Математические методы оценки финансовых транзакций на предмет мошенничества

Аннотация

В настоящее время увеличивается количество финансовых транзакций, что приводит к росту финансового мошенничества и, как следствие, возникновению потерь в мировой экономике от кибератак. Выявление девиантных транзакций является актуальной темой современных исследований, поскольку для всех участников банковской системы важно минимизировать риски, которые могут возникать из-за наличия уязвимостей при совершении онлайн-операций. Рост финансовых потерь из-за увеличения финансового мошенничества актуализирует значимость применения математических методов для анализа реальных данных. Целью настоящего исследования является разработка и определение наилучшей математической модели для предсказания мошеннических операций. Новизна исследования состоит в построении различных моделей бинарного выбора на основе панельных данных для прогнозирования девиантных транзакций, а также сравнении эконометрических моделей с моделями, построенными на основе нейросетей и ансамблей деревьев, и обосновании выбора наилучшей модели. Методическую основу исследования составили методы корреляционного анализа, эконометрические и нейросетевые методы, ансамбль решающих деревьев. К наиболее существенным результатам, характеризующим научную новизну исследования, можно отнести следующие: 1) проведен эконометрический анализа финансовых транзакций на панельных данных с использованием пробит- (probit-) и логит-модели (logit-model) с фиксированными эффектами (fixed effect) или со случайными эффектами (random effect); 2) для прогнозирования мошеннической транзакции применены нейросетевые методы и метод, основанный на ансамбле деревьев; 3) проведен сравнительный анализ построенных математических моделей, определена модель, наилучшим образом указывающая мошенническую транзакцию. Перспективы исследований связаны с более глубоким изучением влияния различных факторов для проверки финансовых транзакций на предмет мошенничества.

Ключевые слова

финансовые транзакции, эконометрическое моделирование, панельные данные, интеллектуальный анализ данных, логит-модель, пробит-модель, классификация финансовых транзакций, нейросетевое моделирование, случайный лес, прогнозирование.

Список литературы

1. Lavion D. et al. PwC’s global economic crime and fraud survey. 2018. PwC.com.
2. Франгуриди Г. Динамика условных моментов высоких порядков и прогнозирование стоимостной меры риска // Квантиль. 2014. № 12. С. 69–82.
3. Palshikar G. The hidden truth – Frauds and their control: A critical application for business intelligence, intelligent enterprise // Intelligent Enterprise. 2002. Vol. 5, № 9. P. 46–51.
4. Amemiya T. The estimation of the variances in a variance-components model // International Economic Review. 1971. Vol. 12, Iss. 1. P. 1–13.
5. Lenz H.-J. Data fraud detection: A first general perspective. In: Enterprise Information Systems. 16th International Conference, ICEIS 2014. Lisbon, Portugal, April 27–30, 2014. P. 14–35.
6. Bekirova A.S., Klimova V.V., Kuzin M.V., Shchukin B.A. Payment card fraud detection using neural network committee and clustering // Optical Memory and Neural Networks. 2015. № 24. P. 193–200.
7. Whitrow C., Hand D.J., Juszczak P. Transaction aggregation as a strategy for credit card fraud detection // Data Mining Knowledge Discovery. 2009. № 18 (1). P. 30–55. doi: 10.1007/s10618-008-0116-z.
8. Kaminski A., Kaminski T., Wetzel S., Guan L. Can financial ratios detect fraudulent financial reporting? // Managerial Auditing Journal. 2004. Vol. 19 (1). P.15–28. doi: 10.1108/02686900410509802.
9. Fanning K.M., Cogger K.O. Neural network detection of management fraud using published financial data // International Journal of Intelligent Systems in Accounting, Finance and Management. 1998. Vol. 7, Iss. 1. P. 21–41.
10. Kirkos S., Spathis C., Manolopoulos Y. Data mining techniques for the detection of fraudulent financial statements // Expert Systems with Application. 2007. Vol. 32, № 4. P. 995–1003.
11. Chen F.H., Chi D.-J., Zhu J.-Y. Application of random forest, rough set theory, decision tree and neural network to detect financial statement fraud – taking corporate governance into consideration // Intelligent Computing Theory. ICIC. 2014. P. 221–234. doi: 10.1007/978-3-319-09333-8_24.
12. Box G.E.P., Jenkins G. Time series analysis: Forecasting and control (Holden-day series in time series analysis). Holden-Day, San Francisco, CA, 1976. 575 p.
13. Kumar A., Gupta G. Fraud detection in online transactions using supervised learning techniques // Towards Extensible and Adaptable Methods in Computing. 2018. P. 309–321. doi: 10.1007/978-981-13-2348-5_23.
14. Gómez J.A., Arévalo J., Paredes R., Nin J. End-to-end neural network architecture for fraud scoring in card payments // Pattern Recognition Letters. 2018. Vol. 105. P. 175–181. doi: 10.1016/j.patrec.2017.08.024.
15. Сат Д.М., Крылов Г.О., Айдаралиева А.А., Мочалин Д.О. Исследование и апробация метода кластерного анализа с использованием нейронных сетей для оценки транзакций криптовалюты Bitcoin // Информатизация и связь. 2017. № 3. С. 107–110.
16. Lopez-Rojas E.A., Elmir A., Axelsson S. Paysim: A financial mobile money simulator for fraud detection // 28th European Modeling and Simulation Symposium. EMSS, Larnaca, 2016. P. 249–255.
17. Wooldridge J.M. Econometric analysis of cross section and panel data. MIT Press, Cambridge, 2002. 741 p.
18. Ратникова Т.А. Введение в эконометрический анализ панельных данных // Экономический журнал ВШЭ. 2006. Т. 10, № 4. С. 638–669.
19. Ясницкий Л.Н. Интеллектуальные системы. М.: Лаборатория знаний, 2016. 221 с.
20. Breiman L. Random forest // University of California. 2001. 33 p.
21. Arellano M. Panel data econometrics. Oxford University Press, 2003. 231 p.
22. Baltagi B.H. Econometric analysis of cross section and panel data. Chichester: John Wiley & Sons, 1995. 338 p.