nạn rửa tiền và các phương pháp cảnh báo hiện tượng rửa tiền

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (595.54 KB, 31 trang )

Mục lục

Lời giới thiệu:
Mạng nơron nhân tạo là một lĩnh vực đang được quan tâm nghiên cứu
ứng dụng trong các ngành kinh tế, kỹ thuật và thương mại. Vì khả năng ứng
dụng thực tiễn của nó đang ngày càng mở rộng, nên nó đã trở thành một môn
học chuyên ngành của sinh viên hệ cử nhân ngành Công nghệ thông tin, cũng
như một số ngành kỹ thuật khác trong các trường Đại học kỹ thuật. Điều đó đã
nói lên tính cần thiết của khoa học về mạng nơron trong việc áp dụng giải
quyết các bài toán truyền thống. Trong khuôn khổ của khoá luận, em xin trình
bày ứng dụng của mạng nơron trong việc phát hiện nạn rửa tiền qua ngân hàng.
Với ý tưởng trên, để trình bày một cách lôgíc các vấn đề và các kỹ thuật
trong việc phát hiện nạn rửa tiền qua ngân hàng bằng mạng nơron, luận văn
được chia làm 4 chương. Chương 1 trình bày về nạn rửa tiền và các phương
pháp cảnh báo hiện tượng rửa tiền hiện tại. Chương 2 giới thiệu về mạng nơron
mục đích của chương này nhằm cung cấp cho người đọc các khái niệm, các
thành phần cơ bản tạo nên mạng nơron, một số mạng nơron kiểu hàm cơ sở
Radian (RBF) và cách thức hoạt động của nó.
Chương 3 trình bày về ứng dụng mạng nơron cảnh báo hiện tượng rửa tiền,
thuật toán của mạng và cách lập trình cơ bản. Chương 4 là phần cài đặt thử
nghiệm ứng dụng mạng vào thực tế.
Do thời gian và kiến thức cũng như kinh nghiệm còn hạn chế, nên đồ án
không tránh khỏi còn thiếu sót. Kính mong các thầy cô chỉ bảo và các bạn đồng
nghiệp quan tâm góp ý.
1
Một lần nữa em xin chân thành cám ơn tất cả các thầy cô đã truyền thụ cho
em kiến thức khoa học và dẫn dắt chúng em trưởng thành.
Chương 1: Nạn rửa tiền và các phương pháp cảnh báo
hiện tượng rửa tiền
1.1. Các khái niệm về nạn rửa tiền
Rửa tiền đã trở thành một tội phạm ngày càng tăng chống lại các tổ chức,

các thể chế tài chính và các hãng đầu tư trên toàn thế giới. Tính nghiêm trọng
của vấn đề này và sự tấn công tinh vi của nó vào một thể chế tài chính đòi hỏi
một biện pháp phát hiện đặc biệt và phức tạp hơn rất nhiều hệ thống dựa vào
các quy tắc đang được sử dụng hiện nay. Rửa tiền được xác định như là một
quá trình giao dịch để chuyển những nguồn tiền bất hợp pháp sang một hình
thức mới, làm cho nó có vẻ như xuất phát từ những nguồn chính đáng và bằng
cách đó che dấu nhân dạng của các cá nhân nắm giữ nguồn tiền đó. Ngay cả
sau khi được rửa, những đồng tiền này không bao giờ là hợp pháp bởi vì vẻ bề
ngoài chính đáng không tương ứng với một bản chất được hợp pháp hoá.
Luợng tiền rửa trên toàn thế giới ước tính khoảng một nghìn tỷ đô la Mỹ (1). Vì
mục tiêu của rửa tiền là che dấu và các tổ chức riêng lẻ không có các nguồn dữ
liệu rõ ràng về những nguồn tiền được rửa qua tài khoản của họ, khó có thể có
được những con số chính xác. Xét đến các thể chế tài chính riêng lẻ, ước tính
tỷ lệ phần trăm của hoạt động rửa tiền trên tổng số các giao dịch cũng khó có
được mặc dù các con số không chính thức mà Nestor tìm được nằm trong
khoảng 0 – 5% của tất cả các giao dịch, tuỳ thuộc vào quy mô của thể chế. Do
sự phát triển của công nghệ thông tin, các nước tiên tiến đã ứng dụng mạng
Nơron để phát hiện các phương pháp rửa tiền tinh vi.
2
Rửa tiền được xác định như là một quá trình giao dịch để chuyển những
nguồn tiền bất hợp pháp sang một hình thức mới, làm cho nó có vẻ như xuất
phát từ những nguồn chính đáng và bằng cách đó che dấu nhân dạng của các cá
nhân nắm giữ nguồn tiền đó. Ngay cả sau khi được rửa, những đồng tiền này
không bao giờ là hợp pháp bởi vì vẻ bề ngoài chính đáng không tương ứng với
một bản chất được hợp pháp hoá. Luợng tiền rửa trên toàn thế giới ước tính
khoảng một nghìn tỷ đô la Mỹ. Vì mục tiêu của rửa tiền là che dấu và các thể
chế riêng lẻ không có các nguồn dữ liệu rõ ràng về những nguồn tiền được rửa
qua tài khoản của họ, khó có thể có được những con số chính xác. Xét đến các
thể chế tài chính riêng lẻ, ước tính tỷ lệ phần trăm của hoạt động rửa tiền trên
tổng số các giao dịch cũng khó có được mặc dù các con số không chính thức

