسندگان یک تکنیک خوشه بندی مبتنی بر مرکز ساده برای تشخیص موارد مشکوک پولشویی را ارائه کرده اند. این تکنیک براساس دو ویژگی مهم است که به عنوان ورودی فرآیند آموزش پرسپترون چند لایه استفاده شده اند. نتایج ابتدائی آن‌ها نشان می دهد که رویکرد آنان کارا می باشد. اگرچه تعداد ویژگی‌ها و تعداد الگو‌های آموزش کاملا کوچک است و این مسئله دقت کلی را متاثر نماید.
درمقاله دیگر مجموعه داده آموزش جدید ، برای تبدیل داده بانک به داده های مناسب برای الگوریتم CLOPEکه در خصوص تکنیک خوشه بندی برای داده اسمی (مقادیر رشته ای) می باشد. ، به منظور تشخیص موارد پولشوئی، ارائه گردیده است.نتایج آزمایشی نشان می دهد که CLOPE یک الگوریتم مناسب برای تشخیص موارد پولشوئی می باشد.اما این سیتم نمیتواند به تنهائی، به طور کامل، اجرا گردد. و باید از توانائی تحلیل گران در تجزیه و تحلیل داده ها، و ارائه مجموعه ای از قوانین (معیارهای تعیین شده) برای اعتبار بخشی به خوشه ها پس از عمل خوشه بندی، استفاده نمود[8].
جمع بندی
پولشویی یعنی شستن و تبدیل پول کثیف به پول تمیز به نوعی که پس از خروج از این چرخه قانونی جلوه کند؛ به عبارت دیگر پولشویی عبارت است از هر نوع عمل برای مخفی کردن یا تغییر هویت نامشروع حاصل از فعالیت‌‌های مجرمانه به گونه ای که وانمود شود این عواید از منابع قانونی حاصل شده است.
در مجموع، می توان رو ش‌های پولشویی را در سه بخش: پولشویی از طریق سیستم بانکی و مؤسسات اعتباری، پولشویی از طریق سازمان‌‌های مالی غیربانکی و پولشویی از طریق مؤسسات یا فعالیت‌های اقتصادی طبقه بندی کرد که مرسوم ترین شکل‌های پولشویی از طریق سیستم بانکی و مؤسسات اعتباری عبارت اند از: سپرده گذاری مبالغ قابل توجه و انتقال سپرده‌‌ها، گشایش حساب بانکی با نام‌‌های مجعول، گشایش حساب‌‌های اشتراکی، به کارگیری پول الکترونیکی و بانکداری اینترنتی و غیره
به منظور شناسایی فرآیند پولشویی، دولت‌‌ها همواره گزارش‌‌های متعددی از بانک‌‌های خود طلب می‌نمایند و بانک‌‌ها موظف هستند موارد مشکوک به پولشویی را در قالب چارچوب مورد درخواست بانک مرکزی تهیه و به طور مستمر ارائه نمایند. از سوی دیگر، پیشرفت بانکداری الکترونیکی به تدریج شناسایی روش‌‌ها و رفتار‌های مشکوک به پول‌شویی را پیچیده‌تر نموده است. به طوری که شناسایی این رفتار‌ها با توجه به حجم انبوه اطلاعات در یک بانک بدون استفاده از سیستم‌‌های ضد پولشویی میسر نمی‌باشد. سیستم ضد پولشویی با جمع آوری اطلاعات پراکنده در سطح بانک عملیات پردازش و شناسایی افراد و رفتار‌های مشکوک به پول‌شویی را در زمان مناسب انجام داده و گزارش‌‌های مورد نیاز را تولید و ارائه می‌نماید.
به منظور شناسایی موارد مشکوک به پولشویی لازم است بانک‌‌ها و مؤسسات اعتباری دارای یک سیستم نظارت بر گردش عملیات بانکی مشتری باشند. در این راستا و از آنجا که شناسایی و کنترل گردش عملیات مشتری، فرایندی مستمر است؛ لازم است مؤسسات مذکور با نصب نرم افزار‌های ویژه مبارزه با پولشویی، اطلاعات اخذ شده از مشتریان را مدیریت کنند. از جمله ویژگی‌‌های نرم افزار‌های فوق، قابلیت جمع آوری، تجزیه و تحلیل، نمایش و عرضه اطلاعات و شناسایی موارد مشکوک است. نرم افزار‌های مذکور به گونه ای طراحی شده اند که امکان بررسی و کنترل حساب‌‌ها و گردش عملیات بانکی مشتریان به صورت مستمر و در کوتاه ترین زمان را فراهم می سازند[38].
