Máquinas de soporte vectorial y árboles de clasificación para la detección de operaciones sospechosas de lavado de activos

Marlon Efraín Gracia Granados

Resumen


El lavado de activos es un delito que trae consigo un gran número de consecuencias negativas a la sociedad en general. Para mitigar este problema en las entidades financieras, que es donde principalmente se presenta, se han desarrollado sistemas anti lavado de dinero. Lo anterior origina un nuevo problema: los falsos positivos que se obtienen a partir de dichos sistemas, los cuales representan para las entidades financieras pérdidas de dinero, tiempo y foco, al no tratar las verdaderas operaciones inusuales. Se evalúan los principales métodos de detección de operaciones inusuales de lavado de activos que se encuentran en la literatura, para determinar cuáles técnicas ofrecen los mejores resultados y a partir de estas generar un nuevo modelo que mejore los indicadores registrados. A partir de un proceso de revisión y replicación de metodologías de detección de anomalías encontradas en la literatura, se pudo generar un nuevo modelo que presenta mejores métricas a la hora de clasificar operaciones como normales e inusuales, lo cual puede representar para las entidades financieras una manera de disminuir las tasas de falsos positivos en sus sistemas anti lavado.

Palabras clave


Árboles de clasificación; Soporte vectorial; Métricas; Precisión; Entidades financieras; Falsos positivos; Lavado de activos; Operaciones inusuales; Operaciones sospechosas; Detección.

Texto completo:

PDF

Referencias


B. Buchanan, “Money laundering a global obstacle”, Res. Int. Bus. Finance, vol. 18, no. 1, pp. 115-127, April. 2004. DOI: https://doi.org/10.1016/j.ribaf.2004.02.001

Congreso de Colombia, “Ley 599 de 2000, Art. 323”, Diario Oficial no. 44.097, julio 24 de 2000. Recuperado de https://www.wipo.int/edocs/lexdocs/laws/es/co/co028es.pdf

B. Unger et al., The amounts and effects of money laundering, Ministry of Finance, 2006.

UNODC, “Estimating illicit financial flows resulting from drug trafficking and other transnational organized crimes”. United Nations Office on Drugs and Crime, 2011.

J. Walker and B. Unger, “Measuring global money laundering: the Walker gravity model”, Review of Law & Economics, vol. 5, no. 2, pp. 821-853, 2009.

M. Levi, “Money Laundering and Its Regulation”, Annals of the American Academy of Political and Social Science, vol. 582, no 1, pp. 181-194, January. 2002. DOI: https://doi.org/10.1177/000271620258200113

F. A. T. Force, “The forty recommendations”, 2003.

B. Bartlett, “The negative effects of money laundering on economic development”, The Asian Development Bank Regional Technical Assistance Project No. 5967, 2002.

P. J. Quirk, “Money laundering: muddying the macroeconomy”, Finance Dev., vol. 34, pp. 7-9, 1997. Retrieved from https://www.imf.org/external/pubs/ft/fandd/1997/03/pdf/quirk.pdf

R. Menon and S. Kuman, «Understanding the role of technology in anti money laundering compliance», Infosys Technol. Ltd, vol. 1, pp. 2-4, 2005.

DOWJONES, AML Survey Results from Dow Jones Risk & Compliance & ACAMS, 2011.

Z. Gao and M. Ye, “A framework for data mining based anti money laundering research”, Journal of Money Laundering Control, vol. 10, no. 2, pp. 170-179, 2007. DOI: https://doi.org/10.1108/13685200710746875

N. A. L. Khac and M. T. Kechadi, “Application of Data Mining for Anti money Laundering Detection: A Case Study”, in 2010 IEEE International Conference on Data Mining Workshops, 2010, pp. 577-584.

K. D. Rohit and D. B. Patel, “Review On Detection of Suspicious Transaction In Anti Money Laundering Using Data Mining Framework”, International Journal for Innovative Research in Science & Technology, vol. 1, no. 8, pp. 129-133, 2015.