mà Nestor tìm được nằm trong khoảng 0 – 5% của tất cả các giao dịch, tuỳ
thuộc vào quy mô của thể chế.
1.2. Các thủ thuật rửa tiền tinh vi:
Các cơ chế rửa tiền dẫn đến sự chuyển dịch của các nguồn tiền thông qua
các thể chế thay đổi và không ngừng tiến triển bởi các nỗ lực của các tổ chức
thực hiện rửa tiền. Phần lớn các cơ chế bao gồm 3 giai đoạn: đưa tiền thâm
nhập vào hệ thống tài chính, chuyển đổi và đầu tư hợp pháp. Trong giai đoạn
đưa tiền thâm nhập vào hệ thống tài chính, những kẻ rửa tiền thay đổi vẻ bên
ngoài của đồng tiền, thường là gửi vào tài khoản dưới dạng tiền mặt. Trong giai
đoạn chuyển đổi, các giao dịch phức tạp được thực hiện để cắt đứt mối liên hệ
giữa số tiền ban đầu với kẻ rửa tiền. ở giai đoạn đầu tư hợp pháp, kẻ rửa tiền
gắn cho số tiền một nguồn gốc có vẻ hợp lệ, thường là một công việc kinh
doanh chính đáng. Với những cơ chế liên quan đến các thể chế tài chính, các
giao dịch xảy ra ở cả 3 giai đoạn. Điều này làm tăng khả năng có thể sử dụng
một hệ thống phát thiện đủ tinh vi để tìm ra những phương thức khó nhận ra
của những cơ chế này. Một ví dụ đơn giản về một cơ chế rửa tiền là một số
lượng lớn tiền buôn ma tuý được gửi vào các tài khoản tiết kiệm, từ đó được
3
chuyển tới một số tài khoản khác nhằm mục đích chuyển đổi. Cuối cùng, nó
được chuyển vào tài khoản của một doanh nghiệp hợp lệ rồi được rút ra dưới
dạng tiền mặt hoàn toàn hợp pháp. Phần lớn các cơ chế phức tạp hơn thế rất
nhiều và thường dính líu đến rất các tài khoản, thể chế tài chính và phương tiện
rửa tiền đa dạng.
Các phương tiện tài chính có thể dính líu với việc rửa tiền bao gồm không chỉ
là các tài khoản tiết kiệm, ghi nợ, tín dụng và đầu tư. Những kẻ rửa tiền không
thực hiện các giao dịch thông qua các tài khoản kinh doanh của chúng mà còn
sử dụng cả những tài khoản hợp pháp của các cá nhân – những người cho phép
chúng sử dụng với mục đích rửa tiền. Những người này thường được đền bù từ
việc cho phép sử dụng tài khoản của họ chứ không tự mình thực hiện các giao
dịch rửa tiền. Điều này làm cho việc phát hiện rất khó khăn vì sự trà trộn giữa

giao dịch hợp pháp và bất hợp pháp.
Kỹ thuật hiện đại của rửa tiền bắt đầu xuất hiện sau những năm 1920 khi mà
ở Canada xuất khẩu rượu cồn vào Mỹ không phải là bất hợp pháp và chỉ bất
hợp pháp khi nhập khẩu nó từ nước Mỹ. Như để làm chúng ở ngoài một công
ty có tên là Bronfmans mở ra một tài khoản tại Ngân hàng của thành phố
Montreal
dưới cái tên khác “ J. Norton ”. Không ai biết bất cứ chút nào về “J. Norton”,
nhưng tiền vẫn có thể được chuyển bằng điện thoại cho tài khoản này từ Mỹ.
Một khoản USD bằng tiền mặt hoặc những chi phiếu có thể sử dụng để mua
một hối phiếu đứng tên “ J. Norton ” tại bất kỳ chi nhánh nào của Ngân hàng ở
Montreal. Những “bản thảo” này có thể rồi được đặt vào trong tài khoản ngân
hàng của bất kỳ Bronfman nào - công ty kiểm soát và khi thủ quỹ của công ty
nhìn thấy tên “ J. Norton ” thì gửi những đề nghị thanh toán tới công ty ở Mỹ.
Giống như với các vấn đề quản lý rủi ro khác, phương thức hoạt động của
4
những kẻ rửa tiền cũng tương tự, đôi khi không phân biệt được với hành vi của
chủ các tài khoản hợp lệ. Vì thế, ngoài việc đưa ra được một tỷ lệ thấp trong
các dữ liệu, phát hiện ra việc rửa tiền mang tính sác xuất. Hơn nữa mạng nơron
kiểu đặc biệt mà yêu cầu của sự phân ly giữa các mục tiêu gồm cả hai dạng
phân bố không tuyến tính và non-Gaussian. Hơn nữa, không gian đặc tính là
một sự ồn ào: không kẻ rửa tiền nào hoặc người nắm giữ tài khoản thích ứng
với sự phân biệt những ranh giới trong đặc trưng không gian, trừ phi những
ranh giới đặc trưng hiện hữu không rõ ràng và sắp xếp theo mức độ.
1. 3. Các phương pháp cảnh báo hiện tượng rửa tiền
Các quốc gia khác nhau có các luật lệ khác nhau liên quan đến việc giám sát
và báo cáo về các luân chuyển của tiền tệ. Phần lớn các nước có một giá trị
ngưỡng. Bất cứ khối lượng nào vượt qua ngưỡng này, kể cả chi tiết đầy đủ của
giao dịch phải được báo cáo tới các cơ quan nhà nước thích hợp. Nhiều nước
cũng có các luật lệ yêu cầu phải báo cáo về các hoạt động bị cho là đáng nghi
ngờ bởi các thể chế tài chính mặc dù một số nước có các chính sách tự do hơn

các nước khác. Kết quả là, những kẻ rửa tiền thường nhằm vào những nước
này. Các cân nhắc đạo đức và kinh doanh cùng với các luật lệ nói trên buộc các
thể chế tài chính phải nỗ lực phát hiện các hoạt động rửa tiền.
Bản chất chính xác của các luật lệ và các quy tắc về khối lượng giao dịch khiến
họ thích ứng với việc thực hiện một hệ thống phát hiện dựa vào quy tắc. Các hệ
thống này cho phép nhà quản lý rủi ro xác định các quy tắc chính xác để thuyết
phục các luật lệ và lọc ra các hoạt động tài chính có thể bị nghi ngờ. Hình 1
dưới đây mô tả 2 quy tắc được biểu đồ hoá trong một khoảng trống hai chiều.
Trục đứng thể hiện số khoản tiền gửi một người chủ tài khoản thực hiện trong
một khoảng thời gian xác định. Trục ngang thể khối lượng tiền gửi tối đa cho
các giao dịch này. Quy tắc trong trường hợp này là:
Nếu {(5 <= Số các khoản tiền gửi 20) và (Khối lượng tiền gửi > = 10.000)}thì
5
Kiểm tra tài khoản có nghi vấn. Các tài khoản có bất kỳ giao dịch nào bằng
hoặc lớn hơn 10.000 đơn vị sẽ bị báo động cũng như các tài khoản nhận từ 2
đến 5 khoản tiền gửi trong một khoảng thời gian xác định. Các quy tắc khác có
thể thêm vào dưới dạng các chiều khác trong khoảng trống, điều này có thể cô
lập được các giao dịch rửa tiền. Mặc dù quy tắc như vậy có thể thoả mãn các
nguyên tắc của chính phủ nhưng những hạn chế của nó là rõ ràng. Chẳng hạn
một chủ tài khoản hợp pháp có 5 khoản tiền gửi trong một thời gian xác định
có thể bị báo động nhầm. Ngược lại, một kẻ rửa tiền thực hiện 4 lần gửi tiền
trong một thời gian xác định hoặc có một giao dịch 9.500 đơn vị lại không bị
báo động. Hơn nữa, một chuyên gia hiểu biết về rửa tiền phải xác định được
các giá trị của ranh giới của các quy tắc. Đây là một vấn đề đối với các thể chế
tài chính chưa vận hành một hệ thống phát hiện rửa tiền. Cuối cùng, các quy
tắc này mang tính tĩnh và không được cập nhập theo phương thức tự động khi
kẻ rửa tiền và các chủ tài khoản hợp lệ thay đổi phương thức hoạt động. Hệ quả
là một hệ thống trong sự cô lập như vậy sẽ tạo ra số lượng nhiều hơn các khẳng
định và phủ định sai.
Mặc dù chưa có một khảo sát kỹ lưỡng nào về các loại hệ thống phát hiện

