Detección de operaciones sospechosas de lavado de activos en el sistema financiero, usando variables no transaccionales, máquinas de soporte vectorial y árboles de clasificación

Abstract

RESUMEN: El lavado de activos es un delito que mueve anualmente entre el 2% y el 5% del producto interno bruto mundial, este delito trae consigo varios efectos sociales y económicos, como la desconfianza en el sistema financiero, inflación de los precios de ciertos bienes y el fortalecimiento económico de las bandas criminales. El delito de lavado de activos se concentra principalmente en el sector financiero, a pesar de que existen múltiples sistemas para identificar y reportar las operaciones sospechosas. Sin embargo, el problema radica en que los sistemas de detección pueden producir altas tasas de falsos positivos, debido a que las operaciones reportadas como inusuales realmente son operaciones legales. La literatura disponible muestra múltiples aproximaciones para la detección de operaciones sospechosas de lavado de activos que intentan obtener bajas tasas de falsos positivos, sin embargo, la mayoría de soluciones propuestas no incluyen datos de anomalías reales, esto por la dificultad de obtener este dato de las entidades financieras, por lo que sus modelos son entrenados con datos sintéticos para simular los datos anómalos, por lo que al momento de su implementación los resultados presentan limitaciones. Adicionalmente, ninguna de estas propuestas ha explorado la utilización de variables no transaccionales, con las cuales se podrían tener mejores tasas de falsos positivos. Como resultado de esta investigación, se propone un modelo de detección de operaciones sospechosas de lavado de activos que incorpore, además de las variables transaccionales convencionales, variables no transaccionales para obtener mejores tasas de falsos positivos y permitir su validación y comparación con las otras técnicas en un conjunto de datos completamente real.

ABSTRACT: Money laundering is a crime that generates great concern internationally, this due to the large amounts of money that annually moves worldwide and the social and economic impact that it generates. In the financial sector which is where this crime occurs mostly, anti-money laundering systems has been implemented in order to identify and report suspicious transactions of money laundering, the problem is that these detection systems can produce high false positive rates, e.g. many operations reported as unusual when actually they are legal operations, this causes a lot of time lost in the investigation of operations that really are not unusual and can hinder the detection and reporting system. Doing a literature review, proposals were found for the detection of suspicious transactions of money laundering that try to produce low false positives rates. The problem is that many of these solutions do not include data from real anomalies, so at the time of its actual implementation outcomes may not be desired. Additionally none of the proposals have explored the use of non-transactional variables, which could have better false positives rates. This investigation aims to design a model of detection of suspicious transactions of money laundering that incorporates in addition to conventional transactional variables, non-transactional variables with which you can get better false positives rates and can be tested and compared with other techniques on a set of completely real data.