Modelo de aprendizaje automático para identificar operaciones inusuales de lavado de activos en una entidad financiera

• Autores: Flores Dueñas, Wari Ymber, Pari Salazar, Yumey Leslie
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/18340
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/18340
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Lavado de activos y financiamiento al terrorismo; Operaciones inusuales; CRISP-DM; https://purl.org/pe-repo/ocde/ford#2.02.04

Hoy en día, las entidades financieras se enfrentan a una lucha constante contra el lavado de activos y el financiamiento al terrorismo, es por ello que centran sus esfuerzos en la identificación de operaciones inusuales, utilizando las características que puedan evidenciar un comportamiento irregular al momento de realizar transacciones dentro de la entidad financiera, por ello que se crea un modelo que trabaje de forma conjunta para efectuar un análisis de los datos del cliente y con ello lograr la detección de posibles operaciones inusuales de lavado de activos, es necesario utilizar técnicas que nos permitan realizar un análisis exhaustivo y con precisión de grandes volúmenes de datos e información relevante y confiable. Para lograr este objetivo, se ha realizado un pre procesamiento de los datos y posteriormente se han aplicado algoritmos de aprendizaje automático que han surgido como una herramienta fundamental dentro del análisis y generación de conocimiento, dentro de ellos, se han utilizado los más representativos. Seguidamente, para realizar la aprobación del modelo se ha aplicado una validación cruzada de información y se obtuvo la métrica Acuracy, que es la precisión de cada modelo aplicado brinda, de esta manera, se ha obtenido una métrica que evalúa la precisión de cada uno de los modelos implementados. Finalmente, los resultados de los modelos propuestos han dado un 78.37% de precisión de confianza en el modelo. La entidad financiera deberá actualizar su información de riesgo, ya que debido a las vulnerabilidades que se exponen por diferentes delitos de LAFT, estas se incrementan de manera paulatina, es por ello que se debe mantener actualizado de los constantes delitos precedentes, para así alimentar la información del Modelo de Aprendizaje Automático.