РЕГУЛЯТОРНІ МЕХАНІЗМИ «БІЛОГО СПИСКУ» У ФІНАНСОВОМУ МОНІТОРИНГУ ДЛЯ ДЕРЖАВНОЇ ФІНАНСОВОЇ БЕЗПЕКИ
Article Sidebar
Надіслано: 11-05-2026
Опубліковано: 30-06-2026
©, Авторські права належать авторам.
Ця стаття опублікована відповідно до стандартів відкритого доступу та розповсюджується за ліцензією Creative Commons Attribution 4.0 International (CC BY 4.0), яка дозволяє необмежене використання, розповсюдження та відтворення змісту на будь-якому носії, за умови зазначення оригінального автора та джерела.
Main Article Content
Анотація
Автори розробили регуляторну модель упровадження механізмів «білого списку» у фінансовому моніторингу як інструменті забезпечення фінансової безпеки держави в умовах цифровізації та алгоритмічного контролю транзакцій. Дослідження зосереджене на проблемі хибнопозитивного блокування легітимних і юридично обов’язкових транзакцій, насамперед публічно-правових платежів, щодо яких отримувач, призначення та правова підстава можуть бути перевірені за допомогою авторитетних даних. Методологія дослідження поєднує системний, порівняльний, структурно-функціональний, інституційний підходи та метод концептуального моделювання. Хибнопозитивне блокування визначене як автоматизована або напівавтоматизована класифікація чи призупинення фінансової транзакції як високоризикової, яка згодом підтверджується як легітимна на підставі її правової природи, верифікованого статусу отримувача, призначення платежу, даних належної перевірки клієнта або пост-аудиту. Встановлено, що ключовий механізм таких помилок полягає в невідповідності між поведінковими ризик-індикаторами та правовою класифікацією транзакції. Обґрунтовано, що велика сума, незвична частота, нетипова географія, новий отримувач або невідповідність профілю клієнта самі собою не є причинами нелегітимності, а становлять ризик-індикатори, які можуть породжувати хибнопозитивні рішення за відсутності правоконтекстної валідації. На цій основі запропоновано трирівневу регуляторну модель, що включає інституційний, інформаційний та алгоритмічний компоненти: централізований реєстр верифікованих отримувачів публічно-правових платежів, подвійну валідацію ризику та правової класифікації, оперативну передблокувальну перевірку, тест незалежної відповідності критеріям низького ризику, журналювання рішень, людський контроль і постаудитні запобіжники. Механізм «білого списку» автори розглядають не як виняток із AML/CFT-моніторингу, а як верифікований режим обробки транзакцій, що відповідають незалежним критеріям прийнятності й не містять критичних ризикових ознак. Практичне значення моделі полягає в можливості її використання фінансовими регуляторами та суб’єктами фінансового моніторингу для підвищення прозорості автоматизованих рішень. Запропонована модель спрямована на зменшення необґрунтованого автоматичного блокування, забезпечення безперервності державних фінансових потоків і підвищення пояснюваності, пропорційності й підзвітності алгоритмічного фінансового моніторингу.
Article Details
Посилання
Arner, D. W., Barberis, J., & Buckley, R. P. (2015). The evolution of FinTech: A new post-crisis paradigm? (University of Hong Kong Faculty of Law Research Paper No. 2015/047; UNSW Law Research Paper No. 2016-62). SSRN. https://doi.org/10.2139/ssrn.2676553 DOI: https://doi.org/10.2139/ssrn.2676553
Arner, D. W., Barberis, J., & Buckley, R. P. (2017). FinTech, RegTech, and the reconceptualization of financial regulation. Northwestern Journal of International Law & Business, 37(3), 371–413. https://ssrn.com/abstract=2847806
Bank Secrecy Act, 31 U.S.C. § 5311 et seq. (1970). Financial Crimes Enforcement Network. https://www.fincen.gov/resources/statutes-and-regulations/bank-secrecy-act
Bhattacharyya, S., Jha, S., Tharakunnel, K., & Westland, J. C. (2011). Data mining for credit card fraud: A comparative study. Decision Support Systems, 50(3), 602–613. https://doi.org/10.1016/j.dss.2010.08.008 DOI: https://doi.org/10.1016/j.dss.2010.08.008
Bolton, R. J., & Hand, D. J. (2002). Statistical fraud detection: A review. Statistical Science, 17(3), 235–255. https://doi.org/10.1214/ss/1042727940 DOI: https://doi.org/10.1214/ss/1042727940
Central Bank of the United Arab Emirates. (2022). Anti-money laundering and combating the financing of terrorism and illegal organisations: Guidance for licensed financial institutions on suspicious transaction reporting. https://rulebook.centralbank.ae/en/entiresection/465
Cummings, F. (2024). Three keys to false positive remediation in AML/CTF compliance. AML Partners. https://amlpartners.com/insights/false-positive-remediation-aml-ctf/
Dodd–Frank Wall Street Reform and Consumer Protection Act, Pub. L. No. 111–203, 124 Stat. 1376 (2010). https://www.congress.gov/111/plaws/publ203/PLAW-111publ203.pdf
Dokiienko, L., Hrynyuk, N., Britchenko, I., Trynchuk, V., & Levchenko, V. P. (2024). Determinants of enterprise’s financial security. Quantitative Finance and Economics, 8(1), 52–74. https://doi.org/10.3934/QFE.2024003 DOI: https://doi.org/10.3934/QFE.2024003
Dryha, Z. V. (2026). Artificial intelligence in systems for combating financial fraud by banks and the risk of blocking mandatory payments to state authorities. In SCIENTIA: Scientific forum: Theory and practice of research. Proceedings of the International Scientific and Practical Conference (March 13, 2026, San Francisco, CA, United States). Scientific Publishing.
