Detecting Money Laundering: Exploratory Anomaly Detection of Money Laundering Typologies from FINTRAC Disclosures
Notice bibliographique
Résumé
This study presents the findings of a Crime Reduction Research Program (CRRP) project that examines the utility of lightweight, typology-informed analytical techniques for anti-money laundering (AML) detection in resource-limited law enforcement settings. The project, initially aimed at developing an integrated middleware system to analyze structured and unstructured financial intelligence, was re-scoped due to organizational restructuring following the Cullen Commission and pandemic-related capacity shifts. The revised study is a standalone exploratory analysis of FINTRAC Suspicious Transaction Reports and related disclosure data for Project ATHENA (2016–2019), conducted in partnership with the Combined Forces Special Enforcement Unit – British Columbia, the Royal Canadian Mounted Police, and the Ministry of Public Safety and Solicitor General.Drawing on Benford’s Law, feature-engineered indicators, and visual–analytic triage methods, the study evaluates whether accessible, explainable anomaly-detection techniques can improve the early-stage prioritization of pre-flagged financial intelligence. The analysis shows that deviations from expected digit distributions, venue-based clustering, round-dollar transaction patterns, and the innovative measure of casino versatility offer relevant behavioural signals aligned with established laundering typologies, especially those linked to the Vancouver Model. These techniques revealed non-obvious transactional patterns, supported effective data reduction, and allowed for more intuitive interpretation by frontline analysts without dependence on complex enterprise systems.The findings expose critical, persistent structural gaps in Canada’s AML intelligence cycle, particularly in analytical capacity, data accessibility, and inter-agency coordination. This study demonstrates the transformative potential of modular, scalable screening tools designed for practitioners. More broadly, it strengthens the evidence base for innovative socio-technical strategies in the fight against illicit finance, proving that lean, theory-driven computational methods can drive breakthroughs in financial integrity investigations, even amid institutional instability and evolving enforcement priorities.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».