Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Развитие механизма финансового мониторинга в банковской системе. Монография
.pdf
ний, соответствующих определенным месяцам в году. Количество
∑
=
−
p
k
kk
dy
1
2
)(
нейронов скрытого слоя – 24. Количество нейронов выходного
слоя – 12. Значения нейронов выходного слоя соответствуют значениям результата прогноза.
Алгоритм работы нейронной сети обратного распространения
предполагает обучение с учителем, т. е. для каждого входного
вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. На основании известных значений объема снятия наличных денежных
средств за каждый месяц последних 5 лет формируются 4 обучающие пары. Предъявляется выходной вектор, вычисляется выход
сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса
изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки, и веса подстраиваются
для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня.
Коэффициент скорости обучения – 0,7. Множитель, уменьшающий коэффициент скорости обучения – 1. При обучении сети
основной задачей является минимизация целевой функции ошибки, которая находится по методу наименьших квадратов:
e (w,v) = 0,5
– полученное значение k-го выхода сети при подаче на нее од-
где y
k
ного из входных образов обучающей выборки; d
, (3.4)
– требуемое значе-
k
ние k-го выхода для данного образа; w – матрица весовых коэффици-
ентов от входов к скрытому слою; v – матрица весовых коэффициентов от скрытого к выходному слою; p – количество выходов.
Процесс обучения нейронной сети для получения прогноза
состоит из нескольких этапов.
На первом этапе производится инициализация сети. Весовым
коэффициентам присваиваются малые значения. Далее задаются:
- параметр точности обучения e, значение которого должно
быть меньше значения целевой функции ошибки (в программе
e = 0,000000001);
- параметр скорости обучения (0,7);
71
- значение множителя, уменьшающего коэффициент обучения
1
*
n
ii
i
xw
=
∑
1nn
ij ij
ij
e
ww
w
α
+
∂
= −
∂
1nn
jk jk
jk
e
vv
v
α
+
∂
= −
∂
сети (1);
- максимально допустимое число циклов обучения (50 000).
На втором этапе на вход сети подается один из обучающих
образов и вычисляются значения выхода сети. Значение выходного нейрона в методе обратного распространения обычно производится с помощью сигмоидальной функции:
y = 1 / (1+e
-s
), (3.5)
где s – взвешенная сумма входов сети.
S =
, (3.6)
где x – входной вектор; w – матрица весовых коэффициентов.
Так как область значений сигмоидальной функции лежит в
диапазоне (0,1), входные значения объема снятия наличных денежных средств умножаются на 0,000001. Значение выходного нейрона
также умножается на 1 000 000.
На третьем этапе производится проверка значения выхода.
Если значение y соответствует известному значению выходного
образа обучающей выборки и целевая функция ошибки e не превышает допустимое значение e или произведено максимальное
число циклов обучения, то обучение завершается.
Если обучение не завершено, на четвертом этапе происходит модификация весовых коэффициентов w и v по следующим
формулам в соответствии с оптимизационным методом градиентного спуска
, (3.7)
, (3.8)
где α – параметр, определяющий скорость обучения.
Весовые коэффициенты, полученные в ходе обучения, используются для вычисления прогнозного значения объема снятия
наличных денежных средств на следующий период.
Итак, для того чтобы рассчитать прогнозные значения объема
снятия наличных денежных средств в программном комплексе
«Прогнозирование» необходимо произвести следующие действия.
72
1. Во вкладке «Обучить сеть» выбрать прогнозируемый кассовый символ снятия наличных денежных средств и задать необходимые параметры для обучения (они могут быть различными).
Мы использовали в своей работе вышеперечисленные. После чего
нажать на кнопку «Обучить» (рис. 3.2).
ис. 3.2. Первый этап практического применения
Р
метода прогнозирования объема снятия наличных денежных средств
на основе технологии нейронных сетей
2. После того как сеть обучится и ошибка будет минимальна,
переходим во вкладку «Прогноз» и нажимаем на кнопку «Рассчитать прогноз» (рис. 3.3).
После чего будут рассчитаны прогнозные значения на каждый месяц 2014 года. На рис. 3.3 они обведены овалом. В данном
программном комплексе можно проследить динамику снятия
наличных денежных средств при помощи графика, который автоматически строится после расчета прогнозных значений.
