Меню
Том 1 № 30 (2026) / 2026-03-30 / Көрілім саны: 257
Авторлар
Кілтті сөздер
DOI сілтемесі:
Қалай дәйексөз келтіруге болады
Транзакциялар деңгейіндегі ақшаны жылыстатуға қарсы (AML) сенімді жүйелер күдікті әрекеттерді дәл ранжирлеумен қатар, операциялық шешім қабылдау мен тәуекелдерді басымдықпен қарау үшін жақсы калибрленген ықтималдықтық тәуекел бағаларын талап етеді. Осы тұрғыда бұл жұмыста уақыттық мінез-құлықтық белгілерді қолданатын калибрленген градиентті бустинг модельдерінің эмпирикалық бағалануы ұсынылады және ықтималдық калибрлеу мен мінез-құлықтық белгілерді модельдеудің ықтималдық бағалардың сенімділігіне және операциялық тұрғыдан маңызды тиімділік көрсеткіштеріне бірлескен әсері талданады.
Ұсынылған құрылым градиентті бустинг алгоритмдерін (CatBoost және XGBoost) ықтималдықтарды пост-калибрлеу әдістерімен (Platt scaling және изотондық регрессия) біріктіреді, сондай-ақ 1, 7 және 30 күндік жылжымалы уақыттық терезелерде есептелетін мінез-құлықтық белгілерді пайдаланады. Бұл тәсіл қысқа мерзімді құбылмалылықты да, ұзақ мерзімді транзакциялық үлгілерді де қамтуға мүмкіндік береді. Эксперименттік бағалау нақты банктік қызметті модельдейтін шамамен жеті миллион синтетикалық транзакциядан тұратын IBM Anti-Money Laundering (IBM–AML) ашық деректер жиынтығында жүргізілді.
Модельдердің тиімділігі ранжирлеу, калибрлеу және операциялық бағытталған метрикалар арқылы бағаланды, олардың қатарына AUPRC, AUROC, Brier көрсеткіші, Precision@Top k және Lift@Top k жатады. Қарастырылған базалық модельдер арасында калибрленген CatBoost бағаланған базалық көрсеткіштер арасында ең жоғары жалпы көрсеткіштерді көрсетті (AUPRC = 0.367, AUROC = 0.959, Brier = 0.0062, Lift@1% = 40.9).
Нәтижелер ықтималдық калибрлеудің модельдің ранжирлеу қабілетін төмендетпей, болжанған тәуекел бағаларының сенімділігін арттыратынын, ал уақыттық мінез-құлықтық белгілердің сыныптар қатты теңгерімсіз болған жағдайда анықтау сезімталдығын күшейтетінін көрсетеді. Зерттеу AML жүйелеріндегі калибрлеу мен мінез-құлықтық динамиканың рөліне қатысты эмпирикалық негізделген нәтижелерді ұсынады және болашақ салыстырмалы зерттеулер үшін қайта өндіруге болатын эксперименттік негіз қалыптастырады. Алынған нәтижелердің нақты AML жүйелеріне қолданылу мүмкіндігі пайдаланылған деректер жиынтығының синтетикалық сипатын ескере отырып талқыланып, нақты банктік деректерде қосымша валидация жүргізу бағыттары айқындалады.