dc.contributor.author |
Aguilar, Iván |
dc.contributor.author |
Jones, Rebecca |
dc.contributor.author |
Lovicu, Gian-Piero |
dc.date.accessioned |
2023-04-26T11:40:41Z |
dc.date.available |
2023-04-26T11:40:41Z |
dc.date.issued |
2022-05 |
dc.identifier.uri |
http://hdl.handle.net/10230/56570 |
dc.description |
Treball fi de màster de: Master's Degree in Data Science. Methodology Program. Curs 2021-2022 |
dc.description |
Tutor: Christian Brownlees |
dc.description.abstract |
Financial institutions are beginning to integrate cryptocurrencies into their payment systems but must ensure to comply with anti-money laundering regulations to avoid facilitating transactions linked to criminal activities. We propose a cryptocurrency risk detection model that could be used by these institutions. It is novel in two ways: firstly, it prioritises a high recall, and secondly, organises the transaction data in a different 'address-level' manner. We test different Graph Neural Network (GNN) models and find that the Graph Attention Network using our address-level data achieves a recall of 83%, an improvement on results achieved in previous literature. |
dc.description.abstract |
Las instituciones financieras están comenzando a integrar las criptomonedas en sus sistemas de pago, pero deben asegurarse de cumplir con las normas contra el lavado de dinero para evitar facilitar transacciones vinculadas a actividades delictivas. Proponemos un modelo de detección de riesgo en criptomonedas que podría ser utilizado por estas instituciones. Es novedoso de dos maneras: en primer lugar, prioriza un recall alto y también organiza los datos de la transacción en un formato a nivel ‘address’. Probamos diferentes modelos de Graph Neural Network (GNN) y encontramos que Graph Attention Network usando nuestros datos de nivel address logra un recall del 83%, una mejora en los resultados logrados en la literatura anterior. |
dc.description.abstract |
Les entitats financeres comencen a integrar criptomonedes als seus sistemes de pagament, però han de garantir el compliment de la normativa contra el blanqueig de capitals per evitar facilitar les transaccions vinculades a activitats delictives. Proposem un model de detecció de risc de criptomoneda que podrien utilitzar aquestes institucions. És nou de dues maneres: en primer lloc, prioritza un record elevat i també organitza les dades de la transacció d'una manera diferent de "nivell d'adreça". Provem diferents models de xarxa neuronal de gràfics (GNN) i trobem que la xarxa d'atenció gràfica utilitzant les nostres dades a nivell d'adreça aconsegueix un record del 83%, una millora dels resultats assolits en la literatura anterior. |
dc.format.mimetype |
application/pdf |
dc.language.iso |
eng |
dc.rights |
Atribución-NoComercial-SinDerivadas 3.0 España |
dc.rights.uri |
http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
dc.subject.other |
Treball de fi de màster – Curs 2021-2022 |
dc.title |
Risk detection in cryptocurrency markets: meeting the needs of traditional finance |
dc.type |
info:eu-repo/semantics/masterThesis |
dc.subject.keyword |
GNN |
dc.subject.keyword |
GAT |
dc.subject.keyword |
Cryptocurrency |
dc.subject.keyword |
Criptomoneda |
dc.rights.accessRights |
info:eu-repo/semantics/openAccess |