Explainable Fraud Risk Scoring

En forskningsartikel, just nu i utkast, skriven tillsammans med Dorsa Salimi och Khadijeh Khodabakhshi Parijan, där jag är korresponderande författare. Frågan bakom den: revisorer vet redan vilka interna kontroller som brast för en verifikation (arbetsfördelning, attest, beloppsgränser), så vad händer när de kontrollerna blir variabler i riskmodellen, bredvid de vanliga redovisningsmässiga varningssignalerna?

Flödet riskbedömer en syntetisk huvudbok med cirka 20 000 verifikationer över 24 månader i en persisk (Jalali) räkenskapskalender, med sex inplanterade bedrägeriscenarier. Fyra modeller jämförs: regler härledda från ISA 240, oövervakad Isolation Forest och LOF, samt logistisk regression med och utan kontrollvariablerna. Variablerna är tidpunktsbaserade och uppdelningen är tidsordnad, så ingen modell ser framtiden.

Överst ligger ett förklaringslager. Claude får bara de utlösta indikatorerna och deras vikter, aldrig bokföringsdata, och skriver en kort förklaring till varje larm, som sedan kontrolleras lokalt så att den bara kan hänvisa till indikatorer som faktiskt slog till. Jag skrev flödet i Node.js med matematiken (IRLS, Isolation Forest, LOF, PR-AUC, överensstämmelsemått) implementerad för hand och täckt av tester, plus en Angular-panel för att granska larm.