Finansinio sukčiavimo atpažinimo tyrimas naudojant skaitmeninį intelektą
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Recenzentas / Rewiewer | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Proaktyvus finansinio sukčiavimo atpažinimas vis dar išlieka viena aktualiausių temų globaliu mastu įmonėms teikiančioms finansines paslaugas, nes sėkmingų atvejų rodiklis, kai identifikuojamas finansinis sukčiavimas išlieka labai žemas. Siekdami kovoti su finansinio sukčiavimo problema bankai ir kitos finansų sektoriuje veikiančios įmonės yra įpareigotos stebėti, įvertinti ir praneši apie įtariamą nelegalią veiklą. Didelis duomenų kiekis, susijęs su finansinių paslaugų teikimo reikalavimų laikymusi, ir didėjantis nusikalstamų metodų sudėtingumas verčia finansų įstaigas nuolat ieškoti naujų priemonių, kurios padėtų įvykdyti reguliavimo įsipareigojimus. Taip pat svarbu paminėti, jog visuotinai sutariama, kad tradicinių statistikos metodų nebeužtenka ir dirbtinio intelekto pagrindu sukurti sprendimai yra būdas laiku aptikti ir sustabdyti finansinio sukčiavimo atvejį. Darbo tikslas – palyginti skaitmeninio intelekto metodų teikiamą finansinę naudą atpažįstant finansinį sukčiavimą. Šiam tikslui pasiekti buvo lyginami šie skaitmeninio intelekto metodai: Neuroniniai tinklai, Bajeso tinklai, Sprendimo medis, XGboost, Catboost, nes jie sugeba apdoroti didžiulius duomenų kiekius, padeda aptikti netipinę finansinę elgseną. Atlikus metodų vertinimo tyrimą, rezultatai parodė, kad metodai, kurie veikia sprendimo medžio veikimo logika davė geresnius rezultatus nei neuroninio tinklo veikimu paremti metodai. Taip pat didžiausia finansinė nauda įmonei būtų pritaikius savo rizikos valdymo sistemoje sprendimo medžio metodą. Šio tyrimo darbo apribojimai yra duomenys, adaptavimas kintančioje aplinkoje, techniniai resursai. Šis tyrimas galėtų būti naudingas įmonėms, kurios kuria sistemas skirtas pinigų plovimo ir teroristų finansavimo prevencijos sustiprinimui ar finansinių operacijų stebėsenos įrankius. Tęsiant šį tyrimą būtų naudinga pagalvoti apie galimybę įtraukti į duomenų rinkinį įvairesnius duomenų šaltinius tokius kaip pažink savo vartotoją (angl. Know your customer), tai leistų jau ankstesniame žingsnyje geriau identifikuoti kliento rizikos lygį.
Proactive identification of financial fraud is still one of the hot topics for financial services companies globally, as the result of low success rate of identifying financial fraud. In order to combat the problem of financial fraud, banks and other companies operating in the financial sector are obliged to monitor, evaluate and report suspected illegal activities. The large amount of data related to financial services compliance and the increasing sophistication of criminal methods are forcing financial institutions to constantly look for new tools to help them meet their regulatory obligations. It is also important to mention that there is a general consensus that traditional statistical methods are no longer sufficient and artificial intelligence-based solutions are a way detect and stop financial fraud on time. The aim of the work is to compare the financial benefits of computational intelligence methods in identifying financial fraud. To achieve this goal, the following computational intelligence methods were compared: neural networks, Bayesian networks, decision tree, XGboost, Catboost. After conducting a method evaluation study, the results showed that the methods based on decision tree operation logic gave better results than the methods based on neural network operation. Also, the biggest financial benefit for the company would be to apply the decision tree method in its risk management system. The limitations of this research work are data, adaptation in a changing environment, technical resources. This research could be useful for companies that develop systems to strengthen the prevention of money laundering and terrorist financing or tools for monitoring financial transactions. In the continuation of this research, it would be useful to think about the possibility of including more diverse data sources in the data set, such as Know your customer, which would allow to better identify whether the customer is risky or not in the previous step.