National Security and Strategic Planning National Security and Strategic Planning Национальная безопасность и стратегическое планирование 2307-1400 6a859f9cf4b84402506956f2 Экономическая безопасность Economic security Экономическая безопасность Artificial intelligence technologies in countering financial crime: opportunities and limitations Технологии искусственного интеллекта в противодействии финансовым преступлениям: возможности и ограничения Леонов Вячеслав Алексеевич Leonov Vyacheslav A. Зайцев Александр Константинович Zaitcev Alexander K. alexanderzaitsev619@gmail.com Матвеев Владимир Владимирович Matveev Vladimir V. 070355mvv@gmail.com

доктор технических наук;кандидат экономических наук;

doctor of technical sciences;candidate of economic sciences;

 Финансовый университет при Правительстве Российской Федерации Financial University under the Government of the Russian Federation Санкт-Петербургский государственный экономический университет Saint Petersburg State University of Economics Межрегиональное управление Федеральной службы по финансовому мониторингу по Северо-Западному федеральному округу Санкт-Петербург Россия Interregional Office of the Federal Service for Financial Monitoring for the Northwestern Federal District Saint Petersburg Russian Federation Санкт-Петербургский филиал Финансового университета при Правительстве РФ Financial University under the Government of the Russian Federation, St. Petersburg branch 30 04 2026 30 04 2026 2026 1 57 77 24 02 2026 17 03 2026 © 2026 Леонов В.А., Зайцев А.К., Матвеев В.В. © 2026 Leonov V.A., Zaitcev A.K., Matveev V.V. 2026 Леонов Вячеслав Алексеевич, Зайцев Александр Константинович, Матвеев Владимир Владимирович Leonov Vyacheslav A., Zaitcev Alexander K., Matveev Vladimir V. https://futurepubl.ru/en/nauka/publications/6a859f9cf4b84402506956f2/view

Рассматриваются возможности применения технологий искусственного интеллекта в противодействии финансовым преступлениям как факторе обеспечения финансовой безопасности Российской Федерации. Показано, что противодействие легализации доходов, полученных преступным путем (ПОД/ФТ), и противодействие мошенничеству (антифрод-системы) образуют два различных класса задач, отличающихся объектом защиты, горизонтом анализа, правовой основой и доступностью размеченных данных, что определяет выбор методов. На основе обобщения нормативных признаков и материалов типологических исследований предложены сводные типологии схем легализации и мошеннических атак, каждая из которых соотнесена с наблюдаемыми признаками в транзакционных данных и применимыми методами машинного обучения. Обосновано, что в задачах противодействия легализации доходов, полученных преступным путем, приоритет принадлежит методам обучения без учителя и графовому анализу, тогда как в антифрод-системах эффективно обучение с учителем. Систематизированы ограничения применения искусственного интеллекта: дефицит и запаздывание разметки, границы наблюдаемости данных в периметре одной кредитной организации, проблема объяснимости решений, цена ошибки первого рода, адаптация схем к средствам контроля. Сделан вывод о роли искусственного интеллекта как инструмента приоритизации и сокращения пространства поиска для аналитика, а не автономного субъекта принятия решений.

The paper examines the application of artificial intelligence technologies to countering financial crime as a factor of the financial security of the Russian Federation. It is shown that anti-money laundering (AML) and anti-fraud constitute two distinct classes of tasks differing in the protected interest, the analytical horizon, the legal framework and the availability of labelled data. Drawing on regulatory indicators and typological studies, the paper proposes consolidated typologies of laundering schemes and fraud attacks, each mapped to observable features in transaction data and to applicable machine learning methods. It is argued that AML tasks favour unsupervised learning and graph analysis, whereas anti-fraud tasks favour supervised learning. The limitations of artificial intelligence are systematised: scarcity and latency of labels, the boundaries of data observability within a single credit institution, the explainability of decisions, the cost of false positives, and the adaptation of schemes to control mechanisms. The paper concludes that artificial intelligence serves as a tool for prioritisation and search-space reduction rather than an autonomous decision-making agent.

