Anomāliju noteikšana banku klientu pārrobežu maksājumos, izmantojot mašīnmācīšanās algoritmus

Noziedzīgi iegūtu līdzekļu legalizācijas (NILL) riska līmeni valsts finanšu sistēmā nosaka, vērtējot NILL draudus un noziedzīgi iegūtu līdzekļu legalizācijas novēršanas sistēmas ievainojamību. Draudu vērtēšanā būtiska nozīme ir pārrobežu maksājumu plūsmu analīzei un šo plūsmu samērīgumam iepretim valsts ekonomikai, t. sk. ārējai tirdzniecībai un tiešajām investīcijām.

Kopš 2018. gada, kad Latvijas finanšu sektorā tika īstenotas nozīmīgas pārmaiņas, lai izvairītos no Latvijas iekļaušanas FATF (Financial Action Task Force jeb Finanšu darījumu darba grupas) "pelēkajā sarakstā", ar Latviju saistīto pārrobežu maksājumu plūsma būtiski samazinājās. Tomēr Latvijā strādājošo kredītiestāžu pārrobežu maksājumu datu analīze ir ļoti resursietilpīga, jo datu apjoms ir milzīgs.

Latvijas Bankā esam izstrādājuši neuzraudzītas mašīnmācīšanās rīku, kas ļauj noteikt anomāliju līmeni Latvijas kredītiestāžu klientu pārrobežu maksājumu datos. Šis rīks palīdz uzlabot kredītiestāžu klientu pārrobežu maksājumu datu analīzes efektivitāti, novērtējot iespējamos nelikumīgi iegūtu līdzekļu legalizācijas draudus. Izstrādājot šo rīku, iedvesmojāmies arī no Starptautiskā Valūtas fonda veiktās pārrobežu naudas plūsmu analīzes.

Metodoloģija

Maksājumu dati ir relatīvi liela datu kopa, kurā nav norādes par vēsturiskajām anomālijām. Līdz ar to adekvāta un efektīva metode ir neuzraudzītā (jo nav pirms tam identificēti anomāliju parametri) mašīnmācīšanās metode, kas ne tikai ļauj efektīvi apstrādāt šos datus, bet arī ir neitrāla pret iespējamām pārmaiņām. Izvēlētais Isolation Forest algoritms darbojas, identificējot novērojumus, kas ir no pārējiem izolējami ar mazu izvēļu skaitu.

Maksājumu dati ir anonīmi un apkopoti grupās, līdz ar to nav perfekti izolēti novērojumi, tomēr ir vairāki to parametri, kas ļauj izveidot atbilstošu mainīgo kopu, kur algoritmam darboties. Tika attīstīti vairāki parametri ar fokusu uz noziedzīgi iegūtu līdzekļu legalizācijas (NILL) būtiskām pazīmēm.

• Pirmkārt, tiek izmantots maksājumu apjoms un vidējais transakcijas apmērs.
• Otrkārt, tiek izmantoti gala valstu (t.i., valstu, uz kurām maksājumi no Latvijas ir aizgājuši vai no kurienes nākuši) ekonomiskie rādītāji – šo maksājumu proporcija pret valstu iekšzemes kopproduktu, tirdzniecības (importa vai eksporta atkarībā no virziena) un tiešo investīciju rādītājiem.
• Treškārt, tiek izmantoti gala valstu riska rādītāji NILL jomā – šeit kā netieši indikatori tiek izmantoti NILL indekss, korupcijas uztveres indekss un finanšu slepenības indekss. Visi indeksi tiek pārvērsti skalā no 0 līdz 1, atspoguļojot skalu no mazākā riska līdz lielākajam, un pareizināti ar maksājuma apjomu, šādi parādot riska būtiskumu. Kā arī tiek vērtēta konkrētās maksājumu grupas atšķirība no sezonalitātes – visiem maksājumiem ar attiecīgo valsti visos attiecīgajos kalendārajos ceturkšņos.

Šie parametri kopā sniedz deviņas dimensijas, kuras ļauj visus datus analizēt pēc visām šīm dimensijām reizē. Tādējādi analīzē tiek ņemts vērā, cik būtiski katrs maksājumu grupas gadījums atšķiras no pārējiem gan pēc tā, cik ļoti tā apjomu izskaidro Latvijas ekonomiskās saiknes ar attiecīgo valsti,  gan cik būtiski ir šīs valsts riska faktori sasaistē ar maksājuma izmēru, gan arī tiek ņemtas vērā paša maksājuma pazīmes (izmērs, vidējais transakcijas izmērs, sezonalitāte).

Modelim ir arī viens kalibrācijas faktors – piesārņojuma indekss, kurš norāda aptuveno anomāliju biežumu datu kopā.

Rezultāti

Grafikā redzama anomāliju skaita līmeņa attīstība kopš datu kopas sākuma, izmantojot kalibrācijas faktoru 0.05 %. Gan ienākošajos, gan izejošajos maksājumos būtiskāko kritumu piedzīvo anomālijas maksājumos ar Krieviju, atbilstoši 2018. gada NILL novēršanas regulējošā ietvara reformai un Krievijas 2022. gada iebrukuma Ukrainā rezultātā izraisītajām ģeopolitiskajām pārmaiņām. Savukārt anomāliju skaits maksājumos ar tuvākajām kaimiņvalstīm, iespējams, parāda, ka algoritms neatšķir ģeogrāfisko tuvumu kā iespējamu izskaidrojumu būtiskam maksājumu apjomam – lai arī ciešās ekonomikas un finanšu saiknes atspoguļojas tirdzniecības un investīciju datos, maksājumu apjoms un arī anomālijas tajos būtiski atšķiras no pārējām pārrobežu plūsmām, arī salīdzinot ar valstīm, kas atrodas tālāk, bet ar līdzīgām tirdzniecības saiknēm. Šajos gadījumos uzmanību var pievērst dinamikai, piemēram, novērojot maksājumu anomāliju skaita līmeņa pieaugumu vai kritumu.

Novērojumi un pielietojums

Svarīgi atzīmēt, ka identificētās maksājumu anomālijas sniedz papildu informāciju, lai izprastu draudus attiecībā uz pārrobežu maksājumu plūsmu, bet tās nenorāda uz apšaubāmiem darījumiem. Pielietojamais rezultāts ir papildu rīks, lai veidotu riska izpratni attiecībā uz pārrobežu plūsmu, automātiski identificējot būtiski atšķirīgus – ar fokusu uz NILL risku jomu – maksājumus. Šī risinājuma stiprā puse ir minimāla lietotāja iesaiste, definējot anomāliju tipoloģiju strauji mainīgā pasaulē. Šis rīks arī nesniedz garantiju, ka anomālijas nozīmē augsta riska maksājumu, tādēļ šiem rezultātiem neiztikt bez eksperta interpretācijas. Rezultātā anomāliju sadalījums pa valstīm var parādīt naudas plūsmu attīstību un to, kuriem virzieniem ir jāpievērš uzmanība un jāpārbauda, vai ekspertiem ir izprotami pārmaiņu cēloņi. Kopējās anomāliju līmeņa izmaiņas laika gaitā var sniegt ieskatu visa sektora NILL riska attīstībā.

Nobeigumā – Latvija ir izdarījusi lielu darbu NILL riska mazināšanā un pārvaldīšanā, taču uzraudzībai jāpaliek vienmēr modrai.