Как уже было указано, наибольший интерес для Банка России
и его территориальных учреждений при проверке кредитных организаций на соблюдение «противолегализационного» законодательства и нормативных актов Банка России в части проведения сомнительных операций вызывают операции по снятию наличных де-
73
нежных средств по следующим кассовым символам: 46 – «Выдачи
2014
наличных денежных средств на закупку сельскохозяйственных
продуктов», 53 – «Выдачи наличных денежных средств на прочие
цели»; 58 – «Выдачи денежных средств со счетов индивидуальных
предпринимателей». Поэтому мы рассчитывали прогнозные значения именно по данным кассовым символам.
Рис. 3.3. Порядок расчета прогнозных значений объемов снятия
наличных денежных средств со счетов клиентов кредитной организации
в программном комплексе «Прогнозирование»
Как известно, любой аналитик сталкивается с проблемой решения сложных задач в условиях конфиденциальности данных
исследуемой области, поэтому прогнозные значения строились
исходя из одного известного параметра – объема снятия наличных
денежных средств за каждый месяц 5 последних лет. Что, конечно
же, может повлиять на качество прогноза.
Для анализа мы использовали одну из региональных кредитных организаций Ставропольского края.
Перед тем как рассчитывать прогнозные значения, а именно
объем снятия наличных денежных средств в 2014 году, мы проанализировали объем снятия наличных денежных средств за предыдущие 5 лет (рис. 3.4–3.6).
74
Рис. 3.4. Динамика снятия наличных денежных средств
по 46 кассовому символу
в помесячной разбивке с 2009 по 2013 гг., тыс. руб.
Рисунок 3.5. Динамика снятия наличных денежных средств
по 53 кассовому символу
в помесячной разбивке с 2009 по 2013 гг., тыс. руб.
75
Рис. 3.6. Динамика снятия наличных денежных средств
по 58 кассовому символу
в помесячной разбивке с 2009 по 2013 гг., тыс. руб.
По всем трем исследуемым кассовым символам явно выражена сезонность снятия наличных денежных средств со счетов, открытых клиентами в кредитной организации.
Поэтому при осуществлении расчета прогнозных значений
данный фактор был учтен.
Рис. 3.7. Прогноз объема снятия наличных денежных средств
по 46 кассовому символу в 2014 году, тыс. руб.
76
Рис. 3.8. Прогноз объема снятия наличных денежных средств
по 53 кассовому символу в 2014 году, тыс. руб.
Рис. 3.9. Прогноз объема снятия наличных денежных средств
по 58 кассовому символу в 2014 году, тыс. руб.
Так, в 2014 году ожидается уменьшение выдач наличных денежных средств на закупку сельскохозяйственных продуктов
(кассовый символ 46) по сравнению с 2013 годом на 19,6 %.
Предположительно вырастут выдачи в апреле и июле по сравнению с предыдущим месяцем 2013 года и соответствующими месяцами 2014 года.
77
В 2014 году роста выдач наличных денежных средств юридическим лицам на другие (прочие) цели (кассовый символ 53) не произойдет, но в июле прослеживается незначительный рост выдач
наличных денежных средств из кассы кредитной организации
по сравнению с предыдущими месяцами 2014 года и соответствующими месяцами предыдущего года.
В прогнозируемом периоде ожидается уменьшение выдач
наличных денег со счетов индивидуальных предпринимателей
(кассовый символ 58) по сравнению с 2013 годом на 10,3 %.
По итогам проведенного анализа можно сделать вывод: по
всем исследуемым кассовым символам в 2014 году произойдет
уменьшение снятия наличных денежных средств. Только по двум
кассовым символам (46 и 58) в июле 2014 наблюдается увеличение снятия наличных денежных средств со счетов, что может послужить причиной включения данной кредитной организации
в план инспекционных проверок территориального учреждения
Банка России (Отделение по Ставропольскому краю Южного
главного управления Центрального банка Российской Федерации)
в целях выявления сомнительных операций в части систематического снятия наличных денежных средств в крупных объемах.
С помощью программного комплекса «Прогнозирование»,
функционирующего на основе алгоритма работы нейронной сети
обратного распространения, нами осуществлен расчет прогнозных
значений объема снятия наличных денежных средств со счетов
клиентов, который способствует совершенствованию контроля и
своевременному выявлению сомнительных операций, проводимых в основных субъектах финансового мониторинга.
