| Русский Русский | English English |
   
Главная Архив номеров
06 | 11 | 2024
10.14489/vkit.2020.12.pp.029-039

DOI: 10.14489/vkit.2020.12.pp.029-039

Бекетнова Ю. М.
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ КЛАССИФИКАЦИИ ПРИ ОБРАБОТКЕ ДАННЫХ О ДЕЯТЕЛЬНОСТИ КРЕДИТНЫХ ОРГАНИЗАЦИЙ
(с. 29-39)

Аннотация. Приведены результаты решения задачи классификации кредитных организаций с точки зрения возможной вовлеченности этих организаций в процессы отмывания денежных средств. Проведен сравнительный анализ результатов, полученных при применении различных современных алгоритмов классификации, таких как логистическая регрессия, деревья решений (алгоритмы двухклассовый лес решений, AdaBoost), метод опорных векторов (алгоритм двухклассовая машина опорных векторов), нейросетевые методы (алгоритм двухклассовой нейронной сети), Байесовские сети (алгоритм двухклассовой сети Байеса). Из рассмотренных алгоритмов классификации наиболее точные результаты показал алгоритм двухклассового усиленного дерева решений (AdaBoost). Применяя полученные результаты на практике, аналитики Росфинмониторинга, а также эксперты Банка России смогут выявлять девиантные кредитные организации, потенциально вовлеченные в процессы отмывания доходов.

Ключевые слова:  классификация; машинное обучение; противодействие отмыванию доходов; кредитные организации.

 

Beketnova Yu. M.
COMPARATIVE ANALYSIS OF CLASSIFICATION METHODS IN PROCESSING DATA ON THE ACTIVITIES OF CREDIT ORGANIZATIONS
(pp. 29-39)

Abstract. The results of solving the classification problem of credit organizations from the point of view of possible involvement in the money laundering processes are presented. A comparative analysis of the results obtained using various modern classification algorithms is carried out. When analyzing credit institutions, Rosfinmonitoring analysts have to operate with large amounts of information. The actual need for the number of objects to be analyzed is in many times greater than the capabilities of analysts. This problematic situation requires prioritization of inspections. The heterogeneous nature of information resources and their significant volume exclude the possibility of their manual processing. It is necessary to move from successive expert examinations of individual objects to parallel mass automated checks, taking into account modern methodological and instrumental possibilities in the context of digital transformation of public administration. A comparative analysis of the results of processing data on the activities of credit organizations by classification methods – logistic regression, decision trees (algorithms of Two-Class Boosted Decision Forest, AdaBoost), the method of support vectors (algorithm of Two-Class Support Vector Machine), neural network methods (algorithm of Two-Class Neural Network), Bayesian networks (the algorithm of Two-Class Bayes Pointmachine) carried out. Of the classification algorithms considered, the most accurate results were shown by the algorithm of Two-Class Boosted Decision Forest (AdaBoost). The results obtained are of great practical importance and may allow Rosfinmonitoring analysts, as well as experts of the Bank of Russia, to identify deviant credit institutions potentially involved in money laundering processes.

Keywords: Classification; Machine learning; Antimoney laundering; Credit organizations.

Рус

Ю. М. Бекетнова (Финансовый университет при правительстве Российской Федерации, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

Yu. M. Beketnova (Financial University, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Российская Федерация. Законы. О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма: Федеральный Закон: [принят Государственной Думой 13 июля 2001 года: по состоянию на 06 июля 2016 года]. Доступ из Справочноправовой системы «Консультант Плюс» [Электронный ресурс]. URL: http://www.consultant.ru/document/cons_ doc_LAW_32834/ (дата обращения: 04.02.2020).
2. Бекетнова Ю. М., Крылов Г. О., Фомин Я. А. Диагностика организаций на предмет выявления рисков нарушения финансовой и информационной безопасности // Информатизация и связь. 2012. № 8. С. 56 – 59.
3. Бекетнова Ю. М., Крылов Г. О., Ларионова С. Л., Приказчикова А. С. Районирование рисков нарушения информационной и финансовой безопасности методом главных компонент // Информатизация и связь. 2016. № 3. С. 141 – 145.
4. Бекетнова Ю. М. Экспертные оценки субъектов финансовой деятельности // Дискуссия. 2013. № 8(38). С. 52 – 54.
5. Справочник по кредитным организациям [Электронный ресурс]. URL: https://www.cbr.ru/ banking_sector/credit (дата обращения: 24.01.2020).
6. Pavlidis N. G., Tasoulis D. K., Adams N. M., Hand D. J. Adaptive Consumer Credit Classification // Journal of the Operational Research Society. 2012. V. 63, No. 12. P. 1645 – 1654.
7. Yap B. W., Ong S. H., Husain N. H. M. Using Data Mining to Improve Assessment of Credit Worthiness Via Credit Scoring Models // Expert Systems with Applications. 2011. V. 38, No. 10. P. 13274 – 13283.
8. Khemais Z., Nesrine D., Mohamed M. Credit Scoring and Default Risk Prediction: A Comparative Study between Discriminant Analysis& Logistic Regression // International Journal of Economics and Finance. 2016. V. 8, No. 4. P. 39.
9. Li Z. Reject Inference in Credit Scoring Using Support Vector Machines // SSRN. 2016.
10. Louzada F., Anacleto-Junior O., Candolo C., Mazucheli J. Polybagging Predictors for Classification Modelling for Credit Scoring // Expert Systems with Applications. 2011. V. 38, No. 10. P. 12717 – 12720.
11. Vukovic S., Delibasic B., Uzelac A., Suknovic M. A Case-based Reasoning Model that Uses Preference Theory Functions for Credit Scoring // Expert Systems with Applications. 2012. V. 39, No. 9. P. 8389 – 8395.
12. Marqués A. I., García V., Sánchez J. S. Two-level Classifier Ensembles for Credit Risk Assessment // Expert Systems with Applications. 2012. V. 39, No. 12. P. 10916 – 10922.
13. Akkoç S. An Empirical Comparison of Conventional Techniques, Neural Networks and the Three Stage Hybrid Adaptive Neuro Fuzzy Inference System (ANFIS) Model for Credit Scoring Analysis: The Case of Turkish Credit Card Data // European Journal of Operational Research. 2012. V. 222, No. 1. P. 168 – 178.
14. Wu W. W. Improving Classification Accuracy and Causal Knowledge for Better Credit Decisions // International Journal of Neural Systems. 2011. V. 21, No. 4. P. 297 – 309.
15. Zhu H., Beling P. A., Overstreet G. A. A Bayesian Framework for the Combination of Classifier Outputs // Journal of the Operational Research Society. 2002. V. 53, No. 7. P. 719 – 727.
16. Эскиндаров М. А., Соловьев В. И. Парадигмы цифровой экономики: Технологии искусственного интеллекта в финансах и финтехе. М.: Когито-Центр, 2019. 325 с.

