Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Развитие механизма финансового мониторинга в банковской системе. Монография
.pdf
более сложным и потому дорогим. К тому же, если организовать
ООО
СБС»
КБ
таль» ООО
ОАО
банк»
0,3 %, минимум 100 руб.
за каждую операцию
0,3 %, минимум 100 руб.
42:
0,5 %
До 1 200 000 руб.
1%, минимум 100 руб.
Свыше 1 200 000 руб.
до 1 500 000 руб.
1,5 %
Свыше 1 500 000 руб.
до 2 000 000 руб.
2,5 %
Свыше 2 000 000 руб.
до 3 000 000 руб.
3,5 %
Свыше 3 000 000 руб.
до 5 000 000 руб.
6,5 %
Свыше 5 000 000 руб.
до 7 000 000 руб.
8,5 %
Свыше 7 000 000 руб.
10 %
более тщательный контроль за расходованием снятых наличных
денежных средств, то злоумышленникам придется более тщательно маскировать свою деятельность, что приведет к росту стоимости наличных денег.
При анализе тарифов по снятию наличных денежных средств
в разрезе символов (таблица 2.5) становится очевидным, что в
ОАО «Ставропольпромстройбанк» отмечен наибольший удельный вес снятия наличных денежных средств среди основных
субъектов финансового мониторинга Ставропольского края: тарифы в этом банке наиболее консервативные.
Таблица 2.5
Тарифы на услуги, предоставляемые основными субъектами
финансового мониторинга Ставропольского края
юридическим лицам и индивидуальным предпринимателям
по кассовым операциям, действующие с 01.01.2014 г.
в разбивке по символам
Стоимость услуги по кредитным организациям
Кассовый
символ
40
41
«РУ-
0,5 % 0,5 %
0,5 %
«Континен-
61
«Ставропольпромстрой-
за каждую операцию
Продолжение таблицы 2.5
46:
До 300 000 руб.
1 %
От 300 001 руб.
до 600 000 руб.
1,5 %
От 600 001 руб.
до 1 000 000 руб.
2,5 %
От 1 000 001 руб.
до 5 000 000 руб.
5 %
1,5 %, минимум 100 руб.
в день
Свыше 1 200 000 руб.
до 1 500 000 руб.
2 % от суммы, но не более
200 000 руб. в один день
Свыше 1 500 000 руб.
до 2 000 000 руб.
3 % от суммы, но не более
200 000 руб. в один день
Свыше 2 000 000 руб.
до 3 000 000 руб.
4 % от суммы, но не более
200 000 руб. в день
Свыше 3 000 000 руб.
до 5 000 000 руб.
Свыше 5 000 000 руб.
до 7 000 000 руб.
Свыше 5 000 000 руб.
10 %
Свыше 7 000 000 руб.
12 %
53:
До 300 000 руб.
2 %
1 %
От 300 001 руб.
до 600 000 руб.
2 %
1,5 %
От 600 001 руб.
до 1 000 000 руб.
2 %
2,5 %
От 1 000 001 руб.
до 5 000 000 руб.
2 %
5 %
1,5 %, минимум 100 руб.
в день
Свыше 1 200 000 руб.
до 1 500 000 руб.
2 % от суммы, но не более
200 000 руб. в один день
Свыше 1 500 000 руб.
до 2 000 000 руб.
3 % от суммы, но не более
200 000 руб. в один день
Свыше 2 000 000 руб.
до 3 000 000 руб.
4 % от суммы, но не
более 200 000 руб. в день
Свыше 3 000 000 руб.
10 %
До 1 200 000 руб.
До 1 200 000 руб.
за каждую операцию,
но не более 200 000 руб.
6,5 %
8,5 %
за каждую операцию,
но не более 200 000 руб.
62
Свыше 3 000 000 руб.
до 5 000 000 руб.
Свыше 5 000 000 руб.
до 7 000 000 руб.
Свыше 5 000 000 руб.
10 %
Свыше 7 000 000 руб.
12 %
58:
До 300 000 руб.
1 %
От 300 001 руб.
до 600 000 руб.
1,5 %
От 600 001 руб.
до 1 000 000 руб.
2 % 2,5 %
От 1 000 001 руб.
до 5 000 000 руб.
До 1 200 000 руб.
1,5 %, минимум 100 руб.
в день
Свыше 1 200 000 руб.
до 1 500 000 руб.