rửa tiền mà các thể chế tài chính sử dụng. Một khảo sát không chính thức của
các tác giả Bernard Chartier & Thomas Spillane đã chỉ ra rằng một số lượng
lớn các thể chế hoặc áp dụng một hệ thống dựa trên các quy tắc hoặc không có
hệ thống nào cả. Vì hệ thống dựa trên các quy tắc có rất nhiều hạn chế, rõ ràng
là cần có thêm một cấu phần trí tuệ nhân tạo để tối đa hóa các phát hiện và hạn
chế tối thiểu những khẳng định sai và thích ứng với phương thức rửa tiền đang
thay đổi cũng như những khuynh hướng tốt trong các danh mục đầu tư.
Hình 1: Hai đường kẻ mô tả qui tắc nhận dạng để phát hiện các giao dịch rửa
tiền

B Số khoản gửi
6
20
10.000 Khối lượng tiền gửi

Chương 2: Giới thiệu về mạng nơron
2.1 – Giới thiệu chung về mạng nơron
2.1.1 - Khái niệm về nơron nhân tạo:
Nơron nhân tạo (Atificial Neural Networks) là sự mô phỏng đơn giản của
nơron sinh học. Mỗi nơron nhân tạo thực hiện hai chức năng: chức năng tổng
hợp đầu vào và chức năng tạo đầu ra. Mỗi nơron nhân tạo có một số đầu vào và
một đầu ra. Mỗi đầu vào được gắn một hệ số nhân gọi là trọng số (weight) có ý
nghĩa như mức độ liên kết tại khớp nối trong mạng nơron sinh học. Trọng số có
thể là dương hoặc âm, tương ứng như trong mạng nơron sinh học có hai loại
khớp nối: khớp nối kích thích và khớp nối ức chế. Mỗi nơron có một giá trị
ngưỡng; chức năng đầu vào chính là tổng có trọng số các tín hiệu vào kết hợp
với ngưỡng để tạo tín hiệu đầu vào net input. Sự kết hợp này được thực hiện
bằng một bộ tổng hay theo một số tài liệu gọi là hàm PSP (Post Synaptic
Potential function) – hàm thế sau khớp nối. Chức năng tạo đầu ra được thể hiện
bằng hàm truyền (transfer function). Hàm này sẽ nhận tín hiệu đầu vào và tạo

tín hiệu đầu ra của nơron.
2.1.2 - Mô hình Nơron
Mạng nơron nhân tạo gồm hai thành phần: các nút (đơn vị sử lý,nơron) và
các liên kết giữa chúng được gán một trọng số nào đó đặc trưng cho cường độ
liên kết. Ta ký hiệu P
i
là tín hiệu đầu vào, X
i
là tín hiệu đầu ra của nơron thứ i,
7
trạng thái đầu vào của nơron thứ i được xác định bởi tổng tuyến tính của các tín
hiệu vào có trọng số từ các nơron thứ j khác
P w n a

b
1
Đầu vào Bộ tổng Hàm truyền
Hình 2: Mô hình Nơron một đầu vào
Một nơron đơn giản với một đầu vào được diễn tả bởi hình vẽ trên. Đầu
vào vô hướng p được nhân với trọng số vô hướng w thành wp là một trong hai
số hạng được đưa vào bộ tổng. Một đầu vào khác là 1 được nhân với hệ số bias
b sau đó được đưa vào bộ tổng. Bộ tổng cho ra n, thường được gọi là tín hiệu
đầu vào net input; n được cho qua hàm truyền f kết quả được đầu ra a của
nơron. Một số tài liệu gọi hàm f là hàm hoạt hoá (activation function)
Nếu chúng ta liên hệ mô hình đơn giản này với một nơron sinh học thì
trọng số w tương ứng với độ liên kết của khớp nối (synapse), đầu vào p tương
ứng với dây thần kinh tiếp nhận (dendrite) còn thân nơron (cell body) được mô
hình bởi bộ tổng và hàm truyền, đầu ra của nơron a diễn tả tín hiệu ra trên sợi
trục nơron sinh học (axon). Đầu ra của nơron được tính bởi:
a = f (wp + b) (1.1)

Đầu ra a phụ thuộc vào hàm truyền f được chọn là hàm nào đó trong từng
trường hợp cụ thể. Hệ số bias cũng giống như một trọng số với đầu vào luôn là
1. Nơron có thể có hoặc không có hệ số bias.
Ta thấy rằng w và b là các tham số vô hướng có thể điều chỉnh được của
nơron.Thông thường dạng hàm truyền được chọn bởi người thiết kế và sau đó
các tham số w và b sẽ được điều chỉnh bởi một số luật học để mối quan hệ
vào/ra của nơron thoả mãn mục đích cụ thể của người thiết kế. Hàm truyền f có
8
∑
f
thể là hàm tuyến tính hoặc phi tuyến đối với n. Có rất nhiều dạng hàm truyền
được sủ dụng.
Thông thường nơron có nhiều đầu vào. Mỗi đầu vào riêng biệt p
1
, p
2
, …p
R
đều tương ứng với một trọng số w
1.1
, w
1.2
,… w
1.R
trong ma trận trọng số W. Ta
có:
n = w
1.1
p
1

