Identificação de atividades suspeitas de lavagem de dinheiro : abordagem com aprendizagem de máquina em carteiras na rede Ethereum

Abstract

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.