2 % от суммы, но не более
200 000 руб. в один день
Свыше 1500000 руб.
до 2000000 руб.
3 % от суммы, но не более
200 000 руб. в один день
Свыше 2 000 000 руб.
до 3 000 000 руб.
4 % от суммы, но не более
200 000 руб. в день
Свыше 3 000 000 руб.
10 %
Свыше 3 000 000 руб.
до 5 000 000 руб.
Свыше 5 000 000 руб.
до 7 000 000 руб.
Свыше 5 000 000 руб.
10 %
Свыше 7 000 000 руб.
12 %
2 % 5%
Продолжение таблицы 2.5
6,5 %
8,5 %
за каждую операцию,
но не более 200 000 руб.
6,5 %
Полагаем необходимым пересмотреть тарифы по операциям
«обналичивания» денежных средств, повысив их по снятию
наличных денежных средств как минимум до 15 %. Кроме того,
следует активизировать безналичную форму расчетов.
Очевидно, что схемы по «обналичиванию» денежных средств
наглядно говорят о том, что проводимые операции в кредитных
организациях замаскированы под легальные и зачастую вызывают
сомнения, но для их пресечения необходим механизм достоверного выявления сомнительных операций.
8,5 %
63
На основании изложенного кредитные организации, в том числе
и субъекты финансового мониторинга Ставропольского края, находятся в сфере повышенного внимания со стороны надзорного органа,
результатом которого является ужесточение требований к выполнению законодательно-нормативных актов Банка России в части проведения сомнительных операций, обнаружение и пресечение вовлечения кредитных организаций в сомнительные схемы по «обналичиванию» денежных средств.
Поэтому эффективное взаимодействие надзорного органа с
кредитными организациями поможет вовремя выявлять сомнительных клиентов и противостоять недопущению «грязных» денег
в легальный оборот.
Кроме того, следует добавить, что банковская система является привлекательной для нелегального проведения сделок, так как
в ней сосредоточено значительное количество денежных средств
и наблюдается разнообразие проводимых операций. Поэтому,
очевидно, что именно кредитные организации вовлечены в преступный незаконный бизнес и зачастую используются для легализации доходов, полученных преступным путем.
В этой связи одной из основных задач развития и совершенствования банковского сектора Российской Федерации является
качественный надзор за деятельностью кредитных организаций в
сфере ПОД/ФТ и своевременное выявление и пресечение сомнительных операций, проводимых в основных субъектах финансового мониторинга.
64
3. СОВЕРШЕНСТВОВАНИЕ ДЕЯТЕЛЬНОСТИ
БАНКА РОССИИ И КРЕДИТНЫХ ОРГАНИЗАЦИЙ
В ОБЛАСТИ ПРОТИВОДЕЙСТВИЯ ЛЕГАЛИЗАЦИИ
(ОТМЫВАНИЮ) ДОХОДОВ, ПОЛУЧЕННЫХ
ПРЕСТУПНЫМ ПУТЕМ,
И ФИНАНСИРОВАНИЮ ТЕРРОРИЗМА
3.1. Прогнозирование объемов снятия наличных
денежных средств со счетов клиентов как превентивное
направление в деятельности надзорного органа
и кредитных организаций в области
финансового мониторинга
Математические методы и модели применяются в банковском
бизнесе чрезвычайно широко, пронизывая все стороны деятельности
кредитной организации. В первую очередь это собственно управление организацией и финансово-экономическими показателями ее
функционирования (включая планирование и прогнозирование, основную коммерческую деятельность, маркетинг, мониторинг, контроллинг, риск-менеджмент) [63].
Как известно, вопрос определения будущего был и остается актуальным. Особое значимо прогнозирование в таких областях, как
индустрия, экономика, коммерция (прогнозирование экономических
показателей, динамики цен на тот или иной продукт, курса акций,
валют на какое-то время вперед и т. д.) [114].
Прогнозирование – метод вероятностного планирования,
в котором предсказание будущего опирается на накопленный опыт и
текущие предположения относительно будущего [48]. Модель прогнозирования – модель объекта прогнозирования, исследование которой позволяет получить информацию о возможных состояниях
объекта прогнозирования в будущем и (или) путях и сроках их осуществления [110].
Наряду с традиционными методами прогнозирования в последнее время наблюдается повышенный интерес к технологии
нейронных сетей, которые успешно применяются в самых различных областях: бизнесе, науке и технике.
