Sirvi Autor "Lumiste, Kaur, juhendaja" järgi

Nüüd näidatakse 1 - 6 6

Detecting money laundering in transaction monitoring using hidden Markov model
(2021) Aghahasanli, Ismayil; Lumiste, Kaur, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Matemaatika ja statistika instituut
The purpose of the thesis is to introduce, build and test HMM as a method of detecting suspicious financial transactions that might be correlated with money laundering. HMM is a statistical Markov model in which the system being modelled is assumed to be Markov process with unobserved (i.e., hidden) states. These hidden states however generate observable outcomes. HMM fits the context of transaction monitoring in the fight against money laundering as the intent of a transaction (part of money laundering scheme or not) is and only some parameters of the transaction can be observed. The model was built and tested on artificial datasets provided by Salv Technologies and commonly used k-means clustering model was chosen for comparison. Analysis and testing showed that overall, HMM outperforms k-means clustering. Based on analysis, it can be concluded that in essence, HMM can be used in transaction monitoring but getting high precision needs expert knowledge and practical testing. A brief overview of money laundering, anomaly detection methods and HMM are given. Empirical part includes application of HMM on 3 different study cases using R software.
Detecting money laundering using hidden Markov model
(Tartu Ülikool, 2020) Kasianova, Kseniia; Lumiste, Kaur, juhendaja; Tartu Ülikool. Majandusteaduskond; Tartu Ülikool. Sotsiaalteaduste valdkond
Recent money laundering scandals, like the Danske Bank and Swedbank’s failure to mitigate money laundering risks (Kim, 2019), have made “anti money laundering” (AML) a much discussed topic. Governments are making AML regulations tougher and financial institutions are struggling to comply, one of the requirements is to actively monitor financial transactions to detect suspicious ones. Most of the financial industry applies simple rule-based methods for monitoring. This thesis provides a practical model to detect suspicious transactions using the hidden Markov model (HMM). The use of HMM is justified, because the criminal nature of a transaction is hidden to the financial institution, only transaction parameters can be observed. By using past data, a model is built to detect if current transaction is suspicious or not. The model is assessed with artificial and real transactions data. It was concluded that this model performs better than a classical k-means clustering algorithm.
Isiksuseomaduste tajutud sarnasus ja koosesinemise tõenäosus
(2019) Sinikas, Kristjan; Konstabel, Kenn, juhendaja; Lumiste, Kaur, juhendaja; Tartu Ülikool. Matemaatika ja statistika instituut; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Käesoleva bakalaureusetöö eesmärk on uurida ankeetküsitluses saadud isiksuseomaduste tajutud sarnasuse ja koosesinemise tõenäosuste hinnanguid, mis on saadud aastal 2004 aines „Sissejuhatus sotsiaalkultuurilisse psühholoogiasse“ kogutud andmetest. Töös tutvustatakse vaja minevaid mõisteid ja meetodeid ning hiljem analüüsitakse andmeid ning interpreteeritakse tulemusi. Leiti, et isiksuseomaduste sarnasusi ja koosesinemise tõenäosusi tajutakse samasuguselt.
Osakogumite kooskõlaline hindamine PPS hüpergeomeetrilise ja Poissoni valiku korral
(Tartu Ülikool, 2013-06-12) Kokorev, Kristjan; Lumiste, Kaur, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Osakogumite hindamine on enamike uuringute korral tähtis eesmärk, eriti riiklike statistika agentuuride poolt läbiviidud suuremahuliste uuringute korral. Võimaluse korral kasutavad agentuurid hindamisel disainipõhist lähenemist. Selleks peab valimimaht olema piisavalt suur, et ka väiksemates osakogumites saadavad hinnangud oleksid rahuldava täpsusega (Estevao ja Särndal 2004). Antud töös käsitleme hindamismeetodeid, mille eelduseks on piisavalt suur valimimaht igas osakogumis. Simulatsioonülesande käigus uurime aga ka antud hinnangute käitumist väikestes osakogumites. Kaasaegne infoajastu võimaldab meil kerge vaevaga kätte saada andmeid varajasematest uuringutest ja registritest. Sealt saadud lisainformatsiooni saab ära kasutada hinnangute täpsuse tõstmiseks. Valikuuringute korral kasutatakse laialdaselt Deville’i ja Särndali (1992) poolt välja töötatud kalibreerimismeetodit. Kalibreerimine eeldab, et me teame ühe või mitme abitunnuse kogusummat üldkogumis. Meetodi tööpõhimõte seisneb disainikaalude kalibreerimisel nii, et antud valimi korral kaalutud abitunnused summeeruksid