 финансовая безопасность искусственный интеллект машинное обучение легализация преступных доходов ПОД/ФТ антифрод-система графовая аналитика финансовый мониторинг транзакционный анализ financial security artificial intelligence machine learning money laundering AML anti-fraud graph analytics financial monitoring transaction analysis

Стратегия национальной безопасности Российской Федерации: Указ Президента Российской Федерации от 02.07.2021 № 400. URL: http://www.kremlin.ru/acts/bank/47046. National Security Strategy of the Russian Federation: Decree of the President of the Russian Federation of July 2, 2021, No. 400. Available at: http://www.kremlin.ru/acts/bank/47046. Стратегия экономической безопасности Российской Федерации на период до 2030 года: Указ Президента Российской Федерации от 13.05.2017 № 208. URL: https://base.garant.ru/71672608/. Economic Security Strategy of the Russian Federation through 2030: Decree of the President of the Russian Federation of May 13, 2017, No. 208. Available at: https://base.garant.ru/71672608/. Матвеев В.В. Процесс трансформации системы глобального управления. Роль России в создании нового мирового порядка // Национальная безопасность и стратегическое планирование. – 2024. – № 3(47). – С. 25–54. – DOI 10.37468/2307-1400-2024-3-25-54. Matveev V.V. The Process of Transformation of the Global Governance System. Russia's Role in Creating a New World Order // National Security and Strategic Planning. - 2024. - No. 3 (47). - pp. 25–54. - DOI 10.37468/2307-1400-2024-3-25-54. ЦБ России: количество переводов, совершаемое в России каждую секунду. URL: https://1prime.ru/20230217/839836188.html. The Central Bank of Russia: The number of transfers made in Russia every second. URL: https://1prime.ru/20230217/839836188.html. Объем транзакций по картам в России стремится к рекордным значениям. URL: https://www.penza.kp.ru/online/news/5460668/. The volume of card transactions in Russia is approaching record levels. URL: https://www.penza.kp.ru/online/news/5460668/. Антонов А.Е., Матвеев В.В. Обеспечение экономической безопасности с использованием DLP-системы (искусственного интеллекта) // Теоретические и прикладные вопросы комплексной безопасности: Материалы V Международной научно-практической конференции, Санкт-Петербург, 23 марта 2022 года. – Санкт-Петербург, 2022. – С. 251–257. Antonov A.E., Matveev V.V. Ensuring economic security using a DLP system (artificial intelligence) // Theoretical and Applied Issues of Integrated Security: Proceedings of the V International Scientific and Practical Conference, St. Petersburg, March 23, 2022. – St. Petersburg, 2022. – pp. 251–257. Маслов Д.М., Матвеев В.В. Отток капитала из России в современный период: причины и последствия // Современные вызовы экономики и систем управления в России в условиях многополярного мира: Сборник статей V Международной научно-практической конференции, Санкт-Петербург, 24–25 апреля 2024 года. – Санкт-Петербург: Скифия-принт, 2025. – С. 130–142. Maslov D.M., Matveev V.V. Capital Outflow from Russia in the Modern Period: Causes and Consequences // Modern Challenges of the Economy and Management Systems in Russia in a Multipolar World: Collection of Articles from the V International Scientific and Practical Conference, St. Petersburg, April 24–25, 2024. – St. Petersburg: Skifia-print, 2025. – Pp. 130–142. Отток замедлился: как население продолжает выводить деньги из России. URL: https://www.forbes.ru/investicii/508062-ottok-zamedlilsa-kak-naselenie-prodolzaet-vyvodit-den-gi-iz-rossii. The Outflow Has Slowed Down: How the Population Continues to Take Money Out of Russia. URL: https://www.forbes.ru/investicii/508062-ottok-zamedlilsa-kak-naselenie-prodolzaet-vyvodit-den-gi-iz-rossii. Гаджиахмедова Э.