داده‌کاوی عبارت است از تحلیل داده‌‌ها به‌منظور کشف روابطِ از قبل نامعلومی که اطلاعات مفیدی ارائه می‌کنند. کشف تقلب به یکی از جا افتاده‌ترین کاربرد‌های داده‌کاوی چه در صنعت و چه در دولت تبدیل شده است. هر چند بسته‌‌های نرم‌افزاری تجاری مختلفی با محیط تعاملی آسان برای کاربران، در حال حاضر در دسترس هستند که انجام کار‌های پیچیده داده‌کاوی را به‌ظاهر آسان می‌کنند و الگوریتم‌های داده‌کاوی بسیاری برای کشف تقلب مورد استفاده قرار گرفته‌اند، اما کاربرد آن‌ها، همچنان از چارچوب سنتی داده‌کاوی یعنی انتخاب ویژگی، نمایندگی، گرداوری و مدیریت داده‌‌ها، پیش‌پردازش، داده‌کاوی، پس‌پردازش و ارزیابی عملکرد پیروی می‌کند. پرکاربردترین روش‌‌های داده‌کاوی برای کشف تقلب‌‌های مالی عبارتند از مدل‌‌های رگرسیون لجستیک (رایج‌ترین)، شبکه‌‌های عصبی، شبکه‌ استنباط بیزین و درخت تصمیم که همه آن‌‌ها راه‌حل‌‌های قابل توجهی را برای مشکلات ذاتی در کشف و طبقه‌بندی داده‌‌های تقلبی ارائه می‌کنند [17]
داده‌کاوی این توان را دارد که سناریو‌های جدیدی برای کشف نمونه‌‌های پولشویی ارائه دهد.داده‌کاوی به عنوان فرایندی خودکار برای استخراج اطلاعات و الگو‌های جالب توجه، بارز، ضمنی، از قبل ناشناخته و بالقوه مفید از انبار داده‌‌های حجیم، شناخته می شود. . هنگامی که الگوریتم‌‌ها و تکنیک‌‌های داده‌کاوی روی چنین تراکنش‌‌هایی اعمال می شوند، الگو‌های پنهان از جریان وجوه را پرده برداری می‌کنند [21]
همراه شدن اطلاعات مشتری و دانش فرد خبره منجر به آن می‌گردد که معاملات مشکوک به طور همروند با زمان اتفاق افتادنشان شناسائی شوند.سیستم ضد پولشویی قابلیت اجرا با الگوریتم‌‌های نظارت شده و بدون نظارت را به طور هم‌زمان دارد.در این سیستم علاوه بر به کارگیری الگوریتم‌‌های رایج در داده‌کاوی، شاخص‌‌هایی محاسبه می‌شوند که می‌توانند بخوبی ملاکی برای میزان مشکوک بودن عملکرد یک مشتری باشند و بر اساس آن شاخص‌‌ها، داده‌‌های پرت (خارج از محدوده ) تفکیک و شناسائی شوند.

این مطلب مشابه را هم بخوانید :   مولفه های هوش معنوی و دیدگاه روانشناسی

فصل سوم
ارائه طرح سیستم ضد پولشویی با داده‌کاوی دیباچه
داشتن یک رویکرد یا طرح عملیاتی که بدون وارد شدن در جزئیات گام‌های ضروری برای اجرای یک مسئله را دنبال می‌کند همواره راه‌گشا می‌باشد. داشتن یک نگاه کل به جزء، مانع از آن می‌گردد که غرق شدن در جزئیات، فکر را از مراحل اصلی منحرف نماید. در همین راستا در این فصل گام‌های ضروری برای اجرای پروژه ضد پولشوئی و دلیل ضرورت آن و محدودیت‌‌های موجود در آن بیان گردیده است.