Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/47808
Arquivos associados a este item:
Arquivo TamanhoFormato 
HenriqueYassuyukiTsuboi_DISSERT.pdf1,07 MBAdobe PDFVisualizar/Abrir
Título: Identificação de atividades suspeitas de lavagem de dinheiro : abordagem com aprendizagem de máquina em carteiras na rede Ethereum
Autor(es): Tsuboi, Henrique Yassuyuki
Orientador(es): Menezes, Rafael Terra de
Assunto: Criptoativos
Lavagem de dinheiro
Aprendizagem de máquina
Data de publicação: 20-Fev-2024
Referência: TSUBOI, Henrique Yassuyuki. Identificação de atividades suspeitas de lavagem de dinheiro: abordagem com aprendizagem de máquina em carteiras na rede Ethereum. 2023. 51 f. Dissertação (Mestrado Profissional em Economia) — Universidade de Brasília, Brasília, 2023.
Resumo: Esse trabalho tem como objetivo investigar em que medida é possível identificar endereços de criptomoedas suspeitos de envolvimento com a prática da lavagem de dinheiro. A motivação da pesquisa tem por base e inspiração o aumento da utilização mundial da tecnologia blockchain e de criptomoedas como o Ethereum, chamando atenção para a sua utilização por parte de criminosos em práticas ilícitas, como a lavagem de dinheiro. A finalidade desta pesquisa é classificar endereços de criptomoedas como lícitos e ilícitos, por meio do emprego de técnicas de aprendizado de máquina. Neste trabalho foi adotado o modelo de machine learning conhecido por LightGBM, em busca de sinalizações que pudessem remeter a atividades suspeitas de lavagem de dinheiro. Os resultados apontam que o atributo mais influenciador na identificação de uma carteira ilícita foi o "Time_diff_between_ first_and_last_(Mins)", que indica a diferença de tempo entre a primeira e a última atividade da carteira, indicando um período curto de “vida” do endereço considerado ilícito, o que pode sugerir seu uso em práticas como “pooling accounts”, técnica de lavagem de dinheiro no qual é utilizada inúmeras transferências em contas de passagem, o que dificulta o rastreamento da origem dos valores. Acredita-se que o tema é atual e relevante, indo ao encontro de recentes inovações legislativas no mercado brasileiro de criptoativos. Ademais, a pesquisa se mostra relevante do ponto de vista prático e acadêmico, pois oferece percepções valiosas tanto para órgãos reguladores como para usuários, além de ajudar a desmistificar o uso das técnicas de máquina de aprendizagem em pesquisas acadêmicas no campo da ciência social.
Abstract: This study aims to investigate to what extent it is possible to identify addresses of cryptocurrencies suspected of being involved in money laundering activities. The research motivation is based on the increasing worldwide use of blockchain technology and cryptocurrencies such as Ethereum, drawing attention to their utilization by criminals in illicit activities, such as money laundering. The purpose of this research is to classify cryptocurrency addresses as licit or ilicit through the use of machine learning techniques. In this work, the machine learning model known as LightGBM was adopted in search of indicators that could be associated with suspicious money laundering activities. The results indicate that the most influential attribute in identifying an illicit wallet is the "Time_diff_between_first_and_last_(Mins)", which indicates the time difference between the first and last activity of the wallet, suggesting a short lifespan of the considered illicit address, which may imply its use in practices such as “pooling accounts", a money laundering technique that involves multiple transfers through intermediary accounts, making it difficult to trace the origin of the funds. It is believed that the topic is current and relevant, aligning with recent legislative innovations in the Brazilian market of crypto assets. Furthermore, the research proves to be relevant from both a practical and academic perspective, as it offers valuable insights to regulatory bodies and users alike, while also helping to demystify the use of machine learning techniques in social science research.
Unidade Acadêmica: Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)
Departamento de Economia (FACE ECO)
Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Departamento de Economia, Programa de Pós-Graduação em Economia, 2023.
Programa de pós-graduação: Programa de Pós-Graduação em Economia, Mestrado Profissional
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.