P. Baldi, S. Brunak, Y. Chauvin, C. A. Andersen, and H. Nielsen, “Assessing the accuracy of prediction algorithms for classification: an overview”, Bioinformatics, vol. 16, no. 5, pp. 412-424, 2000. DOI: https://academic.oup.com/bioinformatics/article/16/5/412/192336

T. Fawcett, “An introduction to ROC analysis”, Pattern Recognit. Lett., vol. 27, no. 8, pp. 861-874, 2006. DOI: https://doi.org/10.1016/j.patrec.2005.10.010

C. Liu, P. M. Berry, T. P. Dawson, and R. G. Pearson, “Selecting thresholds of occurrence in the prediction of species distributions”, Ecography, vol. 28, no. 3, pp. 385-393, 2005. DOI: https://doi.org/10.1111/j.0906-7590.2005.03957.x

S. Raza and S. Haider, “Suspicious activity reporting using dynamic bayesian networks”, Procedia Computer Science, vol. 3, pp. 987-991, 2011. DOI: https://doi.org/10.1016/j.procs.2010.12.162

L.T. Lv, N. Ji, and J.L. Zhang, “A RBF neural network model for anti money laundering”, International Conference on Wavelet Analysis and Pattern Recognition, 2008. ICWAPR ’08, 2008, vol. 1, pp. 209-215. DOI: 10.1109/ICWAPR.2008.4635778

J. Tang and J. Yin, “Developing an intelligent data discriminating system of anti money laundering based on SVM”, in Proceedings of 2005 International Conference on Machine Learning and Cybernetics, 2005, vol. 6, pp. 3453-3457. DOI: 10.1109/ICMLC.2005.1527539

M. F. Jiang, S. S. Tseng, and C. M. Su, “Two phase clustering process for outliers detection”, Pattern Recognition Letters, vol. 22, no. 6–7, pp. 691-700, may 2001. DOI: https://doi.org/10.1016/S0167-8655(00)00131-8

Z. Chen, L. D. V. Khoa, A. Nazir, E. N. Teoh, and E. K. Karupiah, “Exploration of the effectiveness of expectation maximization algorithm for suspicious transaction detection in anti money laundering”, in IEEE Conference on Open Systems (ICOS), 2014, pp. 145-149. DOI: 10.1109/UEMCON.2016.7777919

X. Liu, P. Zhang, and D. Zeng, “Sequence matching for suspicious activity detection in anti money laundering”, in Intelligence and Security Informatics, Springer, 2008, pp. 50-61. DOI: 10.1007/978-3-540-69304-8_6

J. Friedman, T. Hastie, and R. Tibshirani, The elements of statistical learning, vol. 1. Springer series in statistics Springer, Berlin, 2001.

Q. Wei and R. L. Dunbrack Jr, “The role of balanced training and testing data sets for binary classifiers in bioinformatics”, PloS One, vol. 8, no. 7, p. e67863, 2013. DOI: https://doi.org/10.1371/journal.pone.0067863

N. V. Chawla, “C4. 5 and imbalanced data sets: investigating the effect of sampling method, probabilistic estimate, and decision tree structure”, in Proceedings of the ICML, 2003, DOI: https://doi.org/10.1007/978-3-540-69304-8_6

N. Japkowicz, “Learning from imbalanced data sets: a comparison of various strategies”, in AAAI workshop on learning from imbalanced data sets, 2000, vol. 68, pp. 10-15. Retrieved from https://pdfs.semanticscholar.org/1af9/6acae07b1e141f98f3df973eaf9e0a9226fb.pdf

C. Drummond and R. C. Holte, “C4. 5, class imbalance, and cost sensitivity: why under sampling beats over sampling”, in Workshop on learning from imbalanced datasets II, 2003, vol. 11. Retrieved from https://pdfs.semanticscholar.org/144b/bbafe2f0876c23295019b6e380c9fe4feda3.pdf




DOI: https://doi.org/10.21501/21454086.2904

Enlaces refback

  • No hay ningún enlace refback.




Copyright (c) 2019 Lámpsakos

 
Directora/Editora - Ingrid Durley Torres Pardo

Correo: lampsakos@amigo.edu.co

ISSN (En línea): 2145-4086

DOI de la revista: https://doi.org/10.21501/issn.2145-4086

Universidad Católica Luis Amigó - Transversal 51A #67B 90. Medellín - Colombia.

 


 © 2019 Universidad Católica Luis Amigó

    

La revista y los textos individuales que en esta se divulgan están protegidos por las leyes de copyright y por los términos y condiciones de la Licencia Creative Commons Atribución-No Comercial-Sin Derivar 4.0 Internacional. Permisos que vayan más allá de lo cubierto por esta licencia pueden encontrarse en http://www.funlam.edu.co/modules/fondoeditorial/

Derechos de autor. El autor o autores pueden tener derechos adicionales en sus artículos según lo establecido en la cesión por ellos firmada.

 

Se recomienda visualizar este contenido con los navegadores: Mozilla Firefox, Google Chrome, Safari.