М., Ячменева Г.Е., Матвеев В.В. Обеспечение экономической безопасности России в условиях глобализации и фритредерства // Национальная безопасность и стратегическое планирование. – 2019. – № 4(28). – С. 56–69. Gadzhiakhmedova E.M., Yachmeneva G.E., Matveev V.V. Ensuring Russia's Economic Security in the Context of Globalization and Free Trade // National Security and Strategic Planning. – 2019. – No. 4(28). – P. 56–69. Зайцев А.К., Матвеев В.В. Экономические преступления с использованием цифровых технологий // Национальная безопасность и стратегическое планирование. – 2022. – № 1(37). – С. 63–81. – DOI 10.37468/2307-1400-2022-1-63-81. Zaitsev A.K., Matveev V.V. Economic crimes using digital technologies // National security and strategic planning. – 2022. – No. 1(37). – P. 63–81. – DOI 10.37468/2307-1400-2022-1-63-81. Комплексный анализ состояния преступности в Российской Федерации по итогам 2024 года и ожидаемые тенденции ее развития : аналитический обзор / М. В. Гончарова, М. М. Бабаев, С. А. Невский, Р. В. Черкасов, Г. Ф. Коимшиди, Г. Э. Бицадзе, К. С. Насуев, Е. М. Тимошина, Н. А. Ведешкин. – Москва: ВНИИ МВД России, 2025. – 87 с. Comprehensive analysis of the state of crime in the Russian Federation by the end of 2024 and expected trends in its development: an analytical review / M. V. Goncharova, M. M. Babaev, S. A. Nevsky, R. V. Cherkasov, G. F. Koimshidi, G. E. Bitsadze, K. S. Nasuev, E. M. Timoshina, N. A. Vedeshkin. - Moscow: VNII MVD of Russia, 2025. - 87 p. Chen Z. et al. Machine learning techniques for anti-money laundering (AML) solutions in suspicious transaction detection: a review //Knowledge and Information Systems. – 2018. – V. 57. – №. 2. – P. 245-285. – DOI https://doi.org/10.1007/s10115-017-1144-z Chen Z. et al. Machine learning techniques for anti-money laundering (AML) solutions in suspicious transaction detection: a review //Knowledge and Information Systems. – 2018. – V. 57. – №. 2. – P. 245-285. – DOI https://doi.org/10.1007/s10115-017-1144-z Li F., Chen Z. Dynamic quantification anti-fraud machine learning model for real-time transaction fraud detection in banking // Discover Computing. – 2025. – V. 28. – №. 1. – P. 59. – DOI https://doi.org/10.1007/s10791-025-09549-7 Li F., Chen Z. Dynamic quantification anti-fraud machine learning model for real-time transaction fraud detection in banking // Discover Computing. – 2025. – V. 28. – №. 1. – P. 59. – DOI https://doi.org/10.1007/s10791-025-09549-7 О внесении изменений в отдельные законодательные акты Российской Федерации в части противодействия хищению денежных средств: Федеральный закон от 27.06.2018 № 167-ФЗ. URL: https://www.zakonrf.info/doc-35332077/ On Amendments to Certain Legislative Acts of the Russian Federation in Terms of Combating the Theft of Funds: Federal Law of June 27, 2018 No. 167-FZ. URL: https://www.zakonrf.info/doc-35332077/ Zita K. L. N. et al. Anti-Fraud and Anti-Money Laundering: Proactive Detection Using Artificial Neural Networks with the Fraud Hexagon Approach to Strengthen the Stability of Indonesia’s Financial Ecosystem //Indonesian Economic Review. – 2026. – V. 6. – №. 1. – P. 260-269. – DOI https://doi.org/10.53787/iconev.v6i1.105 Zita K. L. N. et al. Anti-Fraud and Anti-Money Laundering: Proactive Detection Using Artificial Neural Networks with the Fraud Hexagon Approach to Strengthen the Stability of Indonesia’s Financial Ecosystem //Indonesian Economic Review. – 2026. – V. 6. – №. 