کاربرد یادگیری ماشین و پایش هوشمند در کشف تراکنش‌های مشکوک و مبارزه با پولشویی در عصر بانکداری دیجیتال

نویسندگان مقاله

چکیده

گسترش خدمات برخط و رشد بی‌سابقهٔ حجم تراکنش‌ها، سامانه‌های سنتی قاعده‌محور مبارزه با پولشویی را که به آستانه‌های ثابت مبلغ و تعداد تکیه دارند، با دو مشکل هم‌زمان روبه‌رو کرده است: انبوهی از هشدارهای کاذب و ناتوانی در دیدن الگوهای چندلایه‌ای مانند اجاره حساب بانکی. این پژوهش کاربردی با رویکرد کمی و آزمایشی، چهار مدل نظارت‌شده (رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی و گرادیان بوستینگ از خانوادهٔ XGBoost) و دو روش بدون نظارت (K-Means و جنگل انزوا) را با یک سامانهٔ قاعده‌محور مقایسه می‌کند. داده‌ها شامل حدود ۵۴۰٬۰۰۰ تراکنش شبیه‌سازی‌شدهٔ ۹۰ روزه با نرخ تراکنش مشکوک نزدیک به ۱٫۵ درصد و سه الگوی ساختارشکنی، حساب واسط (مول) و لایه‌گذاری زنجیره‌ای است. ارزیابی به‌صورت زمانی (آموزش روی روزهای آغازین، آزمون روی ۲۷ روز پایانی)، با معیارهای مناسب داده نامتوازن و در پنج تکرار مستقل انجام شد. نتایج نشان داد سامانهٔ قاعده‌محور با F1 برابر ۰٫۱۳۵ حدود ۹۲ درصد هشدارهایش را کاذب تولید می‌کند، در حالی که جنگل تصادفی و گرادیان بوستینگ به F1 نزدیک ۰٫۸۶۴ تا ۰٫۸۷۱ و PR-AUC حدود ۰٫۹۲۹ می‌رسند و تفاوت این دو مدل معنادار نیست؛ روش‌های بدون نظارت به‌تنهایی کافی نیستند. در نمونهٔ اصلی، حجم هشدارها حدود ۷۹ درصد و هشدارهای کاذب حدود ۹۷ درصد کاهش یافت. یافته‌ها از استقرار نظارت ترکیبی انسانی-الگوریتمی، تفسیرپذیری تصمیم‌ها و پایش رانش مدل حمایت می‌کند. اعداد گزارش‌شده بر پایهٔ داده شبیه‌سازی‌ شده‌اند و پیش از تعمیم باید با داده واقعی بانکی راستی‌آزمایی شوند. واژگان کلیدی: مبارزه با پولشویی، یادگیری ماشین، کشف تراکنش‌های مشکوک، بانکداری دیجیتال، پایش هوشمند