Maschinelles Lernen zur Erkennung von Geldwäsche bei Mobile Money in Ruanda

Zusammenfassung

Diese Arbeit entwickelt einen Rahmen zur Transaktionsüberwachung, um Geldwäsche bei Mobile Money in Ruanda zu erkennen. Sie befasst sich mit einer starken Unausgewogenheit der Klassen, verzögerten und begrenzten Kennzeichnungen sowie beschränkten Ermittlungskapazitäten. Anhand eines synthetischen Datensatzes mit mehr als neun Millionen Transaktionen und 17 Geldwäschetypen erstellt sie verhaltensbezogene Merkmale auf Kontoebene, etwa Transaktionsgeschwindigkeit, Flussrichtung, Vielfalt der Gegenparteien und Aktivitätsschübe. Sie vergleicht überwachte Klassifikatoren, Anomalieerkennung, einen Autoencoder und ein Modell, das Prognosen kombiniert.

Die Auswertung konzentriert sich auf den praktischen Nutzen: Fläche unter der Precision-Recall-Kurve, Trefferquote bei einer vorgegebenen Präzision, Trefferquote bei begrenztem Alarmvolumen und Alarmraten. In einem chronologischen Testzeitraum übertrifft ein Fusionsmodell LightGBM bei der PR-AUC knapp und erreicht eine Präzision von etwa 91%, während es 59 Fälle erkennt; LightGBM erkennt 64 bei einer Präzision von etwa 89%. Die Autoren verknüpfen Bewertungsstufen mit Prüf- und Eskalationsabläufen für Analysten und schlagen vor, den Ansatz mit realen Daten zu validieren. Die Ergebnisse beruhen auf synthetischen Daten; die Leistung bei der Live-Überwachung ist daher noch nicht bestätigt. Der Beitrag ist ein Rahmen für Bewertung und Governance, kein neuartiger Erkennungsalgorithmus.

Kernaussagen

• Der Rahmen ist auf stark unausgewogene Klassen, wenige Kennzeichnungen und begrenzte Ermittlungskapazitäten ausgelegt.
• Merkmale auf Kontoebene fassen Transaktionsgeschwindigkeit, Flussrichtung, Gegenparteien und Aktivitätsschübe zusammen.
• Neben einem Modell zur Prognosefusion werden mehrere überwachte Verfahren und Methoden zur Anomalieerkennung bewertet.
• Betriebskennzahlen bewerten die Erkennungsqualität unter Vorgaben für Präzision und Alarmvolumen.
• Die berichteten Ergebnisse beruhen auf synthetischen Daten und müssen mit echten Transaktionen validiert werden.

Schlagwörter

# Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework


# Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework









Mobile money has widened financial access across Sub-Saharan Africa and enlarged the surface for money-laundering and terrorism-financing (ML/TF) activity in ecosystems dominated by high-volume, low-value transactions. Rwanda is a case in point: several million active mobile-money users, telecom-led wallets on the MTN and Airtel networks, and a Financial Intelligence Centre (FIC) supervising transaction streams whose scale exceeds static rule-based monitoring. This paper develops and evaluates a transaction-monitoring framework aligned to the Rwandan AML/CFT regime under (i) extreme class imbalance (~0.1% prevalence), (ii) scarce and delayed labels, and (iii) bounded investigator capacity. Using SAML-D, a synthetic dataset of 9,504,852 transactions with 17 laundering typologies, we engineer account-centric behavioural features (rolling velocity, net-flow directionality, counterparty diversity, burstiness) and benchmark supervised classifiers (Logistic Regression, Random Forest, LightGBM), unsupervised anomaly detectors (Isolation Forest, Local Outlier Factor), a dense autoencoder, and a late-fusion meta-learner. Evaluation is operational: PR-AUC, recall at a calibrated ~90%-precision point, recall at top-K%, and alerts per 10,000. On the chronologically held-out test period, LightGBM attains PR-AUC = 0.0469, capturing 64 laundering cases at precision ~0.89 with 0.51 alerts per 10,000; the fusion stacker reaches PR-AUC = 0.0477 at precision ~0.91 and 0.46 alerts per 10,000, recovering 59 true positives. We map score bands to Rwanda-relevant analyst workflows and STR/SAR escalation, and outline a staged path from synthetic prototyping to real-data validation with the National Bank of Rwanda and FIC. The contribution is operational: a governance-aware pipeline and evaluation protocol calibrated to the constraints of an African mobile-money regulator, not a new algorithm.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.