Anti money laundering mechanism for banking transactions

Abstract

The scope of thesis is to create a scalable anti-money laundering (AML) mechanism to detect transactions which can be considered as possible cases of money laundering and are carried out by National Bank of Greece (NBG) customers. Next, potential illegal transactions will be further evaluated by NBG authorized personnel. The main approach involves five main stages.First stage is data collection. All the transaction are not the same. There is plethora of different categories related to the nature of transaction. Hence, main emphasis on this stage was to find categories of transactions with a higher risk of money laundering appearance. The second stage involves feature extraction. Efficient money laundering mechanisms requires insightful features. Representative example is features based on monitoring different aspects of account behavior and its network. Abnormal behavior or network indicates higher probability of money laundering. Therefore, main emphasis on this stage was by utilizing the relevant theory to extract these types of features. The third stage is model selection. Given the fact that the specific task belongs to the sphere of unsupervised learning, the main idea is the creation of insightful features from the second stage to lead potential illegal transactions to be seen as outliers in vector space. Hence, main emphasis on this stage was by utilizing the relevant theory to choose unsupervised models which can detect outliers and simultaneously being computationally efficient. The fourth stage included a fine-tuning process upon different combinations of feature sets and models. Then, based on majority vote, scores were extracted. The final stage included the process of scores through visualization and statistical techniques which determined if the transaction was legal or illegal.

Σκοπός της παρούσας διπλωματικής εργασίας είναι η δημιουργία ενός υπολογιστικά αποδοτικού μηχανισμού κατά του ξεπλύματος χρήματος. Συγκεκριμένα, ο μηχανισμός αφορά τον εντοπισμό τραπεζικών συναλλαγών που ενδείκνυνται ως πιθανές περιπτώσεις νομιμοποίησης εσόδων από παράνομες δραστηριότητες και διενεργούνται από πελάτες της Εθνικής Τράπεζας Ελλάδος (ETE). ‘Έπειτα, οι υποψήφιες παράνομες συναλλαγές πρόκειται να αξιολογηθούν περεταίρω από αρμόδιο προσωπικό της ETE. Η κύρια προσέγγιση περιλαμβάνει πέντε κύρια στάδια.Το πρώτο στάδιο είναι η συλλογή δεδομένων. Όλες οι συναλλαγές δεν είναι ίδιες. Υπάρχει πληθώρα διαφορετικών κατηγοριών που σχετίζονται με τη φύση μίας συναλλαγής. Ως εκ τούτου, κύρια έμφαση σε αυτό το στάδιο ήταν η εύρεση κατηγοριών συναλλαγών με υψηλότερο κίνδυνο εμφάνισης ξεπλύματος χρήματος. Το δεύτερο στάδιο περιλαμβάνει την εξαγωγή χαρακτηριστικών. Οι αποτελεσματικοί μηχανισμοί ξεπλύματος χρήματος απαιτούν καίρια χαρακτηριστικά. Αντιπροσωπευτικό παράδειγμα είναι λειτουργίες που βασίζονται στην παρακολούθηση διαφορετικών πτυχών συμπεριφοράς ενός λογαριασμού ή διασυνδέσεών του. Μη φυσιολογική συμπεριφορά υποδηλώνει μεγαλύτερη πιθανότητα ξεπλύματος βρώμικου χρήματος. Ως εκ τούτου, κύρια έμφαση σε αυτό το στάδιο ήταν με τη χρήση της σχετικής θεωρίας να εξαχθούν τέτοιου τύπου χαρακτηριστικά. Το τρίτο στάδιο είναι η επιλογή μοντέλου. Δεδομένου του γεγονότος ότι η συγκεκριμένη εργασία ανήκει στη σφαίρα της μη επιβλεπόμενης μάθησης, η κύρια ιδέα είναι ότι η δημιουργία καίριων χαρακτηριστικών από το δεύτερο στάδιο θα οδηγήσει πιθανές παράνομες συναλλαγές να θεωρηθούν ως ακραίες τιμές στον διανυσματικό χώρο των χαρακτηριστικών. Ως εκ τούτου, κύρια έμφαση σε αυτό το στάδιο ήταν με τη χρήση της σχετικής θεωρίας να επιλεχθούν μοντέλα μη επιβλεπόμενης μάθησης ικανά να ανιχνεύουν ακραίες τιμές και ταυτόχρονα να είναι υπολογιστικά αποδοτικά. Το τέταρτο στάδιο περιλαμβάνει μια διαδικασία επεξεργασίας διαφορετικών συνδυασμών χαρακτηριστικών και μοντέλων όπου τα αποτελέσματα εξάγονται με βάση το κριτήριο της πλειοψηφίας. Τέλος, το πέμπτο στάδιο περιλαμβάνει την επεξεργασία των αποτελεσμάτων μέσω οπτικοποίησης και στατιστικών τεχνικών που καθορίζουν εάν η συναλλαγή είναι νόμιμη ή παράνομη.