Machine Learning Baseado na Combinação de Fatores Heurísticos e Racionais no Auxílio da Prevenção à Lavagem de Dinheiro

Abstract

A lavagem de dinheiro representa desafios significativos para a estabilidade econômica global, exigindo que instituições financeiras adotem métodos mais eficazes de detecção desses atos ilícitos. Este estudo propõe uma abordagem com uso modelo de Machine Learning (ML) Random Forest que combina fatores heurísticos (regras de bolso dos especialistas) e fatores racionais (regras duras das instituições financeiras) para aprimorar a identificação de transações suspeitas e reduzir o índice de falsos positivos. Utilizando um método misto sequencial, a fase qualitativa identificou fatores heurísticos por meio de entrevistas com especialistas em PLD, enquanto a fase quantitativa integrou esses fatores a modelos de ML, combinando-os com regras duras previamente testadas. Os resultados de aplicação de modelos demonstraram que a abordagem híbrida foi eficaz em detectar os casos de falsos positivos, o que reduziu em 24% a quantidade de falso positivo e melhorou o processo operacional de detecção de risco. Dessa forma, o estudo contribui tanto para a teoria, ao integrar abordagens qualitativas e quantitativas na detecção de crimes financeiros, quanto para a prática, ao oferecer um modelo mais eficiente para instituições financeiras, permitindo maior precisão na geração de alertas e otimização dos processos de monitoramento.Money laundering poses significant challenges to global economic stability, requiring financial institutions to adopt more effective detection methods. This study proposes a Machine Learning (ML) approach using the Random Forest algorithm, which integrates heuristic factors (experts' tacit rules) and rational factors (institutional hard rules) to enhance the identification of suspicious transactions and reduce false positives. Adopting a sequential mixed-methods design, the qualitative phase identified heuristic elements through interviews with AML specialists, while the quantitative phase incorporated these elements into ML models alongside validated hard rules. The results demonstrated that the hybrid approach was effective in reducing false positives by 24% and improving the operational risk detection process. Thus, this study contributes to theory by integrating qualitative and quantitative strategies in financial crime detection, and to practice by offering a more efficient model for financial institutions, enhancing alert precision and optimizing monitoring procedures.