Details

Title: Типологический анализ и автоматизация выявления недобросовестных кредитных организаций // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Сер.: Экономические науки. – 2021 Т. 14, № 1
Creators: Бекетнова Ю. М.
Imprint: 2021
Collection: Общая коллекция
Subjects: Экономика; Кредитно-денежная система; кредитные организации; выявление недобросовестных кредиторов; типологический анализ; противодействие отмыванию доходов; машинное обучение; незаконная финансовая деятельность; девиантные банки; credit institutions; identification of unscrupulous creditors; typological analysis; countering money laundering; machine learning; illegal financial activities; deviant banks
UDC: 336.7
LBC: 65.262
Document type: Article, report
File type: PDF
Language: Russian
DOI: 10.18721/JE.14110
Rights: Свободный доступ из сети Интернет (чтение, печать, копирование)
Additionally: New arrival

Allowed Actions: Read Download (376 Kb)

Group: Anonymous

Network: Internet

Annotation

Кредитные организации являются первым рубежом борьбы с незаконной финансовой деятельностью. Они призваны собирать и анализировать информацию о своих клиентах и их финансовых операциях, и сообщать в случае выявленной подозрительной активности в Росфинмониторинг. Однако кредитные организации также могут быть вовлечены в незаконную деятельность — осознанно покрывая теневые схемы, или по причине слабой системы внутреннего контроля. Для успешного решения проблемы отмывания доходов с привлечением кредитных организаций требуется системный подход и научное осмысление полученных эмпирически результатов. Автоматизация процесса выявления недобросовестных кредитных организаций на основе методов машинного обучения позволит контролирующим органам оперативно выявлять и пресекать противоправную деятельность. Цель исследования состоит в повышении эффективности выявления недобросовестных кредитных организаций контролирующими органами. Необходимым инструментом для этого может служить типологический анализ для выявления содержательной стороны методов и тенденций отмывания доходов, а также современные методы анализа данных и машинного обучения — для автоматизации выявления девиантных банков. Рассмотрено применение типологического анализа в экономике и других науках. Рассмотрены и систематизированы различные типологии легализации денежных средств с привлечением кредитных организаций. Проведен сравнительный анализ результатов обработки данных о деятельности кредитных организаций методами поиска аномалий — алгоритм одноклассовой машины опорных векторов и алгоритм обнаружения аномалий на основе метода главных компонент. Сделан вывод о том, что алгоритм поиска аномалий на основе метода главных компонент показал более точные результаты по сравнению с алгоритмом одноклассовой машины опорных векторов. Приведенные результаты исследования могут быть использованы Банком России и Росфинмониторингом для автоматизации выявления недобросовестных кредитных организаций. Результаты исследования могут применяться и службами внутреннего контроля в самих кредитных организациях в целях самопроверки и недопущения вовлечения банка в сомнительные схемы, что повысит ответственность субъектов финансового мониторинга. Направления дальнейших исследований автор видит в апробации методики применительно к другим субъектам финансовой деятельности — профессиональным участникам рынка ценных бумаг, микрофинансовым организациям, страховым организациям.

Credit organizations are the first line in the fight against illegal financial activities. They are designed to collect and analyze information about their clients and their financial transactions, and report any suspicious activity to the Federal Financial Monitoring Service (Rosfinmonitoring) in the event of detected suspicious activity . However, credit institutions can also be involved in illegal activities: knowingly covering up shadow schemes, or due to a weak internal control system. To successfully solve the problem of money laundering with the involvement of credit institutions, a systematic approach and scientific understanding of the empirically obtained results are required. Automation of the process of identifying unscrupulous credit institutions based on machine learning methods will allow regulatory authorities to quickly identify and suppress illegal activities. Damage as a result of crimes related to the withdrawal of bank assets can be incurred not only by the bank’s depositors and customers, but also by the state and bona fide participants in the banking business. The purpose of the study is to improve the efficiency of detecting unscrupulous credit institutions by regulatory authorities. A necessary tool for this can be typological analysis to identify the content side of the methods and trends of money laundering, as well as modern methods of data analysis and machine learning – to automate the identification of deviant banks. The application of typological analysis in economics and other sciences is considered. Various typologies of money laundering with the involvement of credit institutions are considered and systematized. A comparative analysis of the results of processing data on the activities of credit institutions by anomaly search methods is carried out – a one-class support vector machine algorithm and an anomaly detection algorithm based on the principal component method. It is concluded that the algorithm for searching for anomalies based on the principal component method has shown more accurate results compared to the one-class support vector machine algorithm. The above research results can be used by the Bank of Russia and Rosfinmonitoring to automate the identification of unscrupulous credit institutions. The results of the study can also be used by internal control services in the credit institutions themselves in order to self-check and prevent the bank from being involved in dubious schemes, which will increase the responsibility of the subjects of financial monitoring. The author sees the directions for further research in the approbation of the methodology in relation to other subjects of financial activity: professional participants in the securities market, microfinance organizations, insurance organizations.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
-> Internet All Read Print Download

Usage statistics

stat Access count: 46
Last 30 days: 2
Detailed usage statistics