利用自动机器学习加强您的反洗钱计划

时间:2019-03-15 13:17:03 阅读:41次

  人们对使用机器学习来改善风险检测和加强各种风险管理计划非常感兴趣。特别是,反洗钱(或反洗钱)是一个利用机器学习来改进可疑活动检测的领域,已经证明可以大大减少金融调查单位必须梳理的误报警的数量,以便找到相对的少数案件需要更严格的审查。

<! - more - >

  然而,另一个同样有益的用例可能不太明显。

  在每个银行中,AML流程在帐户开立时开始。 “了解您的客户”(KYC)规则要求银行尽职尽责地确认客户在开立账户时的身份,地址和银行产品的预期用途。银行必须确定哪些客户需要加强尽职调查,因为根据所收集的信息,这些客户会构成更高的洗钱风险。

  根据客户类型,位置和产品,决定向新客户询问哪些问题会变得复杂。对于由多个从事国际业务的法人实体组成的组织,银行可能提出的问题数量可能会对银行家和客户造成威胁。

  为了使事情变得更加困难,监管机构不会就问题的性质或每种情况下要问的问题数量提供明确的指导。在最近发布的FFIEC BSA / AML考试程序手册中,审查员被告知:

  

   “客户风险因素的评估是针对银行的,有关客户风险状况的结论应基于对所有相关客户信息的考虑......”

  

  那么,您如何知道KYC流程的正确问题是什么?或者,换句话说,洗钱风险的最佳预测因素是什么?

  在可以想象的最详尽的尽职调查和极简主义的方法之间取得平衡,旨在尽可能少地给客户带来不便。银行必须在成本,复杂性,客户体验和预测价值方面调整他们设定的问题和门槛,以便制定最佳的KYC流程。如果对少数问题的回答表明需要更彻底的审查程序,一些银行甚至会设立专门的“加强尽职调查”单位来处理高风险客户。

  银行通常依靠经验和专家意见来确定哪些问题最相关,表明洗钱风险,并且适合客户类型,地理位置,产品集和预期用途。但是,经验和专家意见可能不足以取得最佳结果,而且随着意见的不同,理由可能会很困难。

  幸运的是,银行拥有宝贵的资产,可用于他们的KYC工作 - 他们自己的数据。银行收集所有客户的数据,拥有大量交易详情,跟踪可疑活动警报,并知道何时向金融犯罪执法网络(FinCEN)提交了可疑活动报告(SAR)。

  根据已知结果 - 包含交易模式的历史数据导致可疑活动警告,调查以及最终是否提交了SAR - 银行可以使用DataRobot自动化机器学习平台来识别哪些客户数据和交易活动表明潜在洗钱的风险很高。

  

   DataRobot提供的功能可让您解释哪些因素最能影响模型。

   DataRobot通过针对数十种模型测试银行数据来实现这一目标,其中性能最佳的模型提供了有价值的见解,有助于确定哪些客户数据和交易模式最适合预测潜在的可疑活动。这些知识可帮助银行确定在KYC流程中要问的正确问题,并有助于调整可疑活动监控检测规则。基于较少预测因素的问题可能无法增加价值,可以从KYC和尽职调查中消除,从而节省时间并降低复杂性。

  对于潜在洗钱活动的重要预测因素,使用DataRobot的部分依赖特征揭示了这些预测值有助于正确预测洗钱风险的阈值,并可用于确定哪些客户受到增强尽职调查,但不是。

  

  部分依赖可视化帮助银行确定风险阈值。

  这是一个示例,说明构建模型如何帮助您了解数据告诉您的内容。在这种情况下,您自己的数据是您在尽职调查过程中包含的正确问题的最佳知识来源。基于实际经验的决策将更容易解释和证明。此外,DataRobot的模型透明度和模型风险管理功能可用于创建监管机构期望的文档。

  作为反洗钱检查程序的一部分,审查员被告知:

   “银行应识别客户或客户类别的特定风险,然后对所有相关信息进行分析,以便制定客户的风险状况。”

  

  使用DataRobot和您自己的数据来了解风险因素并确定高风险活动的强大预测因素可以极大地帮助您设计和校准KYC流程。使用DataRobot进行的持续监控将帮助您检测风险因素或交易模式何时发生变化以及KYC流程的重新校准可能是有序的。

  使用DataRobot设计KYC流程有助于银行在成本,客户体验和监管期望之间取得适当的平衡,同时为银行提供有价值的文档,以根据银行的实际经验展示严格的KYC设计。

  

利用自动机器学习加强您的反洗钱计划所属专题:机器学习专题 《利用自动机器学习加强您的反洗钱计划》链接:http://www.zhouchuanxiong.net/1257

利用自动机器学习加强您的反洗钱计划相关文章