Uluslararası Bilgi ve İletişim Teknolojileri Dergisi'nde yayınlanan bir araştırma, makine öğrenimi araçlarının finansal dolandırıcılığı tespit etmek ve böylece bununla mücadele etmek için kullanılabileceğini öne sürüyor.

Ulusal Enerji Grubu Qinghai Electric Power Co. Ltd. bünyesindeki Finansal Ortak Merkezin İzleme ve Denetim Departmanından Weiyi Chen'e göre Xining, Çin'de finansal dolandırıcılık, özellikle düzenleyici sistemlerin hala tam olarak olgunlaşmadığı gelişmekte olan ekonomilerde sermaye piyasaları için sürekli bir zorluktur. Dolandırıcılar, geleneksel tespit yöntemlerini geride bırakmak için sofistike teknikler kullanmakta ve bu da yatırımcıları, yatırımların günlük risklerinin ötesinde potansiyel olarak yıkıcı risklere maruz bırakabilmektedir.

Chen'in çalışması, finansal veriler ile kurumsal raporlarda bulunan bilgiler arasındaki boşluğu doldurmak için makine öğrenimi ve derin öğrenmeyi birleştirerek dolandırıcılık tespitine yönelik umut verici yeni bir yaklaşım sunuyor.

Finansal dolandırıcılık uzun zamandır piyasaları etkilemekte, yatırım kararlarını bozmakta ve finansal sistemlere olan kamu güvenini zayıflatmaktadır. Manuel denetimler ve istatistiksel modeller bazı dolandırıcılık faaliyetlerini tespit edebilir, ancak dijital çağda giderek karmaşıklaşan dolandırıcılıkla karşı karşıya kaldıklarında yetersiz kalabilirler. Bu sorun özellikle Çin gibi finansal dolandırıcılığın yaygın olduğu ve düzenleyici yapıların dolandırıcılara ayak uyduramadığı gelişmekte olan piyasalarda daha da belirgin hale gelmektedir.

Makine öğrenimi, geniş veri kümelerini geleneksel yöntemlerden daha hızlı ve doğru bir şekilde analiz edebilir. Ancak, finansal verilerin doğrusal olmayan yönleriyle ve özellikle de sayısal bilgilerden ziyade metinsel bilgilerle mücadele etmektedir. Bu nedenle, derin öğrenmedeki ilerlemelerin uygulanması makine öğrenmesini destekleyebilir ve kurumsal raporlarda bulunan Yönetim Tartışması ve Analizi (MD&A) bölümü gibi nitel metinlerin, sorunlu kurumsal faaliyetlerin belirtilerini tespit edebilecek dolandırıcılık tespit algoritmaları tarafından “anlaşılmasını” sağlayabilir.

Chen'in çift katmanlı yaklaşımı, finansal veri analizi ve duygu analizini bir araya getiriyor. Çift yönlü uzun kısa süreli bellek (BiLSTM) ağlarının kullanımı, sistemin veri dizilerini yorumlamasına olanak tanırken, paralel bir ağ da evrişimli sinir ağı (CNN) kullanarak temel finansal göstergeleri iyileştiriyor. Duyarlılık ve finansal veriler arasındaki tutarsızlıklar daha sonra ortaya çıkarılabilir.

Testler, %98,52'lik bir “Eğri Altındaki Alan” ile %91,35'lik bir dolandırıcılık tespit doğruluğu göstermiştir. Chen'in sonuçlarına göre bu oran geleneksel sahtekarlık tespit yöntemlerini açık ara geride bırakıyor.