22632

ارائه مدلي براي ارزيابي ريسك پولشويي مشتريان بانكي (مورد مطالعه: بانك گردشگري)

كارشناسي ارشد

مديريت تكنولوژي - سياست هاي تحقيق و توسعه

1399/6/26

دكتر محمد فتحيان

دكتر بابك اميري

مهندسي پيشرفت

بانك ها با اتخاذ رويكرد ريسك محور در اجراي برنامه هاي مبارزه با پولشويي خود همواره در پي شناسايي موارد پر ريسك و با اهميت و اختصاص بهينه منابع مالي و انساني خود به منظور بررسي و تجزيه و تحليل آنها مي باشند. در اين پژوهش در راستاي شناسايي و اولويت بندي عوامل موثر در ارزيابي ريسك پولشويي، پژوهش هاي انجام شده مورد بررسي قرار گرفتند و پس از تجزيه و تحليل آنها، اطلاعات مورد نظر شناسايي، استخراج و طبقه بندي شدند. گزارشات خروجي نرم افزار پايش تراكنش مشكوك مربوط به مشتريان بانك گردشگري (مورد مطالعه اين پژوهش) براساس عوامل شناسايي شده، پردازش و آماده سازي شدند تا براي آموزش مدل ارزيابي ريسك پولشويي كه با استفاده از الگوريتم نظارتي شبكه هاي بيزي پياده سازي گرديده است مورد استفاده قرار گرفت. در پايان مدل پياده سازي شده براساس معيارهاي Accuracy، Precision، Recall و F1 مورد ارزيابي قرار گرفت كه نتايج حاصله موفقيت مدل در ارزيابي و شناسايي صحيح ريسك پولشويي موارد مشكوك (معيار Recall) را نشان داد.

1399/08/26

A money laundering risk assessment model for banking customers (case study: Tourism bank)

9/17/2021 12:00:00 AM

With adopting a risk-based approach for performing anti-money laundering programs, banks consistently concern about recognizing high risk cases and assign financial and human resources for analyzing them optimally. In this study for identifying and prioritizing effective factors to assess money laundering risk, previous studies have been analyzed, then relevant information have been identified, extracted and classified. Suspicious Transaction monitoring system's reports at Tourism bank based on the identified factors for learning the money laundering risk assessment model that developed with Bayesian Network have been processed and prepared. Finally the model assessed based on the Accuracy, Precision, Recall and F1 metrics. Results shown that the model correctly have assessed and identified actual suspicious cases (Recall metric).