СОВЕРШЕНСТВОВАНИЕ ДЕЯТЕЛЬНОСТИ БАНКА РОССИИ И КРЕДИТНЫХ ОРГАНИЗАЦИЙ В ОБЛАСТИ ПРОТИВОДЕЙСТВИЯ ЛЕГАЛИЗАЦИИ (ОТМЫВАНИЮ) ДОХОДОВ, ПОЛУЧЕННЫХ ПРЕСТУПНЫМ ПУТЕМ, И ФИНАНСИРОВАНИЮ ТЕРРОРИЗМА

Прогнозирование объемов снятия наличных денежных средств со счетов клиентов как превентивное направление в деятельности надзорного органа и кредитных организаций в области финансового мониторинга

Математические методы и модели применяются в банковском бизнесе чрезвычайно широко, пронизывая все стороны деятельности кредитной организации. В первую очередь это собственно управление организацией и финансово-экономическими показателями ее функционирования (включая планирование и прогнозирование, основную коммерческую деятельность, маркетинг, мониторинг, контроллинг, риск-менеджмент) [63].

Как известно, вопрос определения будущего был и остается актуальным. Особое значимо прогнозирование в таких областях, как индустрия, экономика, коммерция (прогнозирование экономических показателей, динамики цен на тот или иной продукт, курса акций, валют на какое-то время вперед и т. д.) [114].

Прогнозирование - метод вероятностного планирования, в котором предсказание будущего опирается на накопленный опыт и текущие предположения относительно будущего [48]. Модель прогнозирования - модель объекта прогнозирования, исследование которой позволяет получить информацию о возможных состояниях объекта прогнозирования в будущем и (или) путях и сроках их осуществления [110].

Наряду с традиционными методами прогнозирования в последнее время наблюдается повышенный интерес к технологии нейронных сетей, которые успешно применяются в самых различных областях: бизнесе, науке и технике.

Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и (или) каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным (а может и не оказаться), тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов [110].

Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления, потому как нейронные сети - мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости, а также они учатся на примерах - пользователь нейронной сети подбирает данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных.

Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Они представляют собой распределенные и параллельные системы, способные к адаптивному обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в данных сетях является искусственный нейрон или просто нейрон, названный так по аналогии с биологическим прототипом [77].

Каждый нейрон характеризуется своим текущим состоянием. Он обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов (рис. 3.1).

Искусственный нейрон в первом приближении имитирует свойства биологического нейрона. Здесь множество входных сигналов, обозначенных Ху, х2, ..., хп, поступают на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый синапс характеризуется величиной синапсической связи или ее весом Wj.

Входы

Синапсы

Модель искусственного нейрона

Рис. 3.1. Модель искусственного нейрона

Каждый сигнал умножается на соответствующий вес W7,W2,...,w„, и поступает на суммирующий блок. Множество весов в совокупности обозначаются вектором W. Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая величину S. Таким образом, текущее состояние нейрона определяется как взвешенная сумма его входов:

п

x‘*w‘ (ЗЛ)

i=l

_Выход нейрона есть функция его состояния

У =f(s)> где/- активационная функция, моделирующая нелинейную передаточную характеристику биологического нейрона и представляющая нейронной сети большие возможности.

Самыми распространенными активационными функциями являются пороговая и сигмоидальная функции, они наиболее приближены к биологическому аналогу.

Пороговая функция ограничивает активность нейрона значениями 0 или 1 в зависимости от величины комбинированного входа 5. Как правило, входные значения в этом случае также используются бинарные: xi € {0,1}. Чаще всего удобнее вычесть пороговое значение 0 (называемое смещением) из величины комбинированного входа и рассмотреть пороговую функцию в мате

матически эквивалентной форме

п

S=Wo+^ Xi+Wirf(s) = i=l

0,s(0;

< l,5>0.

