Машинное обучение для выявления отмывания денег через мобильные платежи в Руанде
Сводка
В статье разработана система мониторинга транзакций для выявления отмывания денег через мобильные платежи в Руанде. Она учитывает сильный дисбаланс классов, задержки и нехватку меток, а также ограниченные возможности расследования. На синтетическом наборе данных из более чем девяти миллионов транзакций, охватывающем 17 типологий отмывания денег, авторы рассчитывают поведенческие признаки на уровне счетов, такие как скорость транзакций, направление потоков, разнообразие контрагентов и всплески активности. Сравниваются модели классификации с учителем, детекторы аномалий, автокодировщик и модель, объединяющая прогнозы.
Оценка сосредоточена на практической полезности: площади под кривой точности-полноты, полноте при заданной точности, полноте при ограниченном числе оповещений и частоте оповещений. На хронологическом тестовом периоде модель объединения немного превосходит LightGBM по PR-AUC и достигает точности около 91%, выявляя 59 случаев; LightGBM выявляет 64 случаев с точностью около 89%. Авторы связывают диапазоны оценок с проверкой аналитиками и процедурами эскалации и предлагают проверить подход на реальных данных. Результаты получены на синтетических данных, поэтому эффективность в текущем мониторинге не подтверждена; вклад работы — система оценки и управления, а не новый алгоритм выявления.
Ключевые идеи
- Система рассчитана на сильный дисбаланс классов, нехватку меток и ограниченные возможности расследования.
- Признаки на уровне счетов описывают темп транзакций, направление потоков, разнообразие контрагентов и всплески активности.
- Сравниваются несколько методов классификации с учителем и выявления аномалий, а также модель объединения прогнозов.
- Операционные метрики оценивают качество выявления с учётом ограничений на точность и число оповещений.
- Результаты получены на синтетических данных и требуют проверки на реальных транзакциях.
Теги
Полный текст
# 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.
Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0
Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.