1. – P. 260-269. – DOI https://doi.org/10.53787/iconev.v6i1.105 Calafos M. W., Dimitoglou G. Cyber laundering: Money laundering from fiat money to cryptocurrency // Principles and Practice of Blockchains. – Cham: Springer International Publishing, 2022. – P. 271-300. – DOI https://doi.org/10.1007/978-3-031-10507-4_12 Calafos M. W., Dimitoglou G. Cyber laundering: Money laundering from fiat money to cryptocurrency // Principles and Practice of Blockchains. – Cham: Springer International Publishing, 2022. – P. 271-300. – DOI https://doi.org/10.1007/978-3-031-10507-4_12 Cheng D. et al. Anti-money laundering by group-aware deep graph learning // IEEE Transactions on Knowledge and Data Engineering. – 2023. – V. 35. – №. 12. – P. 12444-12457. – DOI https://doi.org/10.1109/TKDE.2023.3272396 Cheng D. et al. Anti-money laundering by group-aware deep graph learning // IEEE Transactions on Knowledge and Data Engineering. – 2023. – V. 35. – №. 12. – P. 12444-12457. – DOI https://doi.org/10.1109/TKDE.2023.3272396 Обзор систем противодействия банковскому мошенничеству (антифрод). URL: https://www.anti-malware.ru/analytics/Market_Analysis/anti-fraud-Bank-systems. Review of anti-fraud systems for banking (antifraud). URL: https://www.anti-malware.ru/analytics/Market_Analysis/anti-fraud-Bank-systems. Das S. R. Text and context: Language analytics in finance //Foundations and Trends® in Finance. – 2014. – V. 8. – №. 3. – P. 145-261. – DOI https://doi.org/10.1561/0500000045 Das S. R. Text and context: Language analytics in finance //Foundations and Trends® in Finance. – 2014. – V. 8. – №. 3. – P. 145-261. – DOI https://doi.org/10.1561/0500000045 Divya D. et al. Bridging financial and operational gaps in supply chain finance: An information processing theory perspective //Journal of Risk and Financial Management. – 2025. – V. 18. – №. 9. – P. 479. – DOI https://doi.org/10.3390/jrfm18090479 Divya D. et al. Bridging financial and operational gaps in supply chain finance: An information processing theory perspective //Journal of Risk and Financial Management. – 2025. – V. 18. – №. 9. – P. 479. – DOI https://doi.org/10.3390/jrfm18090479 Pocher N. et al. Detecting anomalous cryptocurrency transactions: An AML/CFT application of machine learning-based forensics // Electronic Markets. – 2023. – V. 33. – №. 1. – P. 37. – DOI https://doi.org/10.1007/s12525-023-00654-3 Pocher N. et al. Detecting anomalous cryptocurrency transactions: An AML/CFT application of machine learning-based forensics // Electronic Markets. – 2023. – V. 33. – №. 1. – P. 37. – DOI https://doi.org/10.1007/s12525-023-00654-3 Cholevas C. et al. Anomaly detection in blockchain networks using unsupervised learning: A survey // Algorithms. – 2024. – V. 17. – №. 5. – P. 201. – DOI https://doi.org/10.3390/a17050201 Cholevas C. et al. Anomaly detection in blockchain networks using unsupervised learning: A survey // Algorithms. – 2024. – V. 17. – №. 5. – P. 201. – DOI https://doi.org/10.3390/a17050201 Kunadi S. K. AI-Driven Data Enrichment and Golden Record Creation for Enterprise Customer Data Platforms // International Journal of Research and Applied Innovations. – 2026. – V. 9. – №. 1. – P. 13630-13640. – DOI https://doi.org/10.15662/IJRAI.2026.0901016 Kunadi S. K. AI-Driven Data Enrichment and Golden Record Creation for Enterprise Customer Data Platforms // International Journal of Research and Applied Innovations. – 2026. – V. 9. – №. 1. – P. 13630-13640. – DOI https://doi.org/10.15662/IJRAI.2026.0901016 Khan N. S. et al. A Bayesian approach for suspicious financial activity reporting //International Journal of Computers and Applications. – 2013. – V. 35. – №. 4. – P. 181-187. Khan N. S. et al. A Bayesian approach for suspicious financial activity reporting //International Journal of Computers and Applications. – 2013. – V. 35. – №. 