(3.2)

Здесь w = - величина смещения, взятая с противополож

ным знаком. Смещение обычно интерпретируется как связь, исходящая от элемента, значение которого всегда равно 1. Комбинированный вход тогда можно представить в виде

п

S=X (3.3)

1=1

где Хо всегда считается равным 1

Логистическая функция, или сигмоид, f (s') =1/(1+ e~as) непрерывно заполняет своими значениями диапазон от 0 до 1. При уменьшении а сигмоид становится более пологим, в пределе при <2 = 0 вырождаясь в горизонтальную линию на уровне 0,5, при увеличении а сигмоид приближается к виду функции единичного скачка с порогом 0. Следует отметить, что сигмоидальная функция дифференцируема на всей оси абсцисс, что используется в некоторых алгоритмах обучения. Кроме того, она обладает свойством усиливать слабые сигналы и предотвращает насыщение от больших сигналов, так как они соответствуют областям аргументов, где сигмоид имеет пологий наклон [101].

Многие зарубежные банки уже давно применяют технологию нейронных сетей в своей деятельности. Так, например, крупный канадский банк CIBC для управления рисками и идентификации злоумышленников использует программу, с помощью которой специалисты банка могут выяснить, кто из их клиентов в будущем будет с высокой долей вероятности задерживать выплаты по закладным. Сначала предполагалось, что в первую очередь ими окажутся те, кто и прежде задерживал свои выплаты на несколько дней. Однако исследования показали, что в будущем проблемы с платежами возникнут у тех клиентов банка, которые на фоне регулярных выплат иногда якобы забывали заплатить. Как выяснилось, подобная «забывчивость» была связана с серьезными финансовыми трудностями [71].

Напомним, что все кредитные организации, как мелкие, так и крупные, являясь частью банковской системы, подлежат тщательному контролю со стороны государственных органов. Однако менее стабильные и надежные кредитные организации, как правило, контролируются с еще большей скрупулезностью. Надзорные органы в данном случае требуют от таких кредитных организаций дополнительных отчетов, отправляют большое количество запросов о тех или иных сведениях и т. д.

Как уже было отмечено, одной из особенностей легализации доходов в Российской Федерации на сегодняшний день является активное «обналичивание» денежных средств, полученных преступным путем. Тем самым Банк России (его территориальный учреждения) в ходе осуществления надзорной деятельности постоянно проводит контроль за выдачей наличных денежных средств со счетов, открытых в кредитных организациях как в рамках дистанционного контроля - кредитные организации предоставляют ежемесячную отчетность (Отчет о наличном денежном обороте), так и непосредственно при инспекционных проверках.

Подробнее остановимся на проблеме «обналичивания» денежных средств и выявлению кредитных организаций, проводящих сомнительные операции, в том числе и по снятию наличных денежных средств в крупных объемах,.

Так, в ходе дистанционного контроля за операциями по выдаче наличных денежных средств из касс кредитных организаций Банк России на основании отчетности, поступающей от кредитных организаций, проводит соответствующий анализ и отслеживает деятельность кредитных организаций, проводящих сомнительные операции.

С помощью подобного анализа удается только выявить изменения за прошлые периоды, а вот предвидеть объем снятия наличных денежных средств он не позволяет.

Поэтому в целях совершенствования надзорной функции, а также взаимодействия Банка России с субъектами финансового мониторинга в части выявления и пресечения деятельности, связанной с легализацией (отмыванием) денежных средств, предлагаем применить технологию нейронной сети в сфере финансового мониторинга, в части осуществления расчета прогнозных значений объема снятия наличных денежных средств со счетов клиен тов кредитных организаций. Прогнозные значения позволят проследить тенденцию увеличения в той или иной кредитной организации частоты проведения операций по снятию наличных денежных средств, а также своевременно выявить сомнительные операции, проводимые субъектами финансового мониторинга.

Для Банка России (его территориальных учреждений) данная методика прогноза может быть применена не только для выявления сомнительных операций в части «обналичивания» денежных средств, проводимых кредитными организациями, но и стать сигналом для включения данной кредитной организации в план инспекционных (или внеплановых) проверок, что является важным шагом в совершенствовании надзорной функции Банка России в данной области.

