02398nam a2200205 4500 377869 377869 20201217u y0pory50 ba eng Detecting money laundering transactions with machine learning Recurso eletrónico Martin Jullum ...[et al.] Tradução parcial do resumo inserto no artigo. Ficheiro de 277 KB em formato PDF (14 p.). O objetivo deste artigo é desenvolver, descrever e validar um modelo de aprendizagem mecânico para priorizar que transações financeiras devem ser investigadas manualmente, por revelarem ter potencial para servirem de lavagem de dinheiro. O modelo é aplicado a um grande conjunto de dados do maior banco da Noruega, o DNB. Um modelo de aprendizagem mecânico supervisionado é treinado, usando três tipos de dados históricos: transações legais “normais”; aqueles sinalizados como suspeitos pelo sistema de alerta interno do banco; e casos potenciais de lavagem de dinheiro relatados às autoridades. O modelo é treinado para prever a probabilidade de que uma nova transação seja relatada, usando informações como informações básicas sobre o remetente / recetor, o seu comportamento anterior e o seu histórico de transações. O artigo demonstra que a abordagem comum de não usar alertas não relatados (ou seja, transações que são investigadas, mas não relatadas) no treino do modelo pode levar a resultados abaixo do ideal. O mesmo se aplica ao uso de transações normais (não investigadas). O método desenvolvido supera a abordagem atual do banco em termos de uma medida justa de desempenho. Este estudo é um dos poucos modelos publicados de combate à lavagem de dinheiro (AML) para transações suspeitas, que foram aplicados a um conjunto de dados de dimensão realista. O documento também apresenta uma nova medida de desempenho adaptada especificamente para comparar o método proposto com o sistema AML existente do banco. 2020 Vol. 23, n.º 1 Journal of Money Laundering Control 1368-5201 p. 173-186 BRANQUEAMENTO DE CAPITAIS INVESTIGAÇÃO CRIMINAL MÉTODO DE INVESTIGAÇÃO DETECTING MONEY LAUNDERING TRANSACTIONS WITH MACHINE LEARNING 0 PJCD_315_000000000000000 2022-06-06 405650 PJ PJ PJCD 315 2022-06-06 0 AP