Investigación sobre la aplicación del aprendizaje automático para el filtrado de listas de vigilancia en la lucha contra el blanqueo de capitales
En la actual era digital, prevenir y reducir las actividades de blanqueo de dinero no es fácil con el uso de métodos tradicionales. Por ello, las organizaciones financieras están equipando y adoptando herramientas y tecnologías analíticas avanzadas, como el aprendizaje automático, para luchar contra el blanqueo de capitales.
El blanqueo de capitales es una de las mayores amenazas para el mundo financiero. Es uno de los métodos más utilizados para convertir el dinero negro en blanco sin que los demás lo sepan. Sin embargo, las diferentes instituciones bancarias y financieras tienen ciertas reglas y actos formados para reducir la actividad de lavado de dinero. Sin embargo, en la actual era digital, prevenir y reducir estas actividades de blanqueo de dinero no es fácil con el uso de métodos tradicionales.
La tecnología de aprendizaje automático desempeña un papel fundamental en el control de las actividades de blanqueo de capitales en los sectores financieros. Para controlar el blanqueo de dinero, se utiliza un procedimiento avanzado de aprendizaje automático en el que el sistema ML se desarrolla con diferentes tipos de tendencias o datos para captar las transacciones sospechosas marcadas por el sistema bancario interno.
Revista de control del blanqueo de capitales
Secciones técnicas Aprendizaje automático22 de septiembre de 2021 Cómo el aprendizaje automático puede ayudar a combatir el blanqueo de capitales Cómo un modelo de aprendizaje automático puede ayudar a identificar la actividad sospechosa de las cuentas y apoyar mejor a los equipos que luchan contra el blanqueo de capitales22 de septiembre de 2021 Por Peter Munoz, director comercial principal, y Rexwell Minnis, director de ingeniería de software
Cuando la mayoría de la gente piensa en los delitos financieros, piensa en los que aparecen en los titulares -robo de identidad, robo de números de tarjetas de crédito, malversación de fondos-, pero estos representan sólo una fracción de lo que las instituciones financieras deben proteger. El blanqueo de capitales alimenta a los sindicatos del crimen y al terrorismo en todo el mundo, y aunque puede ser difícil calibrar el impacto y la inmensidad del blanqueo de capitales, la Oficina de las Naciones Unidas contra la Droga y el Delito (ONUDD) estimó en su día que las ganancias de la delincuencia ascendían al 3,6% del PIB mundial, y que el 2,7% del PIB mundial se blanqueaba. Se trata de una cifra monumental, que representa más de un billón de dólares anuales.
Esa cifra es sólo una estimación, pero hay otro número que podemos citar con confianza: las instituciones financieras de Estados Unidos presentaron 2,5 millones de informes de actividad sospechosa en 2020, según el Departamento del Tesoro de Estados Unidos, y el volumen de estos informes ha ido aumentando durante años.
Conjunto de datos Aml para el aprendizaje automático
El objetivo de este artículo es desarrollar, describir y validar un modelo de aprendizaje automático para priorizar las transacciones financieras que deben ser investigadas manualmente por posible blanqueo de capitales. El modelo se aplica a un gran conjunto de datos del mayor banco de Noruega, el DNB.
El artículo demuestra que el enfoque habitual de no utilizar las alertas no notificadas (es decir, las transacciones que se investigan pero no se notifican) en el entrenamiento del modelo puede conducir a resultados no óptimos. Lo mismo ocurre con el uso de transacciones normales (no investigadas). Nuestro método desarrollado supera el enfoque actual del banco en términos de una medida justa de rendimiento.
Este estudio de investigación es uno de los pocos modelos contra el blanqueo de capitales (AML) publicados para las transacciones sospechosas que se han aplicado a un conjunto de datos de tamaño realista. El documento también presenta una nueva medida de rendimiento adaptada específicamente para comparar el método propuesto con el sistema AML existente del banco.
El verdadero alcance de las transacciones de blanqueo de capitales es desconocido e incierto, potencialmente porque las empresas financieras carecen de incentivos y herramientas para estimar el alcance del blanqueo de capitales en sus cuentas (Reuter y Truman, 2004). En un antiguo informe para el Congreso de EE.UU. (1995), se estimaba que aproximadamente entre el 0,05 y el 0,1% de las transacciones realizadas a través del sistema de la Sociedad para las Telecomunicaciones Financieras Interbancarias Mundiales implicaban blanqueo de capitales. Un meta-análisis de la Oficina de las Naciones Unidas contra la Droga y el Delito (2011) estima que la cantidad total de dinero blanqueado a través del sistema financiero equivale a alrededor del 2,7% del producto interior bruto mundial, o sea 1,6 billones de dólares en 2009, mientras que Walker (1999) estima que el blanqueo de dinero representa 2,85 billones de dólares en todo el mundo. Dado que un fraude financiero de tal magnitud constituye una grave amenaza para las sociedades y las economías de todo el mundo (Schott, 2006), es fundamental detectar el mayor número posible de transacciones fraudulentas. El tema del presente documento es, por tanto, la metodología que puede identificar las pocas transacciones sospechosas/fraudulentas entre las numerosas transacciones legítimas.
Aprendizaje automático contra el blanqueo de capitales github
A medida que la tecnología avanza, también lo hacen las técnicas de blanqueo de dinero. Este rápido crecimiento proporciona nuevas y más herramientas a los blanqueadores de dinero. Les permite transferir y ocultar dinero en todo el mundo con más facilidad y rapidez que nunca. Blockchain, por ejemplo, es un avance tecnológico que ha trastornado el panorama financiero recientemente. Los blanqueadores de dinero han explotado el nuevo bombo de las criptodivisas para facilitar sus necesidades. Las criptodivisas se han convertido en uno de los medios más favorecidos por los delincuentes para recaudar, almacenar y blanquear dinero. Un análisis descubrió que, en 2019, los delincuentes blanquearon una cantidad total de alrededor de 2.800 millones de dólares, solo en Bitcoin, a través de los intercambios de criptodivisas.
Los reguladores se ven obligados a adaptarse a estos métodos de transacción de la nueva era, introduciendo leyes y regulaciones. Incluyen nuevas formas de blanqueo de capitales para seguir el ritmo de la tecnología en constante avance. Sólo en la 6ª Directiva sobre blanqueo de capitales se han añadido 6 nuevos delitos subyacentes, lo que indica la rapidez con la que avanza este ámbito.
El ingenio y los conocimientos técnicos de los delincuentes han alcanzado niveles elevados; la lucha contra la delincuencia financiera (incluida la financiación del terrorismo) es más difícil que nunca. Se necesitan contramedidas más sofisticadas, siendo las actuales técnicas de aprendizaje automático el arma preferida. Los reguladores también han identificado la necesidad de adoptar técnicas de aprendizaje automático. La Autoridad Bancaria Europea (ABE) publicó un informe, en 2020, sobre las consideraciones clave en el desarrollo, implementación y adopción de técnicas de Big Data y Advanced Analytics, como el aprendizaje automático. En el sector del juego online, también hay ejemplos de autoridades que abrazan la adopción de algoritmos de aprendizaje automático (MGA, UKGC).
