Меню
Том_ 1 № 30 (2026) / 2026-03-30 / Кол. просмотров: 257
Авторы
Ключевые слова
DOI ссылка:
Как цитировать
Надёжные системы противодействия отмыванию денег (AML) на уровне отдельных транзакций требуют не только точного ранжирования подозрительной активности, но и хорошо откалиброванных вероятностных оценок риска для поддержки операционных решений и приоритизации проверок. В этом контексте в работе представлена эмпирическая оценка калиброванных моделей градиентного бустинга с временными поведенческими признаками, направленная на анализ совместного влияния вероятностной калибровки и моделирования поведенческих признаков на надёжность вероятностных оценок и операционно значимые показатели эффективности.
Предложенная структура объединяет алгоритмы градиентного бустинга (CatBoost и XGBoost) с методами пост-калибровки вероятностей (Platt scaling и изотоническая регрессия), а также поведенческие признаки, вычисляемые в скользящих временных окнах продолжительностью 1, 7 и 30 дней, что позволяет учитывать как краткосрочную волатильность, так и долгосрочные транзакционные паттерны. Экспериментальная оценка проведена на открытом наборе данных IBM Anti-Money Laundering (IBM–AML), содержащем около семи миллионов синтетических транзакций, имитирующих реалистичную банковскую деятельность.
Качество моделей оценивается с использованием ранжирующих, калибровочных и операционно ориентированных метрик, включая AUPRC, AUROC, Brier score, Precision@Top k и Lift@Top k. Среди рассмотренных базовых моделей калиброванная модель CatBoost продемонстрировала наилучший общий баланс между качеством ранжирования и надёжностью вероятностных оценок (AUPRC = 0.367, AUROC = 0.959, Brier = 0.0062, Lift@1% = 40.9).
Полученные результаты показывают, что вероятностная калибровка повышает надёжность прогнозируемых риск-оценок без ухудшения качества ранжирования, в то время как временные поведенческие признаки способствуют повышению чувствительности выявления в условиях сильного дисбаланса классов. Работа предоставляет эмпирически обоснованные результаты относительно роли калибровки и поведенческой динамики в AML-системах, а также предлагает воспроизводимую экспериментальную основу для дальнейших сравнительных исследований. Применимость полученных выводов к реальным AML-системам обсуждается с учётом синтетической природы используемого набора данных, а также обозначаются направления дальнейшей валидации на реальных банковских данных.