شناسایی فعالیت های پولشویی در معاملات مالی با استفاده از روش های داده کاوی، قانون بنفورد و الگوریتم GANs

امروزه پدیده پول شویی به تهدیدی جدی برای اقتصاد جهانی تبدیل شده است. روش های سنتی مقابله با پول شویی هزینه بر و ناکارآمد هستند. اخیرا تکنیک های داده کاوی گسترش پیدا کرده اند و به عنوان روش های مناسب برای کشف فعالیت های پول شویی مورد توجه قرار گرفته اند. هدف این تحقیق، استفاده از الگوریتم های داده کاوی در کشف موارد مشکوک به پول شویی با استفاده از داده های واقعی تراکنش های بانکی است که ممکن است نیاز به بررسی های بیشتر داشته باشند. تحلیل داده ها با استفاده از فرآیند CRISP-DM انجام شده است. جامعه آماری تراکنش های بانک و نمونه آماری تراکنش های مربوط به یکی از شعب بانک است. داده ها از بانک اطلاعاتی بانک مورد مطالعه جمع آوری شده است. برای انجام این کار از دو رویکرد استفاده شده است. در رویکرد اول با استفاده از الگوریتم k-میانگین ابتدا تراکنش های بانکی افراد خوشه بندی شده اند، سپس با استفاده از به کارگیری الگوریتم های کشف موارد مشکوک، تراکنش هایی که ممکن است مشکوک به پول شویی باشند مشخص گردیده اند. در رویکرد دوم، روشی نوین با به کارگیری قانون بنفورد و روش GANs برای کشف حساب هایی که در تراکنش های آن ها از ارقام ساختگی استفاده شده است و ممکن است مشکوک به پول شویی باشند معرفی شده است. رویکرد اول می تواند حساب هایی که در تراکنش های آن ها موارد پرت وجود دارد را با دقتی حدود 93٪ درصد، و رویکرد دوم می تواند حساب های مشکوکی که در پنهان نمودن ارقام ساختگی در تراکنش های آن ها، از روش های حرفه ای استفاده نشده است را با دقتی حدود 60٪ به درستی تشخیص دهد.