+ w
1.2
p
2
+ …

+ w
1.R
p
R
+ b
Hay viết dưới dạng ma trận: n = Wp + b, trong trường hợp này ma trận W chỉ
gồm một hàng. Véctơ tín hiệu vào được biểu diễn dưới dạng ma trận sau:
Đầu ra của nơron được tính: a = f (Wp + b). Đối với mỗi phần tử của ma trận
W, ta qui ước để chỉ trọng số nối đầu vào thứ j với nơron thứ i (trong trường
hợp này chỉ có một nơron nên i = 1).
2.1.3 - Khái niệm về mạng nơron:
Mạng nơron nhân tạo là sự liên kết giữa các nơron nhân tạo với nhau. Mỗi
liên kết kèm theo một trọng số nào đó đặc trưng cho đặc tính kích hoạt / ức chế
giữa các nơron. Các nơron còn gọi là các nút được sắp xếp trong mạng theo các
lớp, bao gồm lớp ra (output layer) và các lớp che dấu (hiden layer). Mạng
nơron nhân tạo có các đặc điểm sau:
+ Mạng được xây dựng bằng các nơron liên kết lại với nhau
+ Chức năng của mạng được xác định bởi cấu trúc mạng, quá trình xử lý bên
trong của từng nơron và mức độ liên kết giữa các nơron.
+ Mức độ liên kết giữa các nơron được xác định thông qua quá trình học của
mạng (quá trình huấn luyện mạng). Có thể xem các trọng số là các phương tiện
để lưu trữ thông tin dài hạn trong mạng nơron. Nhiệm vụ của quá trình huấn
luyện mạng là cập nhật các trọng số khi có thông tin về các mẫu học.
Người ta nêu ra một số định nghĩa về mạng nơron như sau:

+ Mạng nơron là một hệ thống gồm nhiều phần tử xử lý hoạt động song song.
Chức năng của nó được xác định bởi cấu trúc mạng, độ lớn các liên kết và quá
trình xử lý tại mỗi nút hoặc đơn vị tính toán.
9
+ Một mạng nơron là một bộ xử lý song song đồ sộ, có xu hướng tự nhiên là
lưu trữ các tri thức dựa trên kinh nghiệm và tạo ra tri thức mới dựa vào cái đã
có. Nó tương tự như bộ não ở hai khía cạnh:
- Tri thức được thông qua quá trình học
- độ lớn liên kết giữ các nơron được dùng như một phương tiện lưu trữ
thông tin.
+ Hệ thống nơron nhân tạo, hay còn gọi là mạng nơron, là một tập hợp các tế
bào vật lý, được liên kết với nhau nhằm mục đích thu thập, lưu trữ và sử dụng
tri thức, kinh nghiệm một cách tốt nhất.
2.1.4. - Một số chức năng của mạng nơron:
2.1.4.1 – Chức năng phân loại mẫu:
Phân loại mẫu là sự sắp xếp các mẫu thành các nhóm khác nhau. Mạng
nơron có thể tạo ra một mẫu ra khi đưa vcho nó một mẫu vào, đây là chức năng
phân loại mẫu của mạng nơron. Nó nhận mẫu đầu vào và tạo một mẫu ở đầu ra
đúng với phân loại. Có thể nói mạng nơron là một bộ phân loại mẫu. Điểm
khác của mạng nơron với các bộ phân loại mẫu khác là khả năng học và tổng
quát hoá của nó.
2.1.4.2 – Học và tổng quát hoá:
Đầu tiên là việc học, có thể hiểu việc này là: cho mạng nơron xem một ít
mẫu kèm với đầu ra tương ứng với mẫu đó và mạng rơron phải học để phân
loại đúng được các mẫu này. Khả năng tổng quát hoá là: mạng rơron không chỉ
nhận biết được các mẫu nó đã được học mà có thể nhận được các mẫu gần với
mẫu nó đã đưọc học. Tức là mạng nơron có thể suy ra các đặc tính chung của
các lớp khác nhau từ các mẫu đã cho. Chức năng này tạo ra một chiến lược tính
toán rất phù hợp cho việc giải quayết các vấn đề mang tính “động”, tức là
thông tin về chúng có rất ít hoặc không đầy đủ. Điều quan trọng là tìm được

mô hình mạng và phương pháp học thích hợp đối với từng bài toán. Ngoài ra
10
mạng nơron còn có khả năng được huấn luyện để trở thành một bộ xấp xỉ hàm
liên tục bất kỳ.
2.1.5– Kiến trúc mạng nơron
Một nơron với rất nhiều đầu vào cũng không đủ để giải quyết các bài toán.
Ta cần nhiều nơron được tổ chức song song tạo thành “lớp”
2.1.5.1 – Lớp của các nơron
Một mạng một lớp của S nơron với đầu vào được diễn tả bởi hình sau:
a = f(Wp +b)
a
P
R x1 n S x1
S xR
S x1
1
R
S x 1
Hình 3: Mô hình mạng nơron một lớp có S nơron
Mỗi một thành phần của R đầu vào được nối với mỗi một nơron trong lớp S
nơron. Trong trường hợp này ma trận trọng số W gồm S hàng và R cột, véctơ
đầu ra a gồm S phần tử:
a =

















s
a
a
a
.
.
2
1
w =

















Rsss
R
R
www
www
www
.2.1.
.22.21.2
.12.11.1

.
.

Lớp nơron bao gồm ma trận trọng số, các bộ tổng véctơ hệ số bias b. Một số
tài liệu coi đầu vào là một lớp vào, với ý nghĩa lớp vào gồm các nơron chỉ có
chức năng nhận tín hiệu vào. Nhưng ở đây ta coi đầu vào là một véctơ các tín
11
W
+
b
f
hiệu vào chứ không coi là một lớp các nơron. Do đó mạng nơron trên chỉ có
một lớp là lớp ra của mạng.
Nơ rron thứ i trong lớp có hệ số bias b
i,

bộ tổng hàm truyền f, đầu ra a
i.
Kết
hợp các nơron trong lớp thì đầu ra là vectơ a. Thông thường số đầu vào R khác
số nơron S. Mỗi một nơron trong lớp có thể có một hàm truyền riêng, không
nhất thiết tất cả các nơron trong cùng một lớp thì phải có cùng một dạng hàm
truyền.
2.1.5.2 – Mạng nơron nhiều lớp (Multiple Layers of Neurons)
Ta xét mạng nhiều lớp; mỗi lớp có ma trận trọng số W, véctơ bias b, véctơ
net input n, và véctơ đầu ra a. Để phân biệt các lớp khác nhau ta dùng thêm chỉ
số phụ cho mỗi biến. Do đó, W
q
để chỉ ma trận trọng số của lớp q, b
q
chỉ véctơ
bias của lớp q,
P a
1
a
2
S
1
x1 S
1
x1
R x1 S
1
xR n
1
S

2
xS
1
n
2
S x1 S
2
x1
1 1
R S
1
x1 S
1
S
2
x1

S
2
Đầu vào lớp 1(lớp ẩn) Lớp 2 (lớp ra)
)(
1111
bpWfa
+=

)(
21222
baWfa
+=
Hình 4: Mô hình nơron 2 lớp

Theo hình vẽ trên mạng có R đầu vào, có S
1
nơron ở lớp thứ nhất, S
2
nơron ở
lớp thứ hai. Đầu ra của lớp trước là đầu vào của lớp sau. Lớp thứ có đầu vào
gồm S
1
phần tử trong véc tơ a
1
, có ma trận W
2
với kích thước S
2
x S
1
.
12
W
1
b
1
+
f
1
b
2
+
f
2

