Aprendizaje automático operativo para detectar blanqueo en dinero móvil en Ruanda

Resumen

Este artículo desarrolla un marco de monitorización de transacciones para detectar blanqueo en el dinero móvil de Ruanda. Aborda un fuerte desequilibrio de clases, etiquetas limitadas y retrasadas, y una capacidad de investigación finita. Con un conjunto de datos sintético de más de nueve millones de transacciones que abarca 17 tipologías de blanqueo, construye características de comportamiento a nivel de cuenta, como la velocidad de las transacciones, la dirección del flujo, la diversidad de contrapartes y los repuntes de actividad. Compara clasificadores supervisados, detectores de anomalías, un autocodificador y un modelo que combina predicciones.

La evaluación se centra en la utilidad operativa: área bajo la curva precisión-recall, recall con una precisión objetivo, recall con un volumen limitado de alertas y tasas de alertas. En un periodo de prueba cronológico, un modelo de fusión supera ligeramente a LightGBM en PR-AUC y alcanza una precisión aproximada del 91%, al tiempo que identifica 59 casos; LightGBM identifica 64 con una precisión aproximada del 89%. Los autores vinculan los intervalos de puntuación con los flujos de revisión y escalado por analistas y proponen validar el enfoque con datos reales. Los resultados se basan en datos sintéticos, por lo que el rendimiento en la monitorización real sigue sin verificarse; la contribución es un marco de evaluación y gobernanza, no un algoritmo de detección novedoso.

Ideas clave

• El marco está diseñado para un desequilibrio extremo de clases, etiquetas escasas y capacidad limitada de investigación.
• Las características a nivel de cuenta resumen el ritmo de las transacciones, la dirección del flujo, las contrapartes y los repuntes de actividad.
• Se evalúan varios métodos supervisados y de detección de anomalías junto con un modelo de fusión de predicciones.
• Las métricas operativas miden la calidad de detección bajo restricciones de precisión y volumen de alertas.
• Los resultados comunicados utilizan datos sintéticos y requieren validación con transacciones reales.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.