teadaolevateks suurusteks. Tänapäeval on sage olukord, kus viiakse samaaegselt või peaaegu samaaegselt läbi mitu uuringut, mis käsitlevad sama üldkogumit. Üsna tihti on nendes uuringutes mõned ühised tunnused. On loomulik nõuda, et hinnangud kahe erineva uuringu ühiste tunnuste parameetritele oleksid omavahel kooskõlas (Särndal ja Traat 2009). Hinnangute kooskõlalisus on eelkõige tähtis statistika tarbijatele, seega peab statistika tootja oma usaldusväärsuse säilitamiseks välja andma kooskõlalisi tulemusi. Kooskõlaliste hinnangute saamiseks on Hollandi Statistikaametis välja töötatud korduvkaalumise meetod. Korduvkaalumine kasutab kalibreerimise tööpõhimõtet ja on oma olemuselt kaheetapiline kalibreerimine. Eeldame, et on tegu eelmises lõigus kirjeldatud olukorraga, kusjuures on teada lisainformatsiooni üldkogumi tasemel. Esimesel sammul leitakse uued kaalud, kalibreerides disainikaale lisainformatsiooniga. Teise sammul kalibreeritakse saadud kaale ühistelt tunnustelt saadud informatsiooniga nii, et saavutatakse kooskõla varasemast uuringust leitud hinnangutega. Särndal ja Traat (2009) pakkusid välja alternatiivse lähenemise kooskõlaliste hinnangute saamiseks – AC-kalibreerimise. Sarnaselt korduvkaalumisega kalibreeritakse disainikaale nii abiinformatsiooniga kui ka ühiste tunnustega, kuid erinevalt korduvakaalumisest tehakse see ühel sammul. AC-kalibreeritud kaaludega leitud hinnangud saavutavad kooskõla nii lisainformatsiooniga kui ka varasema uuringu hinnangutega, korduvkaalumise korral saadakse kooskõla vaid ühiste tunnuste teadaolevate hinnangutega. Tulenevalt uuringu olemusest ja eesmärgist on mõnikord otstarbekas kasutada suurusega võrdelise tõenäosusega valikut. Antud disaini kasutatakse juhul, kui leidub taustatunnus, mis küllaltki hästi iseloomustab uuritava tunnuse muutumist – kui uuritav tunnus on oodatavalt ligikaudu võrdeline antud taustatunnusega. Antud bakalaureuse töö pühendubki AC-kalibreerimise ja korduvkaalumise meetodite rakendamisele suurusega võrdelise tõenäosusega disainide korral. Töös käsitleme kahte konkreetset disaini – Poissoni ja hüpergeomeetrilist (HG) valikut –, millest esimene on tagasipanekuta ja juhusliku valimimahuga ning teine tagasipanekuga ja fikseeritud valimimahuga disain. Käesoleva töö eesmärk on anda ülevaade kalibreerimisest, korduvkaalumisest ja AC-kalibreeritud hinnangust. Peamine eesmärk on tuletada kooskõlaliste hinnangute valemid HG ja Poissoni valikudisaini jaoks ja hiljem simulatsioonülesandega neid kontrollida ning võrrelda kahe kooskõlaliste hinnangute saamise meetodi – AC-kalibreerimise ja korduvkaalumise – käitumist. Töö esimeses peatükis toome sisse edasiseks vajalikud mõisted ja valemid, anname ülevaate suurusega võrdelise tõenäosusega valikust üldiselt ning kahest konkreetsest erijuhust – Poissoni ja hüpergeomeetrilisest valikudisainist. Teises peatükis tutvustame AC-kalibreerimise ja korduvkaalumise meetodeid ning tuletame valemid kahele vaatluse all olevale disainile. Töö viimases osas anname ülevaate läbiviidud simulatsioonülesandest ja saadud tulemustest.
Rahapesukahtlusega tehingute tuvastamine juhendamata varjatud Markovi ahelate abil
(Tartu Ülikool, 2022) Puusalu, Kerdo; Lumiste, Kaur, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Magistritöö sisaldab endas meetodit rahapesukahtlusega tehingute tuvastamiseks, kasutades varjatud Markovi mudelit ja DBSCAN (Density-based spatial clustering of applications with noise) juhendamata masinõppealgoritmi. Töö eesmärgiks on asendada praktikas laialdaselt levinud reeglipõhiste rahapesu monitooringusüsteemide aluseks olevad kontroll-laused juhendamata masinõppealgoritmi DBSCAN klastritega. Leitud klastreid kasutatakse käesoleva töö raames rahapesu riskiskoorina, mis on varjatud Markovi mudeli vaadeldavaks kihiks.
Valikuuringutes vastanute hulga kvaliteeti mõõtvad indikaatorid
(Tartu Ülikool, 2015) Muusikus, Maret; Lumiste, Kaur, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Valikuuringutes on sageliesinev probleem mittevastamine ja sellest tingitud mõju. Seni on mittevastamisest tingitud nihke hindamiseks kõige sagedamini kasutatud vastamismäära, kuid tänapäeval otsitakse alternatiivseid mooduseid. Käesolevas bakalaureusetöös tutvustatakse kahte indikaatorit, mis on abiks, kui uuringus esineb mittevastamine: (i) R-indikaator, mis põhineb esinduslikkuse mõistel, hindab abiinformatsioonist hinnatud vastamistõenäosuste abil sarnasust vastanute hulga ja valimi vahel; (ii) BI-indikaator põhineb tasakaalu mõistel ehk vastanute hulk ja valim on tasakaalus, kui abitunnuste aritmeetiliste keskmiste erinevus on 0 või väga väike.