Данная методика прогноза может быть полезна самим кредитным организациям для предвидения динамики оттока денежных средств со счетов и выявления в деятельности своих клиентов
сомнительных операций. Ее применение позволит кредитным организациям выявить тех клиентов, у которых предвидится высокое (80 % и более) отношение объема снятых наличных денежных
средств к оборотам по счетам, что может вызвать повышенное
внимание к ним.
Прогнозирование объема снятия наличных денежных средств
относится к методам дистанционного контроля, используемым
Банком России (его территориальными учреждениями) в целях
78
совершенствования своих надзорных функций в области финансового мониторинга, что в последствии может сыграть важную роль
при инспекционных проверках, совершаемых надзорным органом на
основе данных, полученных при дистанционном надзоре.
Комплекс мер по противодействию «обналичиванию»
3.2.
денежных средств и пресечению сомнительных операций
в кредитных организациях
Известно, что передовые системы ПОД/ФТ способствуют
снижению затрат, расходов в масштабах всей экономики на проведение работы в области ПОД/ФТ за счет достижения максимально полного совмещения, гармонии интересов банковского
сектора с интересами государства. Акцент делается на том, чтобы
кредитные организации самостоятельно и в собственных интересах выстраивали систему внутреннего контроля, нацеленную на
управление рисками, связанными с обслуживанием клиентов,
а также знали своих клиентов и понимали экономическую природу их бизнеса; отказывались от обслуживания клиентов с сомнительной репутацией и непрозрачной моделью бизнеса [100].
Основным направлением борьбы с легализацией (отмыванием) денежных средств, полученных незаконным путем, должна
стать системность самого противодействия. Это прежде всего
означает, что взаимосвязанные и правильно скоординированные
усилия ориентированы на основных потребителей услуг по отмыванию «грязных» денег, в их числе: террористические группы,
наркобизнес, отрасли незаконной экономики, скрытой экономики,
коррупции и т. д.
Выделим основные, на наш взгляд, направления модификации системы ПОД/ФТ:
- совершенствование законодательно-нормативной базы;
- эффективное взаимодействие между органами, осуществля-
ющими контроль в области противодействия (отмывания) незаконных доходов;
- осуществление противодействия «обналичиванию» денеж-
ных средств;
- методическое и кадровое обеспечение борьбы с легализаци-
ей (отмыванием) незаконных доходов;
- усовершенствование информационно-технической базы.
79
Как известно, одним из наиболее распространенных видов сомнительных операций является перевод безналичных недобросовестно полученных денежных средств в наличную форму, так называемое «обналичивание». Являясь способом постоянной подпитки
теневой экономики, перевод денежных средств из безналичной формы в наличную преследует самые различные цели – от уклонения от
уплаты налогов до коррупционных и криминальных целей.
Поэтому необходимо совершенствовать меры по противодействию «обналичиванию» денежных средств.
Приведем общие признаки, присущие операциям по «обналичиванию» денежных средств, которые необходимо учитывать при мониторинге операций, совершаемых клиентами кредитных организаций:
– объемы данных операций не соответствуют масштабам деятельности клиентов (например, объем операций несоизмерим с
минимальной штатной численностью организации);
– операции по «обналичиванию» денежных средств состав-
ляют значительную долю в общем дебетовом обороте по счетам
клиентов;
– отсутствие платежей, связанных с хозяйственной деятельностью (в том числе с выплатой заработной платы, уплатой налогов и арендных платежей, при наличии в юридическом деле договора аренды);
– однонаправленность платежей;
– операции осуществляются на ежедневной основе;
– суммы наличных денежных средств, снимаемых клиентами
со счетов, практически равняются суммам безналичных поступлений на расчетные счета;
– наличные денежные средства снимаются клиентами – юридическими лицами, как правило, по следующим кассовым символам: на закупку сельскохозяйственных продуктов (символ 46);
прочие выдачи (символ 53); на операции с государственными и
другими ценными бумагами (за исключением векселей) (символ
60); выдачи на операции с векселями (символ 61);
– случайные платежи;
– несоответствие назначений платежей основным видам дея-
тельности клиентов, указанных в выписке Единого государственного реестра юридических лиц.
80
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]