Return to search

Anomaly Detection using a Deep Learning Multi-layer Perceptron to Mitigate the Risk of Rogue Trading

The term Rogue Trading is defined as the activity of someone at a financial organisation losing a large amount of money in bad or illegal transactions and trying to hide this. The activity of Rogue traders exposes financial organisations to huge risks and may lead to the organisation collapsing, which will affect other stakeholders like, for example, the customers. In order to detect potential Rogue Trading cases, Control Systems that monitor the employees and the positions they take on financial markets must exist. In this study, a two-step control system is suggested to monitor the margins on Foreign exchange (FX) Forwards traded by employees at the Swedish bank Skandinaviska Enskilda Banken (SEB). The first step in the control system uses a Deep Learning neural network trained on transactional data to predict the margin. The errors of the predictions versus the actual values are then in the second step of the control system used to find outliers which should be flagged for further investigation due to a too high deviation. The results show that the model hopefully can decrease the number of false positives yielded by the current Control Systems at SEB and thus reduce manual inspection of flagged transactions. / Termen Rouge Trading definieras som en aktivitet där någon på en finansiell institution förlorar stora mängder pengar i dåliga eller illegala transaktioner och försöker dölja detta. Detta är något som skapar enorma risker för finansiella institutioner och som kan förorsaka organisationens kollaps, som kan påverka intressenter som till exempel kunder. För att upptäcka potentiella företeelser av Rouge Trading så måste kontrollsystem som övervakar anställda och deras positioner existera. I denna studie föreslås och presenteras ett tvåstegs-system för att övervaka marginaler vid terminsaffärer i utländsk valuta vid Skandinaviska Enskilda Banken (SEB). Det första steget i kontrollsystemet använder ett neuralt närverk tränat på data från transaktioner för att prediktera en marginal. Differenserna mellan prediktionen och det faktiska värdet används för att finna outliers vilka borde flaggas för vidare undersökning. Resultaten visar att modellen förhoppningsvis kan minska antalet falska positiva som det nuvarande kontrollsystemet ger på SEB, något som således kan minska den manuella inspektionen av flaggade transaktioner.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-301948
Date January 2021
CreatorsHedström, Erik, Wang, Philip
PublisherKTH, Skolan för elektroteknik och datavetenskap (EECS)
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageSwedish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess
RelationTRITA-EECS-EX ; 2021:369

Page generated in 0.0019 seconds