Способности нейронной сети к прогнозированию напрямую
следуют из ее способности к обобщению и выделению скрытых
зависимостей между входными и выходными данными. После
65
обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и
(или) каких-то существующих в настоящий момент факторов.
Следует отметить, что прогнозирование возможно только тогда,
когда предыдущие изменения действительно в какой-то степени
предопределяют будущие. Например, прогнозирование котировок
акций на основе котировок за прошлую неделю может оказаться
успешным (а может и не оказаться), тогда как прогнозирование
результатов завтрашней лотереи на основе данных за последние
50 лет почти наверняка не даст никаких результатов [110].
Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления, потому как
нейронные сети – мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости, а также они учатся
на примерах – пользователь нейронной сети подбирает данные,
а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных.
Под нейронными сетями подразумеваются вычислительные
структуры, которые моделируют простые биологические процессы,
обычно ассоциируемые с процессами человеческого мозга. Они
представляют собой распределенные и параллельные системы, способные к адаптивному обучению путем анализа положительных и
отрицательных воздействий. Элементарным преобразователем
в данных сетях является искусственный нейрон или просто нейрон,
названный так по аналогии с биологическим прототипом [77].
Каждый нейрон характеризуется своим текущим состоянием. Он
обладает группой синапсов – однонаправленных входных связей, со-
единенных с выходами других нейронов, а также имеет аксон – вы-
ходную связь данного нейрона, с которой сигнал (возбуждения или
торможения) поступает на синапсы следующих нейронов (рис. 3.1).
Искусственный нейрон в первом приближении имитирует свойства биологического нейрона. Здесь множество входных сигналов,
обозначенных х
, х2, ..., х
1
, поступают на искусственный нейрон. Эти
n
входные сигналы, в совокупности обозначаемые вектором Х, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый синапс характеризуется величиной синапcической связи
или ее весом w
.
i
66
Рис. 3.1. Модель искусственного нейрона
∑
=ni 1
Каждый сигнал умножается на соответствующий вес w1,w2,...,wn,
и поступает на суммирующий блок. Множество весов в совокупности обозначаются вектором W. Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы
алгебраически, создавая величину S. Таким образом, текущее состояние нейрона определяется как взвешенная сумма его входов:
S =
xi * w
i
(3.1)
Выход нейрона есть функция его состояния
y = f(s),
где f – активационная функция, моделирующая нелинейную передаточную характеристику биологического нейрона и представляющая нейронной сети большие возможности.
Самыми распространенными активационными функциями
являются пороговая и сигмоидальная функции, они наиболее приближены к биологическому аналогу.
Пороговая функция ограничивает активность нейрона значениями 0 или 1 в зависимости от величины комбинированного
входа s. Как правило, входные значения в этом случае также используются бинарные: хi Є {0,1}. Чаще всего удобнее вычесть
67
пороговое значение Θ (называемое смещением) из величины ком-
∑
=ni 1
≥〈.0,1
;0,0ss
∑
=ni 1
бинированного входа и рассмотреть пороговую функцию в математически эквивалентной форме
S = w
Здесь w = −Θ – величина смещения, взятая с противоположным знаком. Смещение обычно интерпретируется как связь, исходящая от элемента, значение которого всегда равно 1. Комбинированный вход тогда можно представить в виде
всегда считается равным 1
где x
0
Логистическая функция, или сигмоид, f (s) = 1 / (1 + e
непрерывно заполняет своими значениями диапазон от 0 до 1.
При уменьшении а сигмоид становится более пологим, в пределе
при а = 0 вырождаясь в горизонтальную линию на уровне 0,5, при
увеличении а сигмоид приближается к виду функции единичного
скачка с порогом 0. Следует отметить, что сигмоидальная функция дифференцируема на всей оси абсцисс, что используется
в некоторых алгоритмах обучения. Кроме того, она обладает
свойством усиливать слабые сигналы и предотвращает насыщение
от больших сигналов, так как они соответствуют областям аргументов, где сигмоид имеет пологий наклон [101].
Многие зарубежные банки уже давно применяют технологию
нейронных сетей в своей деятельности. Так, например, крупный
канадский банк CIBC для управления рисками и идентификации
злоумышленников использует программу, с помощью которой
специалисты банка могут выяснить, кто из их клиентов в будущем
будет с высокой долей вероятности задерживать выплаты по закладным. Сначала предполагалось, что в первую очередь ими
окажутся те, кто и прежде задерживал свои выплаты на несколько
дней. Однако исследования показали, что в будущем проблемы
с платежами возникнут у тех клиентов банка, которые на фоне
регулярных выплат иногда якобы забывали заплатить. Как выяснилось, подобная «забывчивость» была связана с серьезными финансовыми трудностями [71].
