Как банки с отмыванием боролись

Рейтинг брокеров бинарных опционов за 2020 год по надежности:
  • Бинариум
    Бинариум

    1 место! Самый лучший брокер бинарных опционов. Подходит для новичков! Получите бонус за регистрацию счета:

Организации по борьбе с отмыванием денег

Борьба с отмыванием денег носит глобальный характер и координируется на уровне межправительственных организаций различного масштаба. Крупнейшая из них – Группа разработки финансовых мер борьбы с отмыванием денег (Financial Action Task Force on Money Laundering), известная как ФАТФ (FATF). Это всемирная межправительственная организация, которая занимается созданием мировых стандартов в сфере противодействия отмыванию преступных доходов и финансированию терроризма. В ФАТФ входят 34 страны (все основные развитые страны и финансовые центры мира) и две международные организации (Еврокомиссия и Совет сотрудничества арабских государств Персидского залива).

В апреле 1990 года ФАТФ выпустила документ под названием «Сорок рекомендаций» – базовые принципы для государств по созданию национальных систем борьбы с отмыванием денег. В 2001 году было опубликовано дополнение «Восемь специальных рекомендаций», касающееся борьбы с финансированием терроризма (позднее была добавлена еще одна специальная рекомендация). Основополагающие документы пересматривались в 1996, 2003 и 2004 годах. В 2020 году все рекомендации были сведены в единый документ, включающий описание мер по борьбе с отмыванием денег, финансированием терроризма и распространением оружия массового поражения.

Помимо создания и пересмотра рекомендаций ФАТФ занимается мониторингом деятельности стран-участниц в вышеуказанной сфере, сбором и систематизацией полезной информации и участием в конкретных национальных проектах в данной области.

ФАТФ с 2000 года регулярно обновляет список стран, системно не занимающихся борьбой с отмыванием денег, – черный список ФАТФ. По данным на октябрь 2020 года, в него входят 19 стран: Боливия, Куба, Эквадор, Эфиопия, Индонезия, Кения, Мьянма, Нигерия, Пакистан, Сан-Томе и Принсипе, Шри-Ланка, Сирия, Танзания, Таиланд, Турция, Вьетнам, Йемен, Иран и Северная Корея.

С отмыванием денег борются региональные организации, созданные по типу ФАТФ: Азиатско-Тихоокеанская, Карибская, Южноамериканская, Евразийская, организации Среднего Востока и Северной Африки, Восточной и Южной Африки, Западной Африки, а также Комитет экспертов Совета Европы по оценке мер борьбы с отмыванием денег (MONEYVAL). Кроме того, в каждой стране существуют национальные организации по борьбе с отмыванием денег и финансированием терроризма. В России это Федеральная служба по финансовому мониторингу.

Банки и финразведка придумали, как бороться с отмыванием денег через суды и приставов

Росфинмониторинг и участники банковского сообщества договорились, как бороться с отмыванием денег через Федеральную службу судебных приставов (ФССП). Переписку с финразведкой на этот счет опубликовала Ассоциация региональных банков «Россия», пишет РБК.

Прочтите, это ВАЖНО:  Опционные уровни

Так называемая судебная схема представляет собой модификацию известной «молдавской» схемы, которая теперь легализуется госструктурой – ФССП. В схеме участвуют два юридических лица, одно из которых является резидентом РФ, а другое – нерезидентом. Резидент требует с нерезидента задолженность по фиктивному договору. Стороны обращаются в третейский или обычный суд для мирного урегулирования искусственно созданного спора. Получив исполнительный лист, мошенники направляется к приставам, которые списывают деньги с банковского счета «должника», а затем переводят их на зарубежный счет «взыскателя» (см. «ФССП стала «прокладкой» в cхеме вывода средств за границу»).

Свои рекомендации по борьбе с этим способом легализации преступных доходов в феврале 2020 года выпустил Банк России. Регулятор предложил банкам действовать по жесткому сценарию: в случае возникновения подозрений отказывать в таких транзакциях и уделять усиленное внимание ко всем операциям этих юрлиц в дальнейшем. Если клиент прибегал к сомнительным схемам дважды в течение года, то отношения с ним надлежит прервать. ЦБ указывал, что по счетам таких «должников» и «взыскателей» расходные операции, как правило, не проводятся либо они имеют нерегулярный характер (см. «ЦБ объяснил банкам, как бороться со схемой отмывания денег через ФССП»).

ТОП лучших русскоязычных брокеров бинарных опционов:
  • Бинариум
    Бинариум

    1 место! Самый лучший брокер бинарных опционов. Подходит для новичков! Получите бонус за регистрацию счета:

Однако подход регулятора банкиров не устроил: согласно законодательству о судебной системе и исполнительном производстве, они не имеют права отказать в списании по исполнительному листу. Кроме того, это чревато претензиями со стороны оказавшихся добросовестными клиентов. Решение, которое согласовано с Росфинмониторингом, менее рискованно. Получив запрос на подозрительную транзакцию, банк проводит её, после чего информирует об операции финразведку. А в дальнейшем действует в соответствии с требованиями антиотмывочного закона (115-ФЗ).

Решение является промежуточным, нужно менять законодательство, считают банкиры. «Россия» предлагает, например, разрешить банкам отказывать в выполнении распоряжений судебных приставов либо замораживать сомнительные операции до получения указаний от Росфинмониторинга.