Осуществлять прогнозирование будем в программном комплексе «Прогнозирование», функционирующем на основе алгоритма работы нейронной сети обратного распространения. Листинг программы приведен в приложении Г.

Задача прогноза состоит в следующем: даны N дискретных состояний системы (y(tj), y(t2), y(tn)) в моменты времени th t2, ... tn, зная которые необходимо определить значение y(tn + 1) в момент tn + 1.

Нейронная сеть обратного распространения состоит из нескольких, связанных между собой слоев нейронов. Для расчета объема снятия наличных денежных средств мы использовали двухслойную нейронную сеть, имеющую скрытый и выходной слои.

Нейронная сеть обучается, чтобы для некоторого множества входов давать требуемое (или, по крайней мере, сообразное с ним) множество выходов. Каждое такое входное (или выходное) множество рассматривается как вектор. Обучение осуществляется путем последовательного предъявления входных векторов с одновременной подстройкой весов в соответствии с определенной процедурой. В процессе обучения веса сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор. Различают алгоритмы обучения с учителем и без учителя [126].

На основе данных об объеме снятия наличных денежных средств за каждый месяц последних пяти лет программа определяет прогнозные значения на следующий период. Количество входов сети составляет 12, а именно: на вход подается 12 значе ний, соответствующих определенным месяцам в году. Количество нейронов скрытого слоя - 24. Количество нейронов выходного слоя - 12. Значения нейронов выходного слоя соответствуют значениям результата прогноза.

Алгоритм работы нейронной сети обратного распространения предполагает обучение с учителем, т. е. для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. На основании известных значений объема снятия наличных денежных средств за каждый месяц последних 5 лет формируются 4 обучающие пары. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки, и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня.

Коэффициент скорости обучения - 0,7. Множитель, уменьшающий коэффициент скорости обучения - 1. При обучении сети основной задачей является минимизация целевой функции ошибки, которая находится по методу наименьших квадратов:

e(w,v) = 0,5?(yt-dj, (3.4)

i=l

где уk - полученное значение к-го выхода сети при подаче на нее одного из входных образов обучающей выборки; dk- требуемое значение k-го выхода для данного образа; w - матрица весовых коэффициентов от входов к скрытому слою; v — матрица весовых коэффициентов от скрытого к выходному слою; р - количество выходов.

Процесс обучения нейронной сети для получения прогноза состоит из нескольких этапов.

На первом этапе производится инициализация сети. Весовым коэффициентам присваиваются малые значения. Далее задаются:

  • - параметр точности обучения е, значение которого должно быть меньше значения целевой функции ошибки (в программе е = 0,000000001);
  • - параметр скорости обучения (0,7);
  • - значение множителя, уменьшающего коэффициент обучения сети (1);
  • - максимально допустимое число циклов обучения (50 000).

На втором этапе на вход сети подается один из обучающих образов и вычисляются значения выхода сети. Значение выходного нейрона в методе обратного распространения обычно производится с помощью сигмоидальной функции:

у = 1/(1+е5), (3.5)

где s - взвешенная сумма входов сети.

S=fx,*w, , (3.6)

/=1

где х - входной вектор; w - матрица весовых коэффициентов.

Так как область значений сигмоидальной функции лежит в диапазоне (0,1), входные значения объема снятия наличных денежных средств умножаются на 0,000001. Значение выходного нейрона также умножается на 1 000 000.

На третьем этапе производится проверка значения выхода. Если значение у соответствует известному значению выходного образа обучающей выборки и целевая функция ошибки е не превышает допустимое значение е или произведено максимальное число циклов обучения, то обучение завершается.

Если обучение не завершено, на четвертом этапе происходит модификация весовых коэффициентов и- и v по следующим формулам в соответствии с оптимизационным методом градиентного спуска

Л/?

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ ОРИГИНАЛ   След >