본문으로 건너뛰기
라이브러리 문서 전체

르완다 모바일 머니 자금세탁 탐지를 위한 실무형 머신러닝

기사 arXiv papers · 저자: Emmanuel Nahimana et al.
원문 읽기

요약

이 논문은 르완다 모바일 머니에서 자금세탁을 탐지하는 거래 모니터링 체계를 개발합니다. 심각한 클래스 불균형, 지연되거나 부족한 라벨, 제한된 조사 역량을 다룹니다. 900만 건이 넘는 거래와 17개 자금세탁 유형을 포함한 합성 데이터셋으로 거래 속도, 자금 흐름 방향, 거래 상대방의 다양성, 활동 급증 같은 계좌 단위 행동 특성을 구성합니다. 지도 분류기, 이상 탐지기, 오토인코더, 예측을 결합하는 모델을 벤치마크합니다.

평가는 정밀도-재현율 곡선 아래 면적, 목표 정밀도에서의 재현율, 제한된 알림 수 내 재현율, 알림 비율 등 실무적 유용성에 초점을 둡니다. 시간순 테스트 기간에 융합 모델은 PR-AUC에서 LightGBM을 약간 앞서고, 정밀도 약 91%로 59건을 찾아냅니다. LightGBM은 정밀도 약 89%로 64건을 찾아냅니다. 저자들은 점수 구간을 분석가 검토와 상위 단계 보고 절차에 연결하고 실제 데이터로 검증할 것을 제안합니다. 결과는 합성 데이터에 기반하므로 실제 모니터링 성능은 아직 검증되지 않았습니다. 이 연구의 기여는 평가 및 거버넌스 체계이며 새로운 탐지 알고리즘이 아닙니다.

핵심 아이디어

  • 이 체계는 극심한 클래스 불균형, 부족한 라벨, 제한된 조사 역량에 맞춰 설계됐습니다.
  • 계좌 단위 특성은 거래 속도, 흐름 방향, 거래 상대방, 활동 급증을 요약합니다.
  • 여러 지도 학습 및 이상 탐지 방법을 예측 융합 모델과 함께 평가합니다.
  • 운영 지표는 정밀도와 알림 수 제약 아래 탐지 품질을 측정합니다.
  • 보고된 결과는 합성 데이터에 기반하며 실제 거래 데이터로 검증해야 합니다.

태그

머신러닝통계리스크 관리
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.