W
2
Lớp cuối cùng đưa ra kết quả của mạng gọi là lớp ra. Các lớp còn lại gọi là
lớp ẩn. Mạng trên có lớp ẩn (lớp 1) và lớp ra là lớp 2. Mạng có nhiều lớp có
khả năng lớn hơn mạng một lớp. Ví dụ mạng hai lớp với hàm truyền sigmoid ở
lớp ẩn, hàm truyền tuyến tính tại lớp ra thì có thể được huấn luyện để xấp xỉ
bất cứ hàm phi tuyến nào, nhưng mạng một lớp không có khả năng này.
Tuỳ từng bài toán cụ thể mà ta lựa chọn số đầu vào, số nơron trên lớp ra của
mạng. Ví dụ nếu ta có 4 biến được sử dụng là đầu vào thì sẽ có mạng với 4 đầu
vào, nếu có 2 tham số ra thì trên lớp ra của mạng sẽ có 2 nơron ra tương ứng
với 2 tham số ra đó. Dạng của hàm truyền tại lớp ra cũng phụ thuộc vào đặc
tính của biến ra. Chẳng hạn nếu biến ra có giá trị nằm trong khoảng [-1,1] thì
hàm truyền hard limit có thể được chọn cho các nơron trên lớp ra. Như vậy,
đối với mạng nơron một lớp thì kiến trúc mạng được thiết kế dễ dàng tuỳ thuộc
vào bài toán. Nhưng đối với mạng nơron nhiều lớp (có ít nhất 1 lớp ẩn) thì vấn
đề tìm ra số lớp ẩn và số nơron trên từng lớp ẩn là rất khó. Đây vẫn là lĩnh vực
đang được nghiên cứu, trong thực tế chỉ dùng 1 đến 2 lớp ẩn, trường hợp dùng
3 hay 4 lớp ẩn là rất hiếm.
Đối với mỗi nơron có thể có hoặc không có hệ số bias b. Hệ số này tạo thêm
cho mạng một biến phụ, do đó mạng có nhiều năng lực hơn so với mạng không
có hệ số bias. Ví dụ đơn giản nơron không có hệ số bias sẽ cho kết quả net
input n là 0, nếu đầu vào p là 0. Điều này là không tốt và có thể tránh được nếu
nơron có hệ số bias.
2.2 - Các mạng hàm cơ sở xuyên tâm
2.2.1 – Giới thiệu:
Trong các hệ thần kinh của các cơ thể sinh học, có dấu hiệu về các nơron
mà các đặc trưng phản ứng của chúng là “cục bộ” hoặc “được điều hướng” đối
với một vùng không gian đầu vào nào đó. Một minh hoạ là các tế bào định
hướng –nhạy của vỏ não thị giác mà phản ứng của chúng là nhạy đối với các
13

khu vực của lớp võng mô của mắt. ở đây chúng ta khảo sát một cấu trúc mạng
liên quan đến mạng cấp trước đa lớp (FF) và được biết đến như là mạng hàm
cơ sở xuyên tâm (RBF). Mạng RBF là cấu trúc cấp trước có một lớp che dấu
được sửa đổi và thật toánđào tạo mà có thể được sử dụng cho các phép ánh xạ.
2.2.2 – Cấu trúc mạng RBF
Như đã đề cập các mạng RBF mô phỏng đặc tính của các mạng sinh hoạt
nhất định. Về có bản, lớp che dấu đơn gồm các đơn vị nhạy cục bộ hoặc được
điều hướng cục bộ và lớp đầu ra (đối với hầu hết các trường hợp) gồm các đơn
vị tuyến tính. ậ các đơn vị lớp che dấu, phản ứng đơn vị được định vị và giảm
theo hàm số của khoảng cách của các đầu vào đối với tâm đường tiếp thu của
đơn vị. Cấu trúc mạng tổng thể được trình bày ở hình 3
2.2.3 – Các đặc trưng đơn vị RBF
Một dạng phổ biến của đơn vị RBF bên trong hoặc lớp che dấu ứng dụng một
hàm kích hoạt Gau-xơ có thể được mô tả bởi phương trình:

( )
2
)(
i
wi
ii
enetfo
−−
==
(1.1)
Trong đó:
2
ii
winet
−=

(1.2)
và
i
w
là véctơ trọng số ứng với đơn vị thứ i. các trọng số này được sử dụng
trong liên kết vơi hàm Gau-xơ để xác định “tâm” của trường tiếp thu của đơn
vị. Lưu ý rằng, đơn vị có kích hoạt mạng tối đa và đầu ra tối đa tương ứng khi i
= w (tức là net
i
= 0). Như vậy, độ nhạy đơn vị được xem là phụ thuộc khoảng
cách hay cục bộ.
Tất nhiên các thông số đơn vị điều chỉnh được khác, cũng có thể được sử
dụng. Ví dụ, đường kính của vùng hiệu dụng của trường tiếp thu các đơn vị có
thể được điều khiển nhờ sử dụng
i
σ
, tức là:

( )
2
2
/
)(
ii
wi
ii
enetfo
σ
−−
==

(1.3)
14
Chúng ta có thể nhận ra ngay sự khác biệt ở đặc trưng phản ứng này với đặc
trưng của đơn vị Sigmoid. Như vậy, các quan niệm về sự hình thành kích hoạt
mạng của một đơn vị nhờ sử dụng một phép toán tích bên trong và của một
hàm kích hoạt “phân rã”là đã được thay đổi đôi chút. Các hàm cơ sở cho các
đơn vị có hàm kích hoạt Sigmoid hoặc tanh và các hàm hình thành kích hoạt
mạng đơn vị sử dụng tính toán WLIC là các hàm Sigmoid hoặc tanh. Ngược
lại, mạng RBF là mạng hai lớp gồm các đơn vị che dấu mà các hàm kích hoạt
của chúng là đối xứng xuyên tâm và các đơn vị đầu ra tuyến tính. Thực tế, đối
với một đầu vào cho trước, chỉ có một phần nhỏ của các đơn vị che dấu sẽ đạt
được các kích hoạt dẫn đến các đầu ra khác 0. Hình 5: Mạng RBF

Các đầu vào mạng
Các đầu ra mạng

Các đơn vị đầu ra
Các đơn vị đầu ra thông thường là các ơn vị tuyến tính. chúng thực hiện
phương trình:
∑
−
==
n
j
oh
ijii
owneto

