Enhancing AML compliance: a machine learning approach to suspicious activity detection through routine activity theory
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This study explores the application of machine learning (ML) algorithms to enhance the detection and reporting of Suspicious Activity Reports (SARs) in California’s financial sector. This research aims to improve anti-money laundering (AML) compliance by evaluating the effectiveness of advanced ML techniques, specifically CatBoost and Decision Tree algorithms, in identifying suspicious financial transactions. Design/methodology/approach This research uses a comprehensive methodological framework involving the analysis of 45,000 SAR filings from financial institutions and regulatory agencies in California, dating back to 2018. Various ML algorithms, including linear regression, random forest, decision tree and CatBoost, are used to analyze SAR filing patterns and predict suspicious transactions. Findings The findings reveal that CatBoost outperforms other models, offering a better fit to the data and higher predictive accuracy with a low RMSE and high cross-validation scores. The Decision Tree algorithm also demonstrates significant promise but is slightly less effective than CatBoost. This study confirms that ML algorithms, particularly CatBoost, significantly improve the detection and reporting of suspicious financial activities, thereby enhancing AML compliance. Originality/value This research contributes to the literature by integrating advanced ML techniques into AML compliance, moving beyond traditional statistical approaches. The findings provide practical implications for financial institutions, highlighting the potential of ML algorithms to enhance the effectiveness of SAR filings and bolster regulatory efforts in mitigating financial crime. This study underscores the value of ML in developing targeted policies to curb illicit financial activities and advance AML analytical capabilities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle