Сегодняшние реалии требуют применения значительно более высоких, чем еще несколько лет назад, технологических решений, особенно в сфере финансов, где критически важен неизменно максимальный уровень безопасности. С точки зрения технологий есть все необходимое для разработки различных систем, обеспечивающих проведение безопасных финансовых операций. В данной статье рассматриваются различные АМL-системы (Anti-Money Laundering – против легализации доходов, полученных преступным путем), применяемые в Российской Федерации в рамках действующего законодательства.
Цифровая экономика
Сегодня мир одержим идеей цифровой трансформации. Тема цифровой экономики в последние годы широко обсуждалась на разных уровнях: в научных, деловых и правительственных кругах. Развитие инфокоммуникационных технологий, инноваций и научно-технического сектора, модернизация многих отраслей – все это способствует формированию нового видения экономики и позитивного отношения общества к ней.
Согласно исследованию Digital Evolution Index 2017, Россия входит в категорию стран Break Out: «Несмотря на то, что все еще находятся на относительно низких уровнях цифрового продвижения, эти страны демонстрируют самый быстрый импульс, готовы к росту и привлекательны для инвесторов».
Основная проблема, с которой приходится сталкиваться при цифровой трансформации экономики, – это адаптация новых технологий, таких как Big Data, блокчейн, IoT, машинное обучение. При этом все понимают, что вышеперечисленные технологии способны усовершенствовать многие процессы. Например, применение алгоритмов машинного обучения способно усовершенствовать процесс выявления подозрительных транзакций, что позволяет широко применять аналогичные решения в сфере противодействия незаконным операциям на финансовом рынке.
AML-решения сегодня
Нарушение требований противодействия легализации (отмыванию) денег, полученных незаконным путем (AML), является основной причиной карательных санкций, значительных репутационных потерь и, наконец, прекращения деятельности финансовых организаций. Для предотвращения таких рисков возникает потребность во внедрении эффективных AML-решений.
Существующие AML-решения, в том числе те, которые используют машинное обучение, не способны обрабатывать операции в режиме онлайн. Интеллектуальный анализ выполняется фильтрацией транзакций в соответствии с правилами, т.е. на него влияют установленные ограничения. Все отфильтрованные транзакции считаются «законными» и не проходят процедуру анализа. Существующие AML-системы рассматривают только индикаторы, непосредственно связанные с операцией или ее участниками, и не учитывают косвенных показателей. В результате возникают ложные срабатывания и ошибки.
Таким образом, на сегодняшний день в области автоматизации противодействия легализации преступных доходов и терроризму (AML) есть ряд важных задач, которые требуют решения.
Аналитический обзор существующих AML-систем
В рамках анализа учитываются следующие ожидаемые функциональные возможности систем оперативного анализа рисков и оценки участников финансовых процессов:
- обработка и анализ транзакций в автономном режиме;
- автоматизация мониторинга финансовых процессов организации;
- расширенный анализ данных клиентов;
- оценка надежности юридических лиц через базу данных;
- высокая скорость принятия решений;
-
возможность автоматической корректировки алгоритмов анализа данных с целью выявления устойчивых закономерностей, а также прямых и косвенных связей между объектами;
-
рассмотрение официальных требований Центрального банка России и Росфинмониторинга.
Ожидается, что системы будут использовать следующие исходные данные для анализа:
-
сведения о транзакции;
-
подробную информацию о контрагентах сделки;
-
историю транзакций (график транзакций);
-
отрезок пути транзакции для тренировки системы (набор транзакций с тегами «подозрительный / соответствующий»).
Для разработки системы, способной обнаруживать подозрительные транзакции, требуется использование всех предоставленных данных.
SAS AML
SAS AML (sas.com) применяется в «Газпромбанке» и Commonwealth Bank of Australia.
Преимущества системы:
-
полная автоматизация мониторинга финансовых процессов организации, включая оценку подозрительных транзакций, проведение расследований;
-
применение принципа KYC;
-
высокая скорость принятия решений о подозрительных операциях;
-
предоставление трафика средств в транзакциях в виде графика;
-
конструктор отчетов.
Недостатки системы:
-
обработка и анализ транзакций возможны только в режиме отсрочки;
-
невозможность самообучения системы по фактическим данным – только путем ручной корректировки правил;
-
отсутствие анализа для расширенного уровня данных по юридическим лицам – участникам сделок;
-
чрезвычайно высокая стоимость лицензирования, внедрения и владения. Решение могут себе позволить только крупные банки.
Oracle Mantas AML
Продукт является аналогом SAS AML. Используется в следующих организациях: Deutsche Bank AG, ABN AMRO Bank N.V., Credit Suisse Group, Barclays Bank, Citibank N.A., Merill Lynch, Charles Schwab, Goldman Sachs, BBVA, M&T Bank, «Сбербанк».
Преимущества системы:
-
полная автоматизация мониторинга финансовых процессов организации, включая оценку подозрительных транзакций, проведение расследований;
-
применение принципа KYC;
-
анализ сценария;
-
высокая скорость принятия решений о подозрительных операциях;
-
конструктор отчетов.