1
(1.4)
trong đó o
i
là các đầu ra của các đơn vị bên trong (cơ sở xuyên tâm) và
oh
ij
w
−
là các trọng số đơn vị che dấu -đầu ra. Tất nhiên khái niệm này dễ
dàng mở rộng cho các lớp đầu ra gồm các đơn vị Sigmoidal hoặc tanh cũng
như cho các lớp nhiều đầu ra.
2.2.4 – Diễn giải hàm cơ sở
15
Trên cơ sở các phương trình (1.1) và (1.2), ánh xạ RBF có thể được xem như
sự phân rã đầu vào thành các hàm cơ sở được xác định bởi w
i
1
và được theo
sau bởi một phép nội suy hoặc trung bình trọng số để hình thành đầu ra.
2.2.5 – Thiết kế và đào tạo mạng RBF
Hình 2.2 trình bày một minh hoạ về thiết kế mạng RBF (dùng cho đoán
nhận số). Lưu ý rằng nó bao gồm hai quá trình:
1. Xác định tâm đơn vị RBF. Điều này có thể được thực hiện theo nhiều cách:
• Sử dụng thuật toán đồng dạng hoặc trung bình c
• Sử dụng các kết quả do người sử dụng lựa chọn từ một qui trình phân
nhóm, chẳng hạn như SOFM.
2. Xác định các trọng số lớp che dấu-đầu ra (RBF). Như vậy, sự đào tạo mạng
RBF bao gồm sự xác định:
• Các tâm đơn vị che dấu w

i
(và có thể là σ
i)
cho mỗi trường tiếp thu của
đơn vị che dấu
• Các trọng số đơn vị che dấu-đầu ra
oh
ij
w
−
Chúng ta lưu ý rằng mục tiêu là quan trọng hơn do các đơn vị đầu ra là tuyến
tính, chúng dễ dàng được đào tạo (ví dụ sử dụng công thức giả nghịch
đảo)ngay khi đã xác định được các giá trị w
i
thích hợp (các tâm nhóm). Phương
pháp phổ biến nhất là thuật toán trung bình c.
I (các ký tự) 0…9
16
SOFM Unit
centers
Trung bình - c
i
.
Hình 6: Ví dụ về thiết kế RBF: đoán nhận số
(Lưu ý rằng có hai quá trình xác định các tâm đơn vị và sau đó là các trọng số
che dấu-đầu ra)
2.2.6 – Các ứng dụng của RBF
Các mạng RBF thường được sử dụng cho các bài toán phân loại, mặc dù
chúng là các mạng ánh xạ tổng thể và có các khả năng “tính gần đúng vạn
năng”. Các mạng RBF cũng được áp dụng cho:

• Điều khiển [RHT]
• Xử lý tiếng nói [Ren 89]
• Xử lý ảnh và thị giác [BP 95]
• Nhận dạng mẫu [Lee 91]
Chương 3: ứng dụng Mạng nơron cảnh báo hiện tượng rửa tiền
3.1- Thiết kế mạng nơron
Đã biết rằng rửa tiền là một sự tác động thấp, it ồn ào và vấn đề nhận dạng
mẫu là sác xuất không tuyến tính, nó thích hợp với một mạng nơron. Thêm vào
đó một phương tiện nhận dạng mẫu chính xác, thuật toán neurol cần phải cho
phép những thể chế luôn luôn cập nhật mạng neurol mô hình, sau đó nó đã phát
triển, và gần đây hướng về việc rửa tiền. Khả năng này cung cấp một giải pháp
lý tưởng cho việc phát hiện rửa tiền được biết là một vấn đề năng động. Để
hoàn thành những yêu cầu này, người của Nestor đã phát minh ra mô hình:
thuật toán sác xuất hạn chế Năng lượng Culông (PRCE). Thuật toán này là một
17
C-mean
0
0
.
.
0
L
I
N
E
A
R
mạng Nơron kiểu hàm cơ sở Radian (RBF). Nestor hợp nhất thành ba lớp phía
trước cấu trúc cho toàn bộ mô hình. Nhìn chung, một mạng RBF áp dụng
những giá trị của lớp trong vectơ, lập thành nhiều mức độ hoạt động của nơron

trong lớp thứ 2 ẩn chứa nhiều lớp. Những lớp ẩn chứa bao gồm sự nhận biết
các phạm vi giới hạn, và mức độ hoạt động thì được tính toán như sau:

( )
( )








−








−==
∑
=
j
M
j
ijjjj
xySuSy

2/1
1
2
112
1
ω
(1)
ở đây:
+ Tất cả số mũ biểu thị chỉ số của lớp
+
j
ω
chỉ số báo sự ảnh hưởng quan trọng giữa j và (j +1) sắp thành từng lớp
+ M
j

chỉ số báo số của những ô trong lớp thứ j
+ S(.) chỉ báo một hàm bậc trong S(u
j)
là 0 cho u
j
> 0 và S(u
j
) = 1 cho tất cả
u
j
< 0
Những mức hoạt động của lớp đầu ra được tính toán như sau:

( )









==
∑
=
2
1
223
M
j
jijii
yuy
ωοο
(2)
Thuật toán này áp dụng tốt tới những tình trạng nơi mục tiêu các lớp được
phân chia có thể tách ra hoàn toàn, với ranh giới rõ rệt. Tuy nhiên, như sự
đề cập trước, nhiều lớp trong miền N- đơn vị rửa tiền, không gian đặc tính
không thể tách ra, trong khi vài kẻ rửa tiền xử sự giống như hoặc chính xác,
như những người nắm giữ tài khoản đích thực.
Vậy thì, thuật toán mạng neurol phải sở hữu một thành phần sác xuất.
Thuật toán PRCE thay thế hàm kích hoạt bước đơn vị của lớp thứ hai với
một lũy thừa. Ơ đây đưa ra hàm kích hoạt sau:
18

2
12
)(
2
,
2
ji
u
i
yuey
i
ω
−==
−
(3)
Cho lớp đầu ra, hàm kích hoạt: (4)