4. – P. 181-187. Zuo Z. et al. A Bayesian-Optimized XGBoost Approach for Money Laundering Risk Prediction in Financial Transactions //Information. – 2026. – V. 17. – №. 4. – P. 324. – DOI https://doi.org/10.3390/info17040324 Zuo Z. et al. A Bayesian-Optimized XGBoost Approach for Money Laundering Risk Prediction in Financial Transactions //Information. – 2026. – V. 17. – №. 4. – P. 324. – DOI https://doi.org/10.3390/info17040324 Сорокин А. С. Построение скоринговых карт с использованием модели логистической регрессии // Вестник евразийской науки. – 2014. – №. 2 (21). – С. 82. Sorokin A. S. Construction of scorecards using the logistic regression model // Bulletin of Eurasian Science. – 2014. – No. 2 (21). – P. 82. Vassallo D., Vella V., Ellul J. Application of gradient boosting algorithms for anti-money laundering in cryptocurrencies // SN Computer Science. – 2021. – V. 2. – №. 3. – P. 143. – DOI https://doi.org/10.1007/s42979-021-00558-z Vassallo D., Vella V., Ellul J. Application of gradient boosting algorithms for anti-money laundering in cryptocurrencies // SN Computer Science. – 2021. – V. 2. – №. 3. – P. 143. – DOI https://doi.org/10.1007/s42979-021-00558-z Pratama S. F., Wahid A. M. Fraudulent transaction detection in online systems using random forest and gradient boosting //Journal of Cyber Law. – 2025. – V. 1. – №. 1. – P. 88-115. – DOI https://doi.org/10.63913/jcl.v1i1.16 Pratama S. F., Wahid A. M. Fraudulent transaction detection in online systems using random forest and gradient boosting //Journal of Cyber Law. – 2025. – V. 1. – №. 1. – P. 88-115. – DOI https://doi.org/10.63913/jcl.v1i1.16 Yu C. H. et al. Machine Learning-Enhanced Automation for Invoice Reconciliation: OCR-Based Solutions for Accuracy and Efficiency in Logistics Industry //Intelligent Systems Conference. – Cham: Springer Nature Switzerland, 2024. – P. 325-336. – DOI https://doi.org/10.1007/978-3-031-66336-9_23 Yu C. H. et al. Machine Learning-Enhanced Automation for Invoice Reconciliation: OCR-Based Solutions for Accuracy and Efficiency in Logistics Industry //Intelligent Systems Conference. – Cham: Springer Nature Switzerland, 2024. – P. 325-336. – DOI https://doi.org/10.1007/978-3-031-66336-9_23 Berndsen R., Heijmans R. Risk indicators for financial market infrastructure: from high frequency transaction data to a traffic light signal // De Nederlandsche Bank Working Paper. – No. 557. – URL: https://ssrn.com/abstract=2985412 Berndsen R., Heijmans R. Risk indicators for financial market infrastructure: from high frequency transaction data to a traffic light signal // De Nederlandsche Bank Working Paper. – No. 557. – URL: https://ssrn.com/abstract=2985412 Islam S. Machine Learning–Based AML/KYC Transaction Monitoring for Suspicious Activity Detection and Compliance Risk Reduction in Digital Banking // ASRC Procedia: Global Perspectives in Science and Scholarship. – 2025. – V. 1. – №. 01. – P. 1740-1775. – DOI https://doi.org/10.63125/r9c8q813 Islam S. Machine Learning–Based AML/KYC Transaction Monitoring for Suspicious Activity Detection and Compliance Risk Reduction in Digital Banking // ASRC Procedia: Global Perspectives in Science and Scholarship. – 2025. – V. 1. – №. 01. – P. 1740-1775. – DOI https://doi.org/10.63125/r9c8q813 Матвеев А.В. Сравнительный анализ методов интерпретируемости моделей искусственного интеллекта в процессах принятия решений // Современные наукоемкие технологии. – 2026. – № 5. – С. 131-138. – DOI 10.17513/snt.40785. Matveev A.V. Comparative analysis of methods of interpretability of artificial intelligence models in decision-making processes // Modern science-intensive technologies. - 2026. - No. 5. - P. 131-138. - DOI 10.17513/snt.40785.