تشخيص پولشويي درسيستم بانكي با استفاده از الگوريتم ژنتيك و شبكه عصبي

Detect money laundering in the banking system using genetic algorithms and neural networks

امروزه مجرمان از طريق ارتكاب اعمال مجرمانه ميكوشند در فاصله زماني كوتاه، ثروت هنگفتي تحصيل كنند و مبناي پولشويي را در جرمي مثل سرقت، به واسطه درآمدي كه براي سارق دارد، ايجاد ميكنند، به گونه اي كه پس از ارتكاب جرم و تحصيل ثروت، در پي پوشاندن اعمال غيرقانوني خود، پول كثيف تحصيل شده را با ترفندهايي، قانوني نشان مي دهند و سعي ميكنند تا مقامات قضايي و انتظامي و مسئولان ذيربط از توقيف اموال بيخبر بمانند و در نتيجه، موجب تضعيف دولت، افزايش تورم و نابساماني اقتصاد و بازار ميگردند. از اين پديده، امروزه به تعبير ميشود ( پولشويي ) . يكي از بزرگ ترين بنگاه هاي اقتصادي هر كشوري كه مورد سوء استفاده مجرمان به منظور پولشويي قرار مي گيرد بانك ها مي باشند كه بزرگترين ضربه را به اقتصاد يك كشور وارد مي كند. در اين مقاله روشي براي تشخيص حساب هايي كه از آن ها در سيستم بانكي به منظور پولشويي استفاده مي شود طرح شده است. به علت وجود داده هاي زياد در بانكها داده كاوي تاكنون كاربردهاي زيادي در امور مالي و پولي داشته است. پس در ابتدا با استفاده از الگوريتم ژنتيك شاخص ترين ويژگي هاي حساب هاي بانكي كه بيشترين تاثير در عمل پولشويي دارند و به گونه اي الگوهاي رفتاري پولشويان را نشان مي دهد استخراج شود و سپس ويژگي هاي استخراج شده به همراه ركوردهاي داده را به يك شبكه عصبي مصنوعي به منظور يادگيري و ساخت مدل تشخيص پولشويي مي دهيم. ما مدل طراحي شده را با استفاده از يك مجموعه داده معتبر كه توسط دانشگاه كاليفرنيا ايرواين ارائه شده است ارزيابي نموده و با ساير روش هايي كه به منظور تشخيص در حوزه كلاهبرداري بانكي بر روي اين مجموعه داده مدل سازي شده اند مقايسه مي نماييم. از آنجايي كه در فرآيند هاي تشخيص مهمترين معيار، دقت تشخيص است نتايج بدست آمده نشان داد كه اين مدل از نظر صحت تشخيص نسبت به ساير روش هاي مدل سازي جهت تشخيص بر روي اين مجموعه داده با 90.09 درصد داراي عملكرد بالاتري است.

Today, criminals from committing criminal acts try in a short time, considerable wealth on education and money laundering a crime such as theft, security is due to the revenue to induce, so that after the crime and acquisition of wealth, seeks cover up their illegal acts, dirty money acquired by tricks, indicate legal and judicial and police authorities and the authorities concerned are trying to stay unaware of confiscated property and thus weaken the government, inflation and economic dislocation and marketed. This phenomenon is now "money laundering" is interpreted. One of the largest firms of any country that abuses are criminals for the purpose of money laundering banks are the biggest blow to the economy of a country. In this paper, a method to detect which of their accounts in the banking system for money laundering scheme has been used. Due to the large data banks, data mining has been widely used in finance and money.in order to learn and build our artificial model money laundering detection. Our model was designed using a valid data set provided by the University of California Irvine and assessment and other ways to detect fraud in the field of banking on the modeled data sets will be compared. Since the detection process is the most important criterion, the accuracy of diagnosis. The results showed that the model terms of recognition accuracy than other modeling methods to detect on this data set with 90.61 percent higher performance.