Enfoque híbrido para la detección de lavado de activos en el sector financiero

Abstract

RESUMEN : El monitoreo de transacciones financieras es una obligación crucial en la lucha contra el lavado de dinero (AML) para las instituciones financieras. En los últimos años, los sistemas de monitoreo de transacciones basados en aprendizaje automático han complementado con éxito los sistemas tradicionales basados en reglas, reduciendo el alto número de falsos positivos y el esfuerzo necesario para revisar manualmente todas las alertas. Sin embargo, las soluciones basadas en aprendizaje automático también presentan ciertas desventajas: mientras que los modelos no supervisados pueden detectar nuevos patrones anómalos, suelen generar un alto número de falsas alarmas; los modelos supervisados, por otro lado, ofrecen una mayor tasa de detección, pero requieren una gran cantidad de datos etiquetados para alcanzar dicho rendimiento. En esta investigación, proponemos un enfoque que integra el aprendizaje activo para la detección de anomalías, combinando técnicas de aprendizaje no supervisado y supervisado para mejorar los procesos de monitoreo de transacciones. Este enfoque busca aumentar la precisión de la detección y reducir los costos de gestión del cumplimiento. Para ello, utilizamos un conjunto de datos sintético que simula transacciones de clientes que operan en mercados de capitales internacionales. Los resultados muestran que el modelo híbrido mantiene un excelente rendimiento, con un F1 Score de alrededor del 90%, minimiza los falsos positivos casi a cero y reduce significativamente la carga de trabajo para los analistas del área de cumplimiento.