Electronic Fund Transfer Act, 15 U.S.C. § 1693 et seq. (1978). Board of Governors of the Federal Reserve System. https://www.federalreserve.gov/boarddocs/caletters/2008/0807/08-07_attachment.pdf
European Parliament and Council of the European Union. (2015, November 25). Directive (EU) 2015/2366 on payment services in the internal market (PSD2). EUR-Lex. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=celex%3A32015L2366
European Parliament and Council of the European Union. (2016, April 27). Regulation (EU) 2016/679 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data (General Data Protection Regulation). EUR-Lex. https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng
European Commission. (2021, July 20). Proposal for a regulation establishing the Authority for Anti-Money Laundering and Countering the Financing of Terrorism, COM(2021) 420 final. EUR-Lex. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=celex:52021PC0420
European Parliament and Council of the European Union. (2024, June 13). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). EUR-Lex. https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng
European Banking Authority. (2025). Opinion of the European Banking Authority on money laundering and terrorist financing risks affecting the European Union financial sector and report on money laundering and terrorist financing risks affecting the European Union financial sector. https://www.eba.europa.eu/sites/default/files/2025-07/13ae2f94-dc04-4a50-9f24-af2808e78944/Opinion%20and%20Report%20on%20ML%20TF%20risks.pdf
Federal Reserve System. (n.d.). FedNow Service. https://www.frbservices.org/financial-services/fednow
Financial Action Task Force. (2023, February). International standards on combating money laundering and the financing of terrorism and proliferation: The FATF recommendations. https://www.fatf-gafi.org/en/publications/Fatfrecommendations/Fatf-recommendations.html
FinCrimeTech50. (2026). What decisions can machines be allowed to make? FinTech Global. https://fintech.global/fincrime50/what-decisions-can-machines-be-allowed-to-make/
Gilson, C. (2024). Are the old ways of transaction monitoring dead? Journal of Financial Compliance, 8(2), 102–111. https://doi.org/10.69554/RJCX4578 DOI: https://doi.org/10.69554/RJCX4578
Glonti, V., Polinkevych, O., Khovrak, I., Levchenko, V., Trynchuk, V., & Beridze, I. (2024). Transformation of business models in the context of achieving sustainable development. Quality – Access to Success, 25(202), 40–52. https://doi.org/10.47750/QAS/25.202.05 DOI: https://doi.org/10.47750/QAS/25.202.05
Hlibko, S. V., Vnukova, N., Hontar, D. D., Anisimova, H. V., & Liubchych, A. N. (2019). Risk-oriented approach to determining bank capital size according to the requirements of the Basel Committee on Banking Supervision. Economic Studies Journal, (1), 56–71.
Jullum, M., Loland, A., Huseby, R. B., Anonsen, G., & Lorentzen, J. (2020). Detecting money laundering transactions with machine learning. Journal of Money Laundering Control, 23(1), 173–186. https://doi.org/10.1108/JMLC-07-2019-0055 DOI: https://doi.org/10.1108/JMLC-07-2019-0055
Kovalenko, V., Shevtsova, O., Sheludko, S., Matskiv, O., & Azarenkov, S. (2024). Effectiveness of regulatory enforcement for anti-money laundering in Ukraine: Is it all quiet on the financial front? Financial and Credit Activity: Problems of Theory and Practice, 6(59), 353–370. https://doi.org/10.55643/fcaptp.6.59.2024.4550 DOI: https://doi.org/10.55643/fcaptp.6.59.2024.4550
Kungu, C. O., Senagi, K., & Omondi, E. (2026). Hybrid deep learning for anti-money laundering: Unsupervised detection of emerging schemes via feature fusion and explainable artificial intelligence. Machine Learning with Applications, 23, 100856. https://doi.org/10.1016/j.mlwa.2026.100856 DOI: https://doi.org/10.1016/j.mlwa.2026.100856
Law of Ukraine No. 361-IX. (2019, December 6). On prevention and counteraction to legalization (laundering) of proceeds of crime, financing of terrorism and financing of proliferation of weapons of mass destruction. Verkhovna Rada of Ukraine. https://zakon.rada.gov.ua/laws/show/361-20
Levytska, S., Pershko, L., Akimova, L., Akimov, O., Havrilenko, K., & Kucherovskii, O. (2022). A risk-oriented approach in the system of internal auditing of subjects of financial monitoring. International Journal of Applied Economics, Finance and Accounting, 14(2), 194–206. https://doi.org/10.33094/ijaefa.v14i2.715 DOI: https://doi.org/10.33094/ijaefa.v14i2.715
Maheshwari, A. (2026). From black boxes to boardrooms: How banks must govern artificial intelligence. Global Association of Risk Professionals. https://www.garp.org/risk-intelligence/culture-governance/black-boxes-boardrooms-260220
National Bank of Ukraine. (2018, June 11). Resolution No. 64 on approval of the regulation on the organization of risk management systems in banks of Ukraine and banking groups. https://zakon.rada.gov.ua/laws/show/v0064500-18
National Bank of Ukraine. (2019, July 2). Resolution No. 88 on approval of the regulation on the organization of internal control systems in banks of Ukraine and banking groups. https://zakon.rada.gov.ua/laws/show/v