Análise estatística de redes complexas para detecção de anomalias em transações financeiras associadas à lavagem de dinheiro

Programa de Pós-Graduação em Engenharia Industrial Escola Politécnica Universidade Federal da Bahia Análise estatística de redes complexas para detecção de anomalias em transações financeiras associadas à lavagem de dinheiro Rodrigo Marcel Araujo Oliveira1, Ângelo Márcio Oliveira Sant’Anna1, Paulo Henrique Ferreira da Silva2 1Escola Politécnica, Univesidade Federal da Bahia–UFBA 2Instituto de Matemática e Estatística, Univesidade Federal da Bahia–UFBA [email protected], [email protected], [email protected] Introdução A lavagem de dinheiro é uma ameaça de alcance global, comprometendo a integridade do sistema financeiro e colocando em risco a estabilidade da economia mundial. Este trabalho propõe o uso de técnicas de redes complexas e apresenta uma metodologia para detectar anomalias em transações financeiras de indivíduos sob investigação por suspeita de lavagem de dinheiro. Nesse contexto, o número da conta representa o nó do grafo direcionado. O estudo abrange análises para detecção de anomalias, detecção de comunidades, análise de densidade e ciclos, com o objetivo de capturar padrões complexos. Principais objetivos A pesquisa consiste em: caracterizar os valores transacionados entre as contas de origem e destino baseado em análise estatística de redes complexas, identificar anomalias nas transações financeiras entre as contas bancárias. 1 Metodologia As informações utilizados nesse estudo foram adquiridas durante a investigação de um caso específico pelo Laboratório de Tecnologia Contra Lavagem de Dinheiro do Ministério Público de Sergipe do Brasil (LAB-LD/MPSE-BR), usando o Sistema de Investigação de Movimentações Bancárias (SIMBA). O conjunto de dados contém informações de quatro investigados, totalizando 9322 transações e 18 atributos. A modelagem de transações financeiras foi baseada no grafo direcionado (DiGraph) [1]. Essa técnica oferece uma perspectiva para visualização de como o dinheiro flui entre diferentes contas. O DiGraph é definido por G= (V, E), cada aresta euv ∈Epossui um peso wuv, que representa o valor da transação entre os vértices uev. Para um vértice v∈V, o total recebido R(v)é a soma dos pesos das arestas que entram em v, conforme mostrado na Equação (1), onde Φ(v)é o conjunto de vértices que têm uma aresta direcionada para v. Para um vértice v∈V, a Equação (2) corresponde ao total enviado S(v), que representa a soma dos pesos das arestas que saem de v, com Ψ(v)representando o conjunto de vértices para os quais vpossui uma aresta direcionada. R(v) = ∑ u∈Φ(v) wuv,(1) S(v) = ∑ w∈Ψ(v) wvw.(2) O algoritmo Unifying Local Outlier Detection Methods via Graph Neural Networks (LUNAR) é um modelo proposto por [2] baseado em Graph Neural Networks (GNNs) para a detecção de anomalias em redes complexas. O LUNAR constrói um grafo conectando as observações utilizando as distâncias dos k-nearest neighbor como pesos das arestas. Essa estrutura de grafo serve como entrada para a GNN, que explora tanto a topologia do grafo quanto a informação contextual de cada nó v∈Vpara aprender representações latentes, capturando assim características estruturais e atribuídas aos vértices. 2 Resultados e discussão A análise de ciclos, densidade e detecção de comunidades são técnicas fundamentais para identificar padrões anômalos, clusters de atividades e comportamento potencialmente ilícito. Para o investigado 1 não houve comunidades detectadas. Foram identificadas 2 comunidades para o investigado 2. O investigado 3 possui o maior número de transações financeiras e de comunidades, foram 6 identificadas. O investigado 4 tem o menor número de transações, porém ele possui 2 comunidades. As maiores densidades observadas para os investigados de número 1, 2, 3 e 4, respectivamente, foram: 100.0%, 91.7%, 43.4%, 87.8%. Portanto, há evidências de que o comportamento das transações entre contas possuem padrões suspeitos que podem indicar atividades ilícitas. Para esses dados analisados não foram identificados ciclos. A detecção de anomalias envolve a criação de diversos indicadores financeiros, como a média, a soma dos valores e o número de transações enviadas e recebidas por cada conta bancária, número de arestas que entram e saem do nó. Os melhores parâmetros para o modelo LUNAR foram escolhidos baseado no ponto que maximiza o coeficiente da silhueta durante o processo de validação cruzada com k-folds. Os valores obtidos foram 0.81 e 0.83 nos conjuntos de treino e teste. A Figura 1 representa o grafo com o resultado do modelo LUNAR para identificação das contas bancárias com comportamento anômalos, associados com suas respectivas contas de origem, no total de 781 contas foram identificadas 39 contas suspeitas de lavagem de dinheiro. Figura 1: Representação do grafo com resultado do LUNAR para detecção de anomalias. 3 Conclusões A abordagem fornece ferramentas estatísticas baseadas em redes complexas para o reconhecimento de padrões de transações financeiras associadas à lavagem de dinheiro. Os resultados são promissores e podem auxiliar em investigações, ajudando a identificar possíveis grupos de indivíduos envolvidos em atividades ilícitas, como tráfico de drogas e armas, fraudes e golpes. Referências [1]Jørgen Bang-Jensen and Gregory Z. Gutin. Digraphs. 2009. [2]Adam Goodge, Bryan Hooi, See Kiong Ng, and Wee Siong Ng. LUNAR: Unifying Local Outlier Detection Methods via Graph Neural Networks. Proceedings of the 36th AAAI Conference on Artificial Intelligence, AAAI 2022, 36:6737–6745, 12 2021. Agradecimentos Este estudo foi financiado em parte pela Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) - Brasil - Código Financeiro 001.