Eng

1. Russian Federation. The laws. On combating legalization (laundering) of proceeds from crime and financing of terrorism. Available at: http://www.consultant.ru/document/cons_doc_LAW_32834/ (Accessed: 04.02.2020). [in Russian language]
2. Beketnova Yu. M., Krylov G. O., Fomin Ya. A. (2012). Diagnostics of organizations to identify risks of violation of financial and information security. Informatizatsiya i svyaz', (8), pp. 56 – 59. [in Russian language]
3. Beketnova Yu. M., Krylov G. O., Larionova S. L., Prikazchikova A. S. (2016). Zoning the risks of information and financial security breach using the principal component method. Informatizatsiya i svyaz', (3), pp. 141 – 145. [in Russian language]
4. Beketnova Yu. M. (2013). Expert assessments of financial entities. Diskussiya, 38(8), pp. 52 – 54. [in Russian language]
5. Reference book on credit institutions. Available at: https://www.cbr.ru/banking_sector/credit (Accessed: 24.01.2020). [in Russian language]
6. Pavlidis N. G., Tasoulis D. K., Adams N. M., Hand D. J. (2012). Adaptive Consumer Credit Classification. Journal of the Operational Research Society, Vol. 63, (12), pp. 1645 – 1654.
7. Yap B. W., Ong S. H., Husain N. H. M. (2011). Using Data Mining to Improve Assessment of Credit Worthiness Via Credit Scoring Models. Expert Systems with Applications, Vol. 38, (10), pp. 13274 – 13283.
8. Khemais Z., Nesrine D., Mohamed M. (2016). Credit Scoring and Default Risk Prediction: A Comparative Study between Discriminant Analysis& Logistic Regression. International Journal of Economics and Finance, Vol. 8, (4).
9. Li Z. (2016). Reject Inference in Credit Scoring Using Support Vector Machines. Social Science Research Network.
10. Louzada F., Anacleto-Junior O., Candolo C., Mazucheli J. (2011). Polybagging Predictors for Classification Modelling for Credit Scoring. Expert Systems with Applications, Vol. 38, (10), pp. 12717 – 12720.
11. Vukovic S., Delibasic B., Uzelac A., Suknovic M. (2012). A Case-based Reasoning Model that Uses Preference Theory Functions for Credit Scoring. Expert Systems with Applications, Vol. 39, (9), pp. 8389 – 8395.
12. Marqués A. I., García V., Sánchez J. S. (2012). Two-level Classifier Ensembles for Credit Risk Assessment. Expert Systems with Applications, Vol. 39, (12), pp. 10916 – 10922.
13. Akkoç S. (2012). An Empirical Comparison of Conventional Techniques, Neural Networks and the Three Stage Hybrid Adaptive Neuro Fuzzy Inference System (ANFIS) Model for Credit Scoring Analysis: The Case of Turkish Credit Card Data. European Journal of Operational Research, Vol. 222, (1), pp. 168 – 178.
14. Wu W. W. (2011). Improving Classification Accuracy and Causal Knowledge for Better Credit Decisions. International Journal of Neural Systems, Vol. 21, (4), pp. 297 – 309.
15. Zhu H., Beling P. A., Overstreet G. A. (2002). A Bayesian Framework for the Combination of Classifier Outputs. Journal of the Operational Research Society, Vol. 53, (7), pp. 719 – 727.
16. Eskindarov M. A., Solov'ev V. I. (2019). Paradigms of the Digital Economy: Artificial Intelligence Technologies in Finance and Fintech: Monograph. Kogito-Tsentr. [in Russian language]

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2020.12.pp.029-039

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2020.12.pp.029-039

and fill out the  form  

 

.

 

 

 
Поиск
Баннер
Баннер
Rambler's Top100 Яндекс цитирования