+
0
S =
xi +wi, f (s) =
xi * wi , (3.3)
(3.2)
–as
)
68
Напомним, что все кредитные организации, как мелкие, так и
крупные, являясь частью банковской системы, подлежат тщательному контролю со стороны государственных органов. Однако менее стабильные и надежные кредитные организации, как правило,
контролируются с еще большей скрупулезностью. Надзорные органы в данном случае требуют от таких кредитных организаций
дополнительных отчетов, отправляют большое количество запросов о тех или иных сведениях и т. д.
Как уже было отмечено, одной из особенностей легализации
доходов в Российской Федерации на сегодняшний день является
активное «обналичивание» денежных средств, полученных преступным путем. Тем самым Банк России (его территориальный
учреждения) в ходе осуществления надзорной деятельности постоянно проводит контроль за выдачей наличных денежных
средств со счетов, открытых в кредитных организациях как в рамках дистанционного контроля – кредитные организации предоставляют ежемесячную отчетность (Отчет о наличном денежном
обороте), так и непосредственно при инспекционных проверках.
Подробнее остановимся на проблеме «обналичивания» денежных средств и выявлению кредитных организаций, проводящих сомнительные операции, в том числе и по снятию наличных
денежных средств в крупных объемах,.
Так, в ходе дистанционного контроля за операциями по выдаче наличных денежных средств из касс кредитных организаций
Банк России на основании отчетности, поступающей от кредитных организаций, проводит соответствующий анализ и отслеживает деятельность кредитных организаций, проводящих сомнительные операции.
С помощью подобного анализа удается только выявить изменения за прошлые периоды, а вот предвидеть объем снятия
наличных денежных средств он не позволяет.
Поэтому в целях совершенствования надзорной функции, а
также взаимодействия Банка России с субъектами финансового
мониторинга в части выявления и пресечения деятельности, связанной с легализацией (отмыванием) денежных средств, предлагаем применить технологию нейронной сети в сфере финансового
мониторинга, в части осуществления расчета прогнозных значений объема снятия наличных денежных средств со счетов клиен-
69
тов кредитных организаций. Прогнозные значения позволят проследить тенденцию увеличения в той или иной кредитной организации частоты проведения операций по снятию наличных денежных средств, а также своевременно выявить сомнительные операции, проводимые субъектами финансового мониторинга.
Для Банка России (его территориальных учреждений) данная
методика прогноза может быть применена не только для выявления сомнительных операций в части «обналичивания» денежных
средств, проводимых кредитными организациями, но и стать сигналом для включения данной кредитной организации в план инспекционных (или внеплановых) проверок, что является важным
шагом в совершенствовании надзорной функции Банка России в
данной области.
Осуществлять прогнозирование будем в программном комплексе «Прогнозирование», функционирующем на основе алгоритма работы нейронной сети обратного распространения. Листинг программы приведен в приложении Г.
Задача прогноза состоит в следующем: даны N дискретных состояний системы (y(t
зная которые необходимо определить значение y(t
в момент t
+ 1.
n
), y(t2), …, y(tn)) в моменты времени t1, t2, … tn,
1
+ 1)
n
Нейронная сеть обратного распространения состоит из нескольких, связанных между собой слоев нейронов. Для расчета объема
снятия наличных денежных средств мы использовали двухслойную
нейронную сеть, имеющую скрытый и выходной слои.
Нейронная сеть обучается, чтобы для некоторого множества
входов давать требуемое (или, по крайней мере, сообразное с ним)
множество выходов. Каждое такое входное (или выходное) множество рассматривается как вектор. Обучение осуществляется путем
последовательного предъявления входных векторов с одновременной подстройкой весов в соответствии с определенной процедурой.
В процессе обучения веса сети постепенно становятся такими, чтобы
каждый входной вектор вырабатывал выходной вектор. Различают
алгоритмы обучения с учителем и без учителя [126].
На основе данных об объеме снятия наличных денежных
средств за каждый месяц последних пяти лет программа определяет прогнозные значения на следующий период. Количество
входов сети составляет 12, а именно: на вход подается 12 значе-
70
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]