Money Laundering - Assessing the relationship between money laundering and probability of default, customer size and change in customer characteristics

Abstract

Denne artikkelen bruker et unikt datasett som inneholder kundeinformasjon fra en norsk bank, for å se etter nye faktorer som korrelerer med bankens eksisterende anti- hvitvaskingssystem (AML). Dette har ikke blitt forsket på tidligere så langt forfatterne kjenner til. Denne korrelasjonen er testet mot både flaggede og rapporterte kunder, noe som gjør det mulig å identifisere mulige forbedringspunkter. Hovedfaktorene som er studert er en kundes sannsynlighet for mislighold og kundens størrelse, og om den har hatt endringer i kundeforholdet i løpet av perioden. Datasettet som blir brukt er i tverrsnittsform. Dataene inneholder informasjon fra 8,538 kunder hvor 219 av disse er flagget og 64 er blitt rapportert. Logistisk regresjon blir brukt for å foreta analysen.

Resultatene viser at det ikke er noen sammenheng mellom sannsynlighet for mislighold og sannsynligheten for å bli rapportert. Hvis en kunde har hatt en endring i sannsynlighet for mislighold derimot, har dette en signifikant positiv korrelasjon med sannsynligheten for både å bli flagget og rapportert. Dette antyder at en inkludering av endring i sannsynlighet for mislighold kan forbedre bankens AML-system. Videre viser resultatene at dagens AML-system er størrelsesavhengig, det vil si at sannsynligheten for å bli flagget avhenger av en kundes størrelse. Dette er et viktig funn da det avdekker en svakhet i bankens nåværende AML-system. En stor endring i kundestørrelse, gir større sannsynlighet for å bli flagget eller rapportert. Endringen i kundestørrelse er dermed en faktor som kan forbedre bankens nåværende AML-system.

Det er viktig å påpeke originaliteten og unikheten til denne artikkelen. Datasettet som benyttes er sammensatt av kundeinformasjon som foreløpig ikke brukes i bankens nåværende AML-system. Så vidt forfatterne vet er denne typen data ikke blitt studert i sammenheng med anti-hvitvasking før. På grunn av problemene med datautvinning på dette feltet, er lignende tidligere forskning som kan kobles direkte til denne forskningen praktisk talt ikke-eksisterende. Denne forskningen anses derfor som et givende og spennende nytt bidrag til feltet AML.

This article use a unique data set containing customer information from a Norwegian bank, to look for new factors that correlates with the bank’s existing anti-money laundering (AML) system. To the authors’ knowledge, these factors have not been researched in context of causality in the AML-field before. The factors are tested against both flagged and reported customers, making it possible to identify possible points of improvement in the bank’s existing AML system. The main factors studied are a customer’s probability of default (PD), the customer’s size, and whether it has had any changes in characteristics during the period. The data set is in cross section form, containing administrative data on 8,538 corporate customers, of which 219 have been flagged and 64 have been reported. A binominal logit model has been used to look for causality.

The results show that there is no correlation between PD score and the probability of being reported. If a customer has had a change in PD score however, this increases the probability of both being flagged and reported. The results also show that the current AML system is size-dependent, meaning that the probability of being flagged depends on a customer’s size. This is an important finding as it uncovers a weakness in the bank’s current AML system. The greater the change in customer size, the greater the probability of being flagged or reported. Customer size, change in customer size, and change in PD score is therefore thought to increase efficiency if included in the bank’s current AML system.

It is important to point out the originality and uniqueness of this article. The data set used is composed of customer information that is currently not being used in the bank’s current AML system. To the authors’ knowledge, this kind of data has never been used to study causality in the AML-field before. Due to the problems with data extraction in this field, similar previous research that can be directly connected to this research is practically non existent. This research is therefore considered a rewarding and exciting new contribution to the field of AML.