Enhancing Anti-Money Laundering Strategies Using Artificial Intelligence

Abstract

Vaikka tekoälyä on käytetty eri aloilla jo vuosia, rahanpesun torjunta on suurelta osin tukeutunut perinteisiin, sääntöihin perustuviin menetelmiin. Opinnäytetyö tutkii, kuinka rahanpesun torjunnan strategioita voidaan tehostaa käyttämällä ulkoisia indikaattoreita, kuten geopoliittisia tapahtumia ja kryptovaluuttojen arvonmäärityksiä. Geopoliittiset tapahtumat voivat vaikuttaa voimakkaasti rahoitusjärjestelmiin sekä luoda mahdollisuuksia laittomalle toiminnalle, ja samalla kryptovaluuttojen arvojen epävakaa luonne houkuttelee rikolliseen toimintaan, tehden niistä kiinnostavia tapoja havaita rahanpesua. Tavoitteena oli kehittää ennakoiva malli, joka tunnistaa rahanpesuyritykset ulkoisten indikaattorien perusteella. LSTM-malli (Long Short-Term Memory) toteutettiin käyttämällä Bitcoin-arvonmäärityksistä ja uutisartikkeleista johdettuja arvoja yhdistettynä synteettisiin rahoitustapahtumatietoihin. Mallin suorituskykyä arvioitiin eri data-aineistoilla, joissa oli erisuuruinen määrä laittomia transaktioita. Tuloksista kävi ilmi, että vaikka mallilla on mahdollisuuksia parantaa rahanpesunvastaisia toimia, edellyttää se lisätutkimuksia. Malli pystyi tunnistamaan joitakin laittomaan toimintaan liittyviä piirteitä, mutta se luokitteli usein laillisia transaktioita väärin johtuen siitä, että aitoa transaktiodataa ei ollut käytettävissä. Jatkossa tulisi keskittyä reaalimaailman tietojen integroimiseen mallin tarkkuuden ja luotettavuuden parantamiseksi sekä sen varmistamiseen, että uutisaineisto on puolueetonta ja että se tulkitsee asianmukaisesti geopoliittisten tapahtumien kontekstin.

While artificial intelligence (AI) has been used in various domains for years, anti-money laundering (AML) efforts have largely depended on traditional, rule-based methods. The thesis explores AML strategies can be enhanced with external indicators like geopolitical events and cryptocurrency valuations. Geopolitical events can highly impact financial systems and create opportunities for illicit activities, while the volatile nature of cryptocurrency valuations often attracts criminal use, making them valuable for detecting money laundering. The objective was to develop a predictive model that identifies money laundering attempts based on the external indicators. A Long Short-Term Memory (LSTM) model was implemented using scores derived from Bitcoin valuations and news articles, combined with synthetic financial transaction data. The model's performance was evaluated across datasets with different levels of illicit transactions. The findings revealed that while the model shows some potential for enhancing AML efforts, it requires further investigation. The model could identify certain patterns associated with illicit activities but often misclassified legitimate transactions due to the lack of real-world data. Future research should focus on integrating real-world data to improve the model's accuracy and reliability and ensuring that the news data is unbiased and accurately interprets the context of geopolitical events.