Detekce praní špinavých peněz skrze právnické osoby
Autor(ka) práce:
Kalabis, Tomáš
Typ práce:
Diplomová práce
Vedoucí práce:
Karkošková, Soňa
Oponenti práce:
-
Jazyk práce:
Česky
Abstrakt:
Tato diplomová práce se zabývá návrhem a implementací systému pro detekci firem vykazujících znaky tzv. skořápkových společností na základě analýzy jejich transakčního chování. Cílem práce bylo vytvořit funkční, transparentní a modulárně koncipované řešení, které podpoří existující AML procesy v bankovním prostředí. Na základě rešerše byly identifikovány charakteristické vzorce chování typické pro skořápkové společnosti, které následně sloužily jako základ pro sestavení detekční logiky umožňující vyhodnocení rizikovosti finančních transakcí. Výsledné řešení bylo ověřeno na reálných datech a podrobeno validaci ve spolupráci s AML týmem klientské banky. Práce demonstruje, že kombinací explicitně definovaných pravidel, behaviorálních indikátorů a parametrizovatelné detekční logiky lze vytvořit prakticky aplikovatelný nástroj pro identifikaci transakčních vzorců typických pro účelově založené právnické osoby, a to bez nutnosti využití pokročilých modelů strojového učení.
This thesis deals with the design and implementation of a system for detecting shell companies based on the analysis of their transactional behavior. The aim of the work was to create a functional, transparent, and modular solution to support existing AML processes within a banking environment. Based on a literature review, characteristic behavioral patterns typical of shell companies were identified and subsequently used as the foundation for developing detection logic capable of evaluating the risk of financial transactions. The final solution was validated on real-world data in collaboration with the client bank's AML team. The thesis demonstrates that by combining explicitly defined rules, behavioral indicators, and a parameterizable detection logic, it is possible to build a practically applicable tool for identifying transaction patterns typical for shell entities, without the need to employ advanced machine learning models.