Совершенствование системы противодействия легализации преступных доходов и механизмов контроля в кредитных организациях (1142602), страница 33
Текст из файла (страница 33)
№ 375 П // Вестник Банка России. – 2012.− № 20.– С.30-50.188Приложение Б(Обязательное)Модель нейронной сети в противодействии отмыванию преступных доходовПостроим нейрон с единственным скалярным входом. В соответствии срисунком Б.1 на этот вход поступает сигнал x (один из параметров финансовойоперации клиента), который умножается на весовой коэффициент w (степеньсвязи данного параметра с отмыванием доходов).ЯчейканейронаВходxwВыходf (x*w)SYY=f(x*w)Источник: составлен авторомгде:w – весовой коэффициент или синапсx – входнойБ.1параметрРисунок− Структура нейрона с одним скалярнымf – функция активации нейронаY – результат работы или выходвходомПроизведение x*w служит аргументом для функции f активации нейрона.
Врезультате вычисления данной функции получаем ответ − выходной сигнал Y(связь этого параметра с ОД/ФТ), который имеет вид:Y = f (x*w),(Б.1)где Y – результат работы нейрона (выход);x – входной параметр;w – весовой коэффициент или синапс;f – функция активации нейрона.В нашей модели в соответствии с рисунком Б.2 нейрон будет иметьнесколько входов (параметров операции), каждый из которых умножается насоответствующий вес, тогда взвешенная сумма S всех его входов приметследующий вид:S = x1*w1 + x2*w2 + … + xnwn,где S – взвешенная сумма всех входов нейрона;xn – n-й входной параметр;wn – n-й весовой коэффициент или синапс.(Б.2)189Источник: Элементы нейронных сетей [Электронный ресурс].
– Режим доступа:http://www.forekc.ru/nr1/index-elementy_neironnyh_setei.htmРисунок Б.2 – Графическое изображение нейрона с множеством входовДля работы нейронной сети необходимо настроить весовые коэффициентынейрона и выбрать функцию его активации таким образом, чтобы достичьжелаемого поведения сети. Помимо выполнения определенных задач, сеть сможеткорректировать свои параметры для достижения требуемого результата.Сеть может иметь один или более слоев нейронов, как показано на рисункеБ.3,приэтоммногослойныесетиобладаютдостаточнобольшимивозможностями.
Слой – это один или несколько нейронов, на входы которыхподается один и тот же общий сигнал. В таких сетях обработка информацииосуществляется послойно.В слоистых сетях нейроны i-го слоя получают входные сигналы,преобразуют их и через точки ветвления передают нейронам (i+1) слоя. И так доk-го слоя, который выдает выходные сигналы для пользователя. Число нейронов вкаждом слое не связано с количеством нейронов в других слоях и может бытьпроизвольным.Источник: Кальченко Д. Нейронные сети на пороге будущего [Электронный ресурс] //КомпьютерПресс. − 2005. − №1. – Режим доступа: http://www.compress.ru/Article.aspx?id=9663Рисунок Б.3 – Многослойная нейронная сеть190Внейронныхсетяхразличныхкомпанийэлектроннойкомерции,создаваемых для предотвращения мошенничества в платежных системах, вкачестве входного сигнала принято рассматривать совокупность параметровоперации: статистику, основанную на клиентской истории, клиентские данныеи т.п.
Так, при переводе денежных средств наиболее важными являютсяследующие поля: сумма и валюта операции, время, место проведения сделки,местонахождение контрагента, наличие пластиковой карты. Клиентские данныесодержат информацию о возрасте, поле, месте рождения, проживания, работыклиента, доходе, родственниках и т.п. Статистические данные помогаютопределить среднее количество операций по карте или счету клиента, их сумму,были ли выезды за рубеж, их частоту, длительность и место пребывания. Всеперечисленные параметры, так или иначе, влияют на результат работы нейроннойсети, а именно, на то, с какой вероятностью транзакция может считатьсямошеннической. Значимость параметра определяется соответствующим емувесом.Исходя из обозначенных в исследовании требований к АИСПОД инеобходимости ее унификации с действующим российским законодательством, вкачестве входных сигналов в первую очередь следует использовать определенныезаконодательствомкритериисомнительныхоперацийвсоответствиисПриложением А.
