Modelos de Machine Learning para identificação de Clientes com risco acrescido de Branqueamento de Capitais e Financiamento do Terrorismo

Abstract

A identificação de clientes associados a risco acrescido de Branqueamento de Capitais e Financiamento do Terrorismo (BC/FT) é preocupação primordial para as Instituições Financeiras, em conformidade com a Legislação atual sobre esta temática. Este estudo foca-se no cálculo do Risco BC/FT associado a clientes, um desafio complexo e essencial na atual conjuntura financeira. O problema em análise é a necessidade de identificar clientes de alto risco, assegu- rando a conformidade legal e permitindo assim às Instituições Financeiras aplicar as medidas de diligência reforçada sempre que identifique clientes com potencial risco acrescido de BC/FT. Com a crescente ênfase nas abordagens estatísticas, a transição de modelos heurísticos para modelos de classificação em Machine Learning (ML) torna-se crucial, uma vez que estes modelos tradicionais não são suportados por um racional matemático, sendo baseados apenas em boas-práticas relacionadas com estas temáticas. Este estudo propõe uma análise da Avaliação do Risco de BC/FT, explorando a adoção de modelos de classificação em ML que permitem ter em consideração que os clientes particulares e coletivos têm caraterísticas diferentes, e por esse motivo, são aplicados modelos específicos para cada tipologia de cliente. Nesta dissertação, examinaremos a metodologia, incluindo a exploração de dados estatísticos relacionados com os clientes, o processo de preparação dos dados e uma descrição detalhada dos modelos utilizados. A nossa pesquisa culminou na identificação de modelos de ML altamente precisos na previsão de clientes com risco BC/FT alto com base nos dados considerados. O uso eficaz dos modelos de classificação em ML contribui para a mitigação do Risco BC/FT fortalecendo a capacidade das instituições financeiras de identificar e monitorizar clientes de alto risco. Este estudo visa fornecer uma abordagem mais precisa e fundamen- tada na avaliação do risco BC/FT.

The identification of customers associated with an increased risk of AML/CFT is a pri- mary concern for Financial Institutions, in compliance with current legislation on this subject. This study focuses on calculating AML/CFT Risk associated with customers, a complex and essential challenge in the current financial landscape. The problem under analysis is the need to identify high-risk customers, ensuring legal compliance and enabling Financial Institutions to apply enhanced due diligence measures whenever they identify customers with the potential for increased AML/CFT risk. With the growing emphasis on statistical approaches, the transition from heuristic models to Machine Learning (ML) classification models becomes crucial, as these traditional models lack mathematical rationale and are based solely on best practices related to these topics. This study proposes an analysis of AML/CFT Risk Assessment, exploring the adop- tion of ML classification models that take into account that individual and corporate customers have different characteristics, and therefore, specific models are applied to each customer type. In this dissertation, we will examine the methodology, including the exploration of statistical customer data, the data preparation process, and a detailed description of the models used. Our research has resulted in the identification of highly accurate ML models for predicting high AML/CFT risk customers based on the considered data. The effective use of ML classification models contributes to the mitigation of AML/CFT Risk by strengthening the ability of financial institutions to identify and monitor high- risk customers. This study aims to provide a more precise and evidence-based approach to AML/CFT risk assessment.