L‘analisi del rischio oggi è uno step fondamentale da fare per banche, compagnie di assicurazione e broker finanziari vista la crescente complessità e la rapida evoluzione delle normative nel contesto finanziario e rappresenta anche un notevole vantaggio competitivo per questi istituti che è possibile ottenere grazie alle tecniche di Intelligenza Artificiale (IA) e Analisi dei Big Data.
La conformità e la gestione del rischio sono diventate in questo contesto delle priorità assolute per le istituzioni finanziarie e le tecnologie di regolamentazione, conosciute come RegTech, stanno infatti emergendo come alleate fondamentali per affrontare queste sfide. A spiccare a questo scopo è in particolare, l’analisi antiriciclaggio (AML) che gioca un ruolo cruciale nella prevenzione di attività illecite e nella protezione dell’integrità del sistema finanziario globale.
Questo articolo esplorerà quindi come l’analisi del rischio possa essere potenziata attraverso l’uso della community detection, una tecnica avanzata di data science che permette di identificare e monitorare le reti di relazioni all’interno dei dati finanziari.
Scopriremo come queste tecnologie innovative non solo migliorano l’efficienza e l’efficacia delle operazioni di conformità, ma anche come contribuiscono a un panorama finanziario più sicuro e trasparente. Le tecniche di AI possono infatti essere sfruttate per migliorare l’efficienza e la precisione del monitoraggio delle transazioni, permettendo l’identificazione precoce di scenari anomali.
RegTech e AML nell’analisi del rischio
Nell’ambito dell’analisi del rischio nel contesto bancario, il termine Regulatory Technology (RegTech) fa riferimento alla gestione dei processi normativi all’interno del settore finanziario tramite l’utilizzo di tecnologie avanzate.
Il RegTech, abbreviazione di Regulatory Technology, serve in sostanza a supportare le istituzioni finanziarie e altre aziende regolamentate nell’affrontare e gestire le crescenti esigenze normative.
Ecco alcune delle sue principali funzioni e utilità:
- Automatizzazione dei Processi di Conformità: Il RegTech automatizza molte delle attività manuali legate alla conformità normativa, riducendo errori umani e aumentando l’efficienza operativa.
- Monitoraggio e Analisi dei Dati in Tempo Reale: Permette il monitoraggio continuo delle transazioni finanziarie e l’analisi in tempo reale, identificando potenziali rischi e comportamenti sospetti che potrebbero indicare attività illecite.
- Riduzione dei Costi: Automatizzando e ottimizzando i processi di conformità, il RegTech aiuta a ridurre i costi operativi associati alla gestione delle normative e alle verifiche di conformità.
- Gestione del Rischio: Migliora la capacità delle aziende di gestire i rischi regolamentari e operativi, utilizzando tecniche avanzate di data analytics, machine learning e intelligenza artificiale.
- Adeguamento alle Normative in Evoluzione: Facilita l’adeguamento rapido ed efficiente alle normative in costante cambiamento, garantendo che le aziende rimangano sempre conformi alle leggi vigenti.
- Reporting e Trasparenza: Automatizza la generazione di report per le autorità di vigilanza e migliorare la trasparenza dei processi interni, agevolando la comunicazione con gli enti regolatori.
- Prevenzione di Frodi e Riciclaggio di Denaro: Strumenti specifici di RegTech sono progettati per prevenire frodi e attività di riciclaggio di denaro, analizzando grandi volumi di dati per identificare schemi sospetti e comportamenti anomali.
Il RegTech si divide in tre macro-aree:
- MonitorTech ,il quale si occupa di sorvegliare continuamente le attività finanziarie per garantire che siano conformi alle normative vigenti.
- LegalTech,ilqualesioccupadigarantirecheleistituzionifinanziarierispettino tutte le normative legali applicabili.
- ReportTech, il quale riguarda la raccolta, l’analisi e la segnalazione di informazioni rilevanti per le autorità di regolamentazione.
In particolare poi, una funzione chiave del ReportTech riguarda l’Anti-Money Laundering (AML), cioè l’identificazione di eventi anomali come il riciclaggio di denaro o le frodi, che devono essere riportati alle autorità competenti come il FATF-GAFI.
AML tramite Community Detection nell’analisi del rischio
L’analisi antiriciclaggio (AML) tramite Community Detection per l’analisi del rischio sfrutta tecniche avanzate di data science per individuare e monitorare reti di relazioni sospette all’interno dei dati finanziari.
All’interno di un network composto da utenti, gli algoritmi di community detection si occupano di identificare gruppi di utenti particolarmente collegati tra loro. Sia G =< V, E > un grafo diretto, dove V è l’insieme degli utenti e E è l’insieme degli archi tra coppie di nodi (i, j) con i, j ∈ V . All’interno di G, è possibile identificare delle componenti fortemente connesse, ossia gruppi di nodi in cui esiste un cammino per ogni coppia di nodi all’interno della stessa comunità.
Nell’ambito AML, gli approcci basati su community detection si concentrano nell’identificare gruppi di utenti che mostrano comportamenti insoliti o sospetti. Questi comportamenti possono essere evidenziati analizzando le loro interazioni sociali e finanziarie.
Più formalmente, la rete di soggetti può essere modellata tramite un grafo diretto, composto da nodi e archi. I nodi rappresentano i soggetti, mentre gli archi rappresentano dei collegamenti semantici fra soggetti. In particolare, nell’approccio presentato, gli archi possono essere di due tipologie:
- Sociali, i quali rappresentano soggetti cointestatari di uno stesso conto bancario, titolare-delegato, titolare-cliente e così via;
- Finanziari, i quali rappresentano transazioni finanziarie tra due soggetti.
