Развитие методических подходов к оценке клиентских рисков коммерческого банка

Актуальность. Отмывание денег имеет сильные последствия во всем мире, которые искажают и серьезно деформируют экономические процессы, поскольку могут полностью разрушить политическую и финансовую системы страны. Кредитные организации как посредники в проведении финансовых операций являются главными участниками процесса легализации доходов и антиотмывочной деятельности. Поэтому управление рисками становится решающим элементом для выявления действий, которые могут указывать на подозрительность операции, а ее участников связывать с отмыванием денег, и требует от банков формирование особого методического инструментария.

Цель. В данной статье планируется рассмотреть вопросы, связанные с исследованием методических подходов по оценке клиентских рисков, применяемых в мировой практике, при оценке банков в антиотмывочной деятельности и возможности их адаптации в деятельности российских кредитных организациях.

Задачи. В рамках научной статьи была поставлена и решена научная задачи по разработке методического подхода к оценке клиентских рисков (включая нового клиента и клиента с долгим периодом обслуживания) вовлечения в легализацию доходов.

Методология. Предложенный методический подход реализуется с использованием линейной регрессии и методологии градиентного бустинга на основе древа решений.

Результаты. Проведенное исследование позволяет сформировать две модели, которые предлагают решения для выявления новых и старых клиентов, деятельность которых предполагает отмывание денег.

Выводы. Учитывая, что со стороны надзорных органов все больше внимания уделяется вырабатыванию у банков способностей заранее предотвращать подозрительные операций, то это требует от кредитной организации разработки набора различных инструментов, позволяющих с высоким уровнем вероятностью выявлять проведение сомнительных операций клиентом и предотвращать их проведение в банке.

1. Ефремова Ю. С. Направления совершенствования системы рискориентированного внутреннего контроля в российских кредитных организациях // Финансы и кредит. 2020. Т. 26, № 1. С. 142-154.

2. Becker G. S. Crime and Punishment: An Economic Approach // Journal of Political Economy. 1974. Vol. 0-87014- 263-1. P. 1-54.

3. Masciandro D. Money Laundering Regulation: The Microeconomics // Journal of Money Laundering Control. 1998. Vol. 2. P. 49-58.

4. Сергеева В. А., Соколов А. С., Федоров Н. М. Риск ОД/ФТ в банковской сфере и значение цифровых технологий для его снижения // Система ПОД/ФТ в глобальном мире: риски и угрозы мировой экономики: сборник тезисов докладов участников V Международной научно-практической конференции Международного сетевого института в сфере ПОД/ФТ. М.: Российский экономический университет им. Г. В. Плеханова, 2020. С. 155.

5. Юголайнина Е. О. Дискуссионные вопросы привлечения кредитных организаций к ответственности за нарушения банковского законодательства // Молодой ученый. 2017. № 7 (141). С. 379-382.

6. Aven T. Risk Analysis. Wiley, 2008.

7. Pellegrina L., Masciandaro D. The Risk-Based Approach in the New European Anti-Money Laundering Legislation: A Law and Economics View // Review of Law & Economics. 2008. Vol. 5. P. 931-952.

8. Stancu I., Rece D. The Relationship between Economic Growth and Money Laundering ‒ a Linear Regression Model // Theoretical and Applied Economics. 2009. P. 3-8.

9. Евлахова Ю. С., Галали Р. Дж. А. Банковские риски как индикаторы вовлечения в процессы легализации преступных доходов и финансирования терроризма // Банковские услуги. 2021. № 1. С. 11-17.

10. The Wolfsberg Group. Wolfsberg Standards. URL: http://www.wolfsbergprinciples.com/ (дата обращения: 10.10.2021).

11. Exploring Data Mining Technologies as Tools to Investigate Money Laundering / R. C. Watkins, K. M. Reynolds, R. F. DeMara, M. Georgiopoulos, A. J. Gonzalez, R. Eaglin // Journal of Policing Practice and Research: An International Journal. 2003. P. 163 – 178.

12. Мозгов Е. А., Першина О. О. Риски отмывания доходов и финансирования терроризма, связанные с пандемией COVID-19, и меры реагирования: российский и зарубежный опыт // Финансовая безопасность. 2020. № 27. С. 11-12.

13. Kannan S., Somasundaram K. Selection of optimal mining algorithm for outlier detection ‒ An efficient method to predict/detect money laundering crime in finance industry // Elysium Journal. 2014. Vol. 1. P. 1-13.

14. An investigation into Data Mining approaches for Anti Money Laundering / N. Le Khac, S. Markos, M. O'Neill, A. Brabazon, M. Kechadi // Materials of International Conference on Computer Engineering and Applications. Singapore, 2009.

15. Курьянов А. М. Обратная связь как механизм повышения качества информирования о подозрительных операциях // Финансовая безопасность. 2020. № 26. С. 35.

16. Trevor Hastir R. T. J. F. The Elements of Statistical Learning in Data Mining: Inference and Prediction. 2nd ed. Springer, 2009. P. 587-597.

17. Долгополов А. Концепции оценки риска вовлеченности клиентов банка в схемы по отмыванию денег // РИСК: ресурсы, информация, снабжение, конкуренция. 2017. № 1. С. 184-187.

18. Галали Р. Дж. А. Система мониторинга банковских рисков вовлечения в легализацию преступных доходов и финансирование терроризма в РФ // Финансовая экономика. 2020. № 5. С. 24-28.

19. Евлахова Ю. С. Развитие методологических подходов к оценке риска отмывания денег и финансирования терроризма в банковском секторе РФ // Финансы и кредит. 2016. № 19. С. 12-25.

20. Магомедов Ш. М., Каратаев М. В. Модель оценки эффективности системы финансового мониторинга коммерческого банка // Вестник образования и развития науки Российской академии естественных наук. 2017. № 1. С. 38-43.