Количество слоев сети, а также ее активационную функциюнеобходимо подбирать эмпирически в ходе настройки сети.В частности, можно использовать жесткую пороговую функцию илисигмоидальную функцию − наиболее широко используемые на практике типыактивационной функции.Пороговая функция описывается формулой Б.3:f (S )f ( x * w)0, если S1, если S(Б.3)Данное условие означает, что пока средневзвешенная сумма xi*wi меньшеопределенного значения θ, функция активации возвращает ноль, то естьанализируемая операция клиента не относится к ОД/ФТ, а когда становится191больше – единицу, то есть данная финансовая сделка проводится с целью ОД/ФТ.Ее график представлен на рисунке Б.4:Источник: Нейронные сети - от теории к практике [Электронный ресурс].
– 2012. –Режим доступа: http://www.mql5.com/ru/articles/497Рисунок Б.4 − Жесткая пороговая функцияСигмоидальная функция была введена по аналогии с пороговой функцией,новездеявляетсястрогомонотонновозрастающей,непрерывнойидифференцируемой, а ее формула Б.4 имеет вид:f (S )f ( x * w)11 eS,(Б.4)Ее значения лежат в пределе (0;1), то есть ответом на вопрос является лицелью финансовой операции ОД/ФТ, будет число с весовым значением (чемближе к 1, тем вероятнее).График данной активационной функции имеет следующий видсоответствии с рисунком Б.5:Источник: Нейронные сети - от теории к практике [Электронный ресурс]. – 2012. –Режим доступа: http://www.mql5.com/ru/articles/497Рисунок Б.5 − Сигмоидальная функцияв192После завершения работы функции, мы получим ответ – связана ли даннаяоперация с легализацией доходов, полученных преступным путем, или нет.Еще одним важным моментом для построения нейронной сети АИСПОДявляется нормализация ее входных данных − процесс, при котором все входныеданные проходят процесс "выравнивания", т.е.
в нашем случае приведения кинтервалу [0,1]. Это действие позволяет сравнивать величины разных порядков.Так, например, регулярное снятие клиентом крупных сумм наличных денежныхсредств с определенной периодичностью (раз в день, раз в 3 дня, раз в 5, 7 дней ит.п.) можно привести к значениям от 0 до 1.ВобщемвидеформулаБ.5нормализациивыглядитследующимобразом [105]:y(xxmin )( d 2 d1)xmax xmin(Б.5)d1 ,где x – значение, подлежащее нормализации;xmax – xmin − интервал значений x;d2 – d1 − интервал, к которому будет приведено значение x.В приведенном выше примере есть набор входных значений из интервала [1,7],тогда xmin =1, xmax =7.
Данные о периодичности снятия наличных средств будемприводить к интервалу [0,1], тогда d1=0, d2 =1. Теперь, применив формулу,можно вычислить нормализованные значения для любого входного значения.Прочие входные сигналы - параметры можно проранжировать по степениважности и нормализовать к необходимому интервалу.Отобразимграфическиблок-схемунейроннойсетиАИСПОДвсоответствии с рисунком Б.6.Кроме того, для увеличения эффективности выявления операций ОД/ФТ,целесообразно использовать одно из уникальных свойств нейронных сетей – ихсамообучение. Для этого потребуется собрать значительный объем наблюдений иобучить сеть решению необходимых задач. Количество таких наблюденийдолжно быть в несколько раз больше числа связей в сети.193Систематическое снятие юр.лицами со своих счетовкрупных сумм наличных денежных средствРегулярные зачисления крупных сумм денежныхсредств от третьих лицс последующим их снятием в наличной форме либопереводомна счета третьих лиц в течение нескольких дней.Осуществление резидентами - клиентами кредитныхорганизаций безналичных переводов денежныхсредств в крупных размерах в пользу нерезидентов :-по договорам об импорте работ, услуг и результатовинтеллектуальной деятельности;- по сделкам купли-продажи ценных бумаг- по договорам о поставке товаров, приобретаемых унерезидентов на территории Российской ФедерацииОсуществление иных операций, которые не имеюточевидного экономическогосмысла (носят запутанный или необычный характер)Источник: составлено авторомРисунок Б.6 − Сигмоидальная функцияОперацияОД/ФТЗаконнаяоперация.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