Как нейросети борются с отмыванием денег

— рассказывает Артём Пичугин

Ежегодно в мире отмывают от $800 млрд до 2 трлн. Только США тратят на войну с этим мошенничеством (Anti-Money Laundering, AML) около $7 млрд в год. До недавнего времени с отмыванием боролись вручную, через проверку каждой транзакции. Потом появились стартапы с собственными инновационными системами распознавания мошеннических операций. Сейчас самое перспективное направление в AML — машинное обучение и анализ больших данных. Рассмотрим подходы, которые при этом используются, и какие результаты они приносят.

Прочтите, это ВАЖНО:  Торговля по тренду на бинарных опционах

Know Your Customer

Многие банки и стартапы внедряют системы, основанные на подходе Know Your Customer (KYC). Его суть — в подробном анализе поведения каждого клиента, то есть модели полагаются не на исторические данные по всем транзакциям, а на действия конкретного клиента в отрыве от остальных, определяя его типичные черты и действия. Если клиент совершает транзакцию, не вписывающуюся в паттерн его поведения, система подаёт сигнал о необходимости проверки. Таким образом решается задача кластеризации, разделения всех транзакций клиента на обычные и подозрительные.

Преимущество этого подхода — модели перестают сильно зависеть от данных, получаемых в ходе машинного обучения. Те могут содержать ненужную информацию, совершенно не относиться к рассматриваемому клиенту, либо их попросту может быть недостаточно.

Пример компании с таким методом — американская Brighterion. Она предлагает системы для борьбы с мошенничеством в банковской среде, запоминающие типичные поведенческие и покупательские паттерны клиентов и реагирующие на аномалии. Например, система iPrevent специализируется на аналитике использования счетов и банковских карт, а iComply — на борьбе с международными схемами отмывания денег.

Клиенты Brighterion — крупнейшие банки Германии, Бразилии и Канады. По словам операционного директора компании Томаса Рэнд-Нэша, им удалось снизить потери от мошеннических операций на 75–95%. В июле долгосрочное соглашение с Brighterion заключила MasterCard. Она хочет интегрировать искусственный интеллект в свои бизнес-процессы как в рамках борьбы с нелегальными транзакциями и отмыванием денег, так и для улучшения понимания пользовательских потребностей.

Анализ агрегированных данных

Второй подход — выявление подозрительных транзакций через анализ всех имеющихся в наличии компании данных. Преимущество данного подхода и одновременно недостаток предыдущего — более высокое качество и точность модели, поскольку она изучает огромное количество разной информации. Недостаток: машины пока регулярно напарываются на false positives — транзакции, не являющиеся частью криминальной схемы, но с точки зрения алгоритма выглядящие именно так. Поэтому сегодня AML всё ещё не может обойтись без человеческого участия. Специалисты проверяют все операции, которые алгоритм счёл мошенническими, и при необходимости исправляют ошибки.

Прочтите, это ВАЖНО:  Ретрейсмент Фибоначчи или внутренние паттерны

Теперь к успешным примерам использования этого подхода. Индийский банк HDFC с помощью SAS Institute внедрил систему, выявляющую мошеннические операции: постоянные перемещения денег и отмены операций, перераспределение средств на множество мелких счетов, создание счетов-однодневок и т. д. Схожую платформу разработал американский стартап Merlon Intelligence. Система анализирует не только количественную, но и текстовую информацию (документы, отчёты, данные о клиентах и их действия), используя алгоритмы NLP (Natural Language Processing), и выявляет подозрительные транзакции, которые затем проверяют специалисты. Модель полгода успешно работала в тестовом режиме в одном из крупных американских банков, который в конечном итоге подписал со стартапом контракт на семизначную сумму.

Анализ социальных графов

В последнее время широкое применение получил анализ социальных сетей. Все счета можно представить как социальную сеть, в которой транзакция равна личному сообщению. Задача алгоритма — выявить, в каком из узлов сети деньги подозрительным образом утекают.

Пример подобной платформы — Palantir, система анализа данных от одноимённого американского стартапа, которую уже используют в финансовых институтах и правоохранительных органах для выявления источника утечки информации, помощи в антитеррористических миссиях и, конечно, борьбы с отмыванием. В качестве входных данных система может принимать большинство видов неструктурированной информации: сетевой трафик, данные соцсетей и геоданные. Palantir уже сорвал разведывательные операции китайских хакеров GhostNet и Shadow Network, а клиентами компании стали Bank of America, Агентство национальной безопасности США, ФБР и ЦРУ.

Автоматизация рутинных процессов AML

Помимо успешного распознавания схем по отмыванию денег современные алгоритмы машинного обучения способны автоматизировать и некоторые рутинные этапы процесса AML: создание и подготовку отчётов, рассылку уведомлений, отсечение заведомо правильных счетов и транзакций из исследуемой выборки. В результате уменьшается трудоёмкость, снижаются операционные затраты и растёт эффективность.

Такую систему — SAS AML — в прошлом году внедрили в Тинькофф-банке. Она автоматизирует противодействие отмыванию денег и проводит быстрые регламентированные проверки на консолидированных данных. За счёт автоматизации AML-процессов банк перераспределил ресурсы с обязательного контроля на непосредственное расследование криминальных схем. Платформа повысила обнаружение подозрительных операций на 95% и снизила количество false positives на 50%.

Фотография на обложке: Siroxha / Shutterstock

Брокер бинарных опционов, выдающий бонусы за регистрацию:
  • Бинариум
    Бинариум

    1 место! Самый лучший брокер бинарных опционов. Подходит для новичков! Получите бонус за регистрацию счета:

Добавить комментарий