Недостатки системы:
-
обработка и анализ транзакций возможны только в режиме отсрочки;
-
невозможность самообучения системы по фактическим данным – только путем ручной корректировки правил;
-
отсутствие анализа для расширенного уровня данных по юридическим лицам – участникам сделок;
-
чрезвычайно высокая стоимость лицензирования, внедрения и владения. Решение могут себе позволить только крупные банки.
Nice Actimize AML
Nice Actimize AML (niceactimize.com) применяют крупнейшие мировые финансовые организации, включая контролирующие органы: Центральный Банк Российской Федерации (Росфинмониторинг), AFM (Управление финансовых рынков Нидерландов), СFTC (Комиссия по торговле товарными фьючерсами США), FINRA (Агентство по регулированию деятельности финансовых институтов США), FINTRAC (Канадский центр анализа финансовых операций и отчетности), IMPA (Управление по борьбе с отмыванием денег и предупреждению финансирования терроризма Израиля).
Преимущества системы:
-
возможность обработки и анализа транзакций как в режиме отсрочки, так и в режиме онлайн;
-
полная автоматизация мониторинга финансовых процессов организации, включая оценку подозрительных транзакций, проведение расследований;
-
способность системы к самообучению по фактическим данным;
-
применение принципа KYC;
-
анализ сценария;
-
высокая скорость принятия решений о подозрительных операциях;
-
конструктор отчетов.
Недостатки системы:
-
отсутствие анализа для расширенного уровня данных по юридическим лицам – участникам сделок;
-
относительно высокая стоимость лицензирования, внедрения и владения.
FLEXTERA. Противодействие легализации незаконных доходов
AML-модуль линии банковских продуктов FLEXTERA российской компании Diasoft (diasoft.com) оснащен базовым функционалом, который может частично автоматизировать AML-процессы.
Преимущества системы:
-
невысокая стоимость лицензирования (~ 870 тыс. рублей), внедрения (~ 2 млн рублей) и владения (техническая поддержка ~ 500 тыс. рублей).
Недостатки системы:
-
обработка и анализ транзакций возможны только в режиме отсрочки;
-
частичная автоматизация мониторинга финансовых процессов организации (контроль транзакций на соответствие проводится только по правилам, установленным вручную);
-
низкая скорость принятия решений по подозрительным операциям, поскольку исследования проводятся вручную;
-
невозможность самообучения системы по фактическим данным – только путем ручной корректировки правил с привлечением разработчиков;
-
отсутствие расширенного анализа уровня данных по юридическим лицам.
ЦФТ «Контроль рисков легализации (отмывания) доходов»
Продукт, созданный Центром финансовых технологий (cft.ru), по своим свойствам похож на его аналог – «Диасофт» (Diasoft): демонстрирует аналогичные преимущества (стоимость) и недостатки (ограниченная автоматизация AML-процессов, низкая эффективность обнаружения подозрительных транзакций).
Сервисы проверки контрагентов (Spark/X-Compliance, «Контур-Фокус»)
Преимущества существующих сервисов, таких как, например, Spark, X-Compliance (xco-interfax.ru), Контур-Фокус (focus.contur.ru):
-
высокая узнаваемость и привычность для пользователя;
-
широкий спектр предоставляемых данных, вплоть до анализа публикаций в СМИ, социальных сетей и официальных сайтов юридических лиц.
Недостатки сервисов:
-
отсутствие анализа для AML-задач, интерпретация данных выполняется вручную;
-
критерии оценки надежности юридических лиц не являются прозрачными, недоступны для исправления пользователями и, следовательно, не всегда подходят для рассмотрения в случае проведения расследования.
Заключение
В условиях современных реалий требования законодательства к финансовым организациям ужесточаются, усиливаются санкции за позднее обнаружение ненадежных операций. Организациям грозят не только значительные репутационные потери, но и риски выплат высоких штрафов, приостановление деятельности и даже лишение лицензии. Крупные компании выполняют до 20 млн транзакций в день, в то время как обнаружение подозрительных операций связано с ручной работой, что может вызвать риск ошибок и ложных срабатываний. Именно поэтому крайне важна разработка и внедрение высокотехнологичных AML-систем, отвечающих всем современным тенденциям и требованиям цифровой экономики.
Источники:
-
Arin Ray. Emerging Solutions in Anti-Money Laundering Technology.
-
MarketsandMarkets. Fraud Detection & Prevention and Anti Money Laundering Market by Vertical (Banking & FS, Insurance, Energy & Utilities), Type (Fraud Authentication, Analytics and GRC), Geography (US, Canada, UK, Spain and Chile) – Global Trends & Forecasts.
-
Jedrzejek C., Falkowski M., Bak J. Graph Mining for Detection of a Large Class of Financial Crimes.
Статья подготовлена Ксенией Козловой и Полиной Качуриной (компания DocSourcing) на основании статьи: Review and studies of existing AML—systems and examples of money—laundering schemes from the angle of the new digital economy strategy in Russia (D.I. Dorofeev, P.A. Kachurina, T.R. Usubaliev, A.S. Dobrotvorskiy).