Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Master's Thesis |
| Scope | Discipline-based scholarship |
| Title | Identifying Anomalous Transactions in Blockchains |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2021 |
| Abstract Text | As criminals have become more sophisticated in the manner they launder their illicit funds, financial institutions and regulators across the world have been quick in their rush to adapt much more stringent Anti Money Laundering (AML) controls. Unfortunately, AML laws oftentimes come at the expense of the most financially vulnerable in society [1]. In fact, many banks today would rather reject low-value or low-income customers (whether officially or bureaucratically) than risk high costs or fines associated with complicated AML procedures. The relatively new phenomenon of cryptocurrencies has lowered the regulatory barrier and cost for both domestic transactions as well as international remittances for people all over the world. At the same time, it is important to acknowledge that money laundering and illegal transactions do occur on the blockchain. However, the nature and openness of the blockchain has presented an opportunity for machine learning algorithms to make the financial system safer by detecting and tracing such illicit funds moving throughout the network. This thesis is motivated to improve the AML process for both financial institutions, businesses, as well as ordinary people. In particular, a machine learning model (XGBoost) is presented that not only depicts a robust way to detect anomalous transactions on the Bitcoin blockchain, but also to explain what drives its underlying decisions. With that said, having an accurate model alone is not enough for such an endeavour due to the regulatory landscape surrounding AML laws. In fact, explaining why a model arrived at the result it did - in particular, why something was agged as an anomaly is a salient of a concept as the performance metrics of the model itself. |
| Zusammenfassung | Straftater im Bereich Geldwascherei basieren auf immer raffinierteren Methoden aufgrund dieser Fonds, Finanzinstitute und Aufsichtsbehörden auf der ganzen Welt der Bekämpfung hinterherhinken, dies meist zu Lasten von wirtschaftlich schwächer gestellten Personen. Dies führt bedauerlicherweise dazu, dass Banken Neukunden lieber ablehnen, anstatt hohe regulatorische Kosten oder sogar Bussgelder zu riskieren. Die neue Asset Klasse Kryptowährungen bieten ebenfalls Möglichkeiten zur Umgehung von Geldwäschereigesetzen. Transaktionen via Kryptowährungen bieten jedoch einen entscheidenden Vorteil: Sie finden auf der Blockchain statt. Somit können maschinellen Lernalgorithmen dazu beitragen, das Finanzsystem sicherer zu machen, indem solche illegalen Gelder, die sich im Netzwerk bewegen, erkannt und verfolgt werden können. In der vorliegenden Arbeit wird ein Modell für maschinelles Lernen (XGBoost) vorgestellt, welches nicht nur eine robuste Methodik, um anomale Transaktionen in der Blockchain zu erkennen, verfolgt sondern ebenfalls versucht zu erklären, auf welchen Vorkommnissen die zugrunde liegenden Entscheidungen fur diese Anomalien beruhen. Nur ein genaues Modell zu haben reicht für ein solches Unterfangen aufgrund der regulatorischen Landschaft rund um AML nicht aus. Wichtiger ist zu erklaren, wie ein Modell zu den jeweiligen Ergebnissen gelangt ist, insbesondere im Zusammenhang mit den besprochenen Anomalien. |
| PDF File |
Download
|
| Export |
BibTeX
|