Combinando le tecniche di community detection con i motif temporali, si riescono ad identificare gruppi di soggetti che agiscono in modi insoliti o non conformi al comportamento atteso. In particolare, i motif temporali sono pattern di interazioni tra utenti che si ripetono nel tempo. Ad esempio, potremmo osservare che un gruppo di utenti si scambia denaro regolarmente ogni mese.
Sorgenti di dati esterni a quelle bancarie possono poi fornire ulteriori indizi su soggetti potenzialmente sospetti. L’integrazione per esempio di liste di persone politicamente esposte o paesi a rischio, possono risultare fondamentali nella caratterizzazione di gruppi di soggetti identificati come potenzialmente sospetti.
Vantaggi
Il sopracitato approccio per l’analisi del rischio presenta un vantaggio notevole rispetto alle metodologie classiche.
In particolare, i punti principali della strategia sono due:
- i soggetti sono collegati tramite archi eterogenei: archi sociali e finanziari;
- i soggetti vengono aggregati in gruppi sfruttando tecniche di community detection;
- le comunità vengono analizzate utilizzando i motif temporali.
Nel contesto AML, gli approcci che classicamente si utilizzano sfruttano soglie predefinite per identificare flussi anomali. Questi approcci, però, si concentrano su singoli o coppie di soggetti, e, nel caso dell’esempio sopracitato, non si riuscirebbe a cogliere il ciclo di denaro. Al contrario, utilizzando un algoritmo che tiene in considerazione le relazioni (sia sociali che finanziarie) fra soggetti, tramite le sopra citate componenti, si riesce ad avere una visione d’insieme, invece di focalizzarsi sui singoli soggetti.
| NDG/Rapporto | Comune | Indirizzo | SAE | Ateco | SSE |
| 00000000 | Salerno | Via XXX 11 | 430 | 421 | 412 |
| 00000001 | – | – | – | – | – |
| 00000002 | – | – | – | – | – |
| 00000003 | – | – | – | – | – |
| 00000004 | Salerno | Via XXX 11 | 600 | – | 600 |
| 00000005 | Salerno | Via XXX 11 | 600 | – | 600 |
| 00000006 | – | – | – | – | – |
SAE = ”Sottogruppo Attività Economica”, SSE = ”Settorizzazione Sintetica Economica”.
| Soggetto 1 | Soggetto 2 | Tipo Relazione |
| 000000004 | 000000005 | cointestatario |
| 000000004 | 000000000 | delega |
| 000000004 | 000000000 | titolare effettivo |
| 000000005 | 000000004 | cointestatario |
| 000000000 | 000000004 | delega |
| 000000000 | 000000004 | titolare effettivo |
Caso Applicativo
Gli algoritmi di community detection rappresentano un’innovazione cruciale nell’AML, consentendo di identificare comportamenti anomali analizzando le interazioni degli utenti. In Revelis è stato implementato tale approccio all’interno della piattaforma Moneying, proponendo, insieme alle altre soluzioni AML già presenti sulla piattaforma, una prospettiva più ampia su transazioni potenzialmente pericolose. Queste tecnologie possono rendere il settore finanziario più sicuro e resiliente, migliorando la capacità di prevenire attività illegali e garantire la conformità normativa.
Grazie alla procedura precedentemente descritta è possibile generare dei report per ogni comunità sospetta identificata. Un esempio di comunità è presentato nelle Tabelle 1, 2 e 3. In particolare, l’algoritmo identifica la comunità composta dai soggetti descritti nella Tabella 1. Nella Tabella 2 sono elencati gli archi sociali tra i soggetti della comunità e, infine, nella Tabella 3 sono descritti gli archi finanziari, caratterizzati dalla data di esecuzione, dalla causale analitica e dall’ammontare di denaro.
I report così predisposti permettono all’esperto di dominio, il quale dovrà poi prendere la decisione finale, di avere una visione analitica della comunità. In particolare, è possibile notare come ci siano dei cicli di denaro tra i soggetti della comunità, si guardi per esempio ai soggetti ”000000000” e ”000000006”. Nell’esempio presentato sono stati mascherati alcuni dati per preservare la privacy dei soggetti in questione.
| Soggetto 1 | Soggetto 2 | Data | Causale Analitica | Ammontare |
| 000000000 | 000000006 | 2022-07-20 | 26 | 5,500 |
| 000000000 | 000000006 | 2022-07-21 | 26 | 10000,00 |
| 000000006 | 000000000 | 2022-07-25 | 48 | 14635,13 |
| 000000006 | 000000000 | 2022-07-25 | 48 | 15000,00 |
| 000000000 | 000000002 | 2022-09-01 | 26 | 10000,00 |
| 000000000 | 000000002 | 2022-09-01 | 26 | 17500,00 |
| 000000000 | 000000001 | 2022-09-06 | 26 | 10000,00 |
| 000000001 | 000000000 | 2022-09-12 | 48 | 14550,00 |
| 000000002 | 000000000 | 2022-09-12 | 48 | 18367,88 |
| 000000000 | 000000003 | 2022-09-19 | 26 | 11000,00 |
| 000000003 | 000000000 | 2022-09-23 | 48 | 32147,63 |
| 000000006 | 000000000 | 2022-09-27 | 48 | 13417,62 |
| 000000006 | 000000000 | 2022-09-27 | 48 | 15000,00 |
Autore: Simone Mungari