2
1
23
2
j
M
j
iji
yy
∑
=
=
ω

(4)
Thuật toán PRCE được huấn luyện trong hai giai đoạn.
Giai đoạn đầu tiên gồm có sự cung cấp bằng chứng của những nguyên mẫu
(những nơron) theo những giá trị của mỗi vectơ đầu vào.
19
Hình 7: Thuật toán PRCE
Hình 7: (a) Theo sự cung cấp bằng chứng của một nguyên mẫu trong vùng
B, được đại diện bởi "*", Một vectơ tập dượt đại diện lớp A, là khoản tiền
gửi trong phạm vi trong vùng ảnh hưởng của ô lớp thứ hai này.
(b) Lớp nguyên mẫu thứ 2 được giảm bớt cho đến khi vectơ X rơi ra ngoài
của nguyên mẫu đó. (c) Hơn nữa những nguyên mẫu được thêm vào tăng
thêm ở lớp thứ 2, được giảm bớt khi một vectơ của lớp đối diện rơi vào bên
trong vùng ảnh hưởng của chúng. (d) Mỗi lớp trong 2 lớp phân chia được
che phủ ở ngoài với những sác xuất nguyên mẫu của những kích thước khác
nhau.
Trong giai đoạn huấn luyện đầu tiên của thuật toán PRCE, những
nguyên mẫu (những nơron) được đặt trong không gian đặc tính N-chiều
theo những giá trị của từng vectơ đặc tính huấn luyện. Khi nào, trong Hình
8- b, một vectơ của một lớp đối diện rơi vào phạm vi trong vùng ảnh hưởng
của một nguyên mẫu hiện có, kích thước của một nguyên mẫu thì giảm bớt
đến khi nó không dài hơn véc tơ kiềm chế của lớp đối diện.Hơn nữa nguyên
mẫu các khoản tiền gửi (Hình 8-c),với kích thước của nó được giảm bớt như
những véc tơ của lớp đối diện rơi vào phạm vi của vùng ảnh hưởng. Cuối
cùng (Hình 8-d), đặc trưng phân lớp khác nhau được lợp ngói với những
nguyên mẫu có kích thước thay đổi.
Trong trường hợp của một mô hình mạng nơron rửa tiền, trong khi với
những vấn đề quản lý mạo hiểm khác, những nguyên mẫu chứa đựng những
vectơ của cả hai lớp, cần phải có thành phần sác xuất của thuật toán.
Trong giai đoạn tập dượt thứ 2, những hàm mật độ xác suất được phát sinh
theo tần số với những mô hình của mỗi lớp rơi vào trong mỗi nguyên mẫu.

Bởi vậy, những miền chặn của những vectơ của mỗi lớp rơi vào trong mỗi
nguyên mẫu được bảo trì và có liên kết với những trọng số của lớp thứ hai
ω
2
ij. Những trọng số này là số gia trong thời gian huấn luyện khi một xác
20
định chính xác vectơ những nguyên nhân sự đốt cháy trong một nơron lớp
giữa như sau:

2
ij
ω
( )
1
+
f
=
( )
1
2
+
f
ij
ω
(5)
Những trọng số không là số gia khi những vectơ thì chưa được xác định
chính xác.
Trong sự phát triển mô hình, chúng ta nhận thấy rằng nguyên mẫu co lại có
hiệu ứng nhỏ bé trên đặc tính của mô hình. Ngoài ra cần thiết để phát sinh
những số lớn hơn của những nguyên mẫu nhỏ hơn tối ưu hoá sự phân ly

giữa những giao dịch tốt và rửa tiền. Điều này vì một số lớn những tài
khoản tốt và rửa tiền tương tự nhau, mặc dù có thể phân chia, cách đối xử.
Điều đó, cần thiết để lợp ngói bên ngoài những phân chia đặc trưng của tầm
quan trọng với những nguyên mẫu nhỏ cho phép mô hình phân ra giữa các
lớp mục tiêu.
3.2. Các cân nhắc về dữ liệu
Thuật toán của mạng lưới neural là một cấu phần quan trọng của việc lập mô
hình quản lý rủi ro, các dữ liệu được dùng để phát triển và kiểm tra mô hình đó
cũng quan trọng không kém. Dữ liệu có thể coi là nhân tố quyết định của mô
hình, nếu không có nó ngay cả công cụ nhận biết phương thức tốt nhất cũng
không thể tạo ra một mô hình hữu dụng. Dữ liệu và hoạt động của mô hình
được trình bày sau đây chỉ mang tính giả thuyết, tính toàn vẹn tương xứng của
dữ liệu cho phép rút ra kết luận và khái quát hoá. Cân nhắc về dữ liệu đầu tiên
là sử dụng một tập hợp dữ liệu thu thập được của một số thể chế để phát triển
một mô hình hay là phát triển mô hình dựa vào dữ liệu từ một thể chế duy nhất.
Trong khi xây dựng các mô hình quản lý rủi ro cho các thể chế trên khắp thế
giới, Nestor nhận thấy các mô hình được xây dựng dựa trên dữ liệu của một thể
chế duy nhất hoạt động tốt hơn các mô hình dựa trên nhiều dữ liệu kết hợp.
21
Cân nhắc thứ hai trong việc tập hợp dữ liệu để phát triển mô hình là xác định
các loại giao dịch và loại tài khoản nào để xử lý trước, tạo ra các đặc trưng và
đưa vào mạng lưới neural. Mặc dù vấn đề này chưa được giải quyết cũng như
với tất cả các câu hỏi liên quan đến chiến lược lập mô hình khác, Nestor quyết
định điều này dựa vào kinh nghiệm. Chúng tôi thu thập và giữ lại trong tập hợp
dữ liệu tất cả các kiểu giao dịch qua các thể loại tài khoản. Tiếp theo, thông qua
phân tích các đặc trưng và một số chiến lược lập mô hình chúng tôi tìm kiếm
các thể loại giao dịch và tài khoản lấy ra từ hiệu suất của mô hình. Bởi vì các
phương thức rửa tiền có phần đặc thù đối với từng thể chế, việc xác định những
giao dịch và tài khoản cần được lấy ra từ các dữ liệu sẽ được xác định trong
quá trình lập mô hình. Một khi việc phát triển mô hình và bộ dữ liệu dùng để

thử nghiệm được xác dịnh, cần phải lấy mẫu dữ liệu và xác nhận rằng dữ liệu
mẫu đại diện cho các dữ liệu tự nhiên không được lấy làm mẫu khác. Để đạt
được điều này và đảm bảo rằng các trình diễn trên các dữ liệu được làm mẫu sẽ
được đại diện tương ứng trên các dữ liệu tự nhiên, Nesto áp dụng một tập hợp
các thử nghiệm phi thông số đối với các dữ liệu được làm mẫu và dữ liệu tự
nhiên.
Sau khi các tất cả dữ liệu không được làm mẫu được thu thập, chúng được
tập hợp trên các giao dịch rửa tiền. Đây có lẽ là thách thức lớn nhất trong qúa
trình lập mô hình. Chẳng hạn, một người quản lý rủi ro của một thể chế có thể
cảm thấy rằng có khoảng 2% của các giao dịch là giao dịch rửa tiền nhưng họ
chỉ có thể xác định được 1% của các giao dịch rửa tiền đó. Vì xấp xỉ 99% của
giao dịch rửa tiền được coi là hợp lệ. Mặc dù không có cách nào để xác định
những giao dịch rửa tiền nói trên, mô hình sẽ được làm quen với với chúng
trong các dữ liệu dùng để huấn luyện. Điều này tạo ra một thách thức lớn cho
mạng lưới neural huấn luyện với các giao dịch rửa tiền bị hiểu nhầm là hợp lệ
có thể làm tăng các phủ định sai một cách đáng kể. Hơn thế, khi thử nghiệm
mô hình và tính toán các trình diễn của nó, các giao dịch được cho điểm cao và
22
hợp lệ thực sự là những phát hiện đúng nhưng có thể bị coi là khẳng định sai
vì thực ra đã bị hiểu nhầm là hợp lệ. Các biện pháp mà Nestor dùng để vượt
qua khó khăn này là độc quyền, cần phải lưu ý rằng điều này là một thách thức
lớn nhất và duy nhất của việc phát triển mô hình phát hiện rửa tiền. Các đặc
điểm của dữ liệu và mô hình được tóm tắt trong Bảng 1.
Sau khi lấy mẫu và gắn nhãn cho dữ liệu, một số lượng lớn các đặc trưng được
tạo ra để trình diễn với mạng lưới neutral. Điều này có nghĩa là thực hiện huấn
luyện mô hình trực tiếp với các dữ liệu trong dữ liệu gốc mà không nhận được
đại diện đặc trưng từ nó trước đó có thể dẫn đến một mô hình trình diễn rất tồi.
Hàng trăm các đặc trưng được phát triển một cách điển hình. Một ví dụ của
những đặc trưng đó là số lượng các khoản tiền gửi trong một khoảng thời gian
nhất định. Sau khi các đặc trưng của mô hình được tạo ra, cần phải xác định

các tập hợp con của các đặc trưng. Tập hợp đặc trưng của mô hình là tập hợp
mà khi một đặc trưng được
Bảng 1: Mô hình và kiểm tra dữ liệu đặc trưng
Kiểu mô hình Khách hàng
Tổng số tài khoản trong bộ dữ liệu không được làm
mẫu
500.000
Tổng số các giao dịch trong bộ dữ liệu không được làm
mẫu
10.000.000
Số giao dịch trong bộ dữ liệu mô hình 1.000.000
Số giao dịch trong bộ dữ liệu tập dượt 833.333
Số giao dịch trong bộ dữ liệu thử nghiệm 166.666
Số giao dịch rửa tiền trong dữ liệu không được làm
mẫu
20.000
Số các tài khoản rửa tiền được xác định 20
Số các giao dịch rửa tiền trong dữ liệu lập mô hình 200
23
3.3. Hiệu suất mô hình
Các con số hiệu suất được giới thiệu trong bài viết này đại diện cho hiệu suất
của hệ thống mạng lưới neural. Các dữ liệu hiệu suất thực tế lấy từ nghiên cứu
trường hợp đã được thay đổi để đảm bảo tính bảo mật của thể chế. Tuy nhiên,
các phát hiện đã được giữ lại một cách tương xứng để cho phép chúng ta rút ra
kết luận. Bên cạnh việc tạo ra các đặc trưng, xác định các tập hợp đặc trưng tối
ưu và phát triển mô hình bằng thuật toán PRCE, Nestor tạo ra một số mô hình
áp dụng các chiến lược lập mô hình đa dạng để tăng hiệu suất.
Hình 3 cho thấy hiệu suất của mô hình về phương diện tỷ lệ của các tài khoản
rửa tiền được phát hiện trái với tỷ lệ các khẳng định sai về tài khoản. ẩn trong
đường cong là điểm của mô hình, điểm càng cao thì khả năng tài khoản được

dùng để rửa tiền càng lớn. Điểm cao nhất ở phần cực bên phải của đường cong
cùng với các điểm giảm dần trong khi các tỷ lệ khẳng định sai về tài khoản
tăng lên. Từ đường cong, mô hình phát hiện ra hơn 30% số các tài khoản rửa
tiền ở một tỷ lệ khẳng định sai về tài khoản là 50:1.
Các con số hiệu suất này cần được nhìn nhận với một thực tế là mẫu số của
tỷ lệ phần trăm phát hiện tài khoản là 20. Nó đại diện cho tổng số tài khoản
được xác định trước khi quá trình kết thúc. Có thể xảy ra trường hợp một số
trong một số tài khoản được điểm cao và được cho là hợp lệ sau đó trong thực
tế là các tài khoản rửa tiền. Tương tự, có thể các tài khoản rửa tiền được dán
nhãn lại là hợp lệ có thể nằm đằng sau điểm cao nhất trong đường cong nói
trên, làm xấu đi hiệu suất. Vì thế hiệu suất tài chính của mô hình chỉ có thể
được quyết định một cách chính xác.
24
Hình 8: Hiệu suất của mô hình phát hiện rửa tiền của mạng nơron
Mặc dù có hạn chế trong việc dán nhãn tài khoản, dù sao cũng nên so sánh hiệu
suất của mô hình với tỷ lệ phát hiện của một hệ thống dựa vào các quy tắc của
một thể chế. Theo các số liệu sẵn có, một thể chế phát hiện khoảng 10% tài
khoản rửa tiền một năm với tỷ lệ khẳng định sai về tài khoản là 40:1. Mô hình
mạng lưới neural có thể phát hiện 30% của 20 tài khoản trong một tháng kiểm
tra dữ liệu với một tỷ lệ khẳng định sai tài khoản khả quan hơn. Vì thế mô hình
sẽ phát hiện xấp xỉ số tài khoản nhiều hơn 7 lần so với hệ thống dựa vào các
quy tắc trong cùng một khoảng thời gian và con số này có thể tăng lên khi tất
cả các tài khoản rửa tiền nằm trong dữ liệu được xác định.
3.4. Các yêu cầu về phần cứng và phần mềm
Nestor phát triển mô hình mạng lưới neural trên hệ điều hành NT và Unix với
phần lớn các phần mềm được thiết kế cho các thế hệ mô hình quản lý rủi ro.
Bên cạnh dó, Nestor còn sử dụng các bộ dữ liệu và thống kê cũng như các
khách hàng sử dụng. Cần có một số lượng lớn đĩa và các nguồn xử lý dữ liệu vì
phần lớn các thể chế lớn yêu cầu các mô hình có số lượng dữ liệu lớn để sử lý
trước và lấy mẫu.

nạn rửa tiền và các phương pháp cảnh báo hiện tượng rửa tiền

Tài liệu liên quan

Tài liệu bạn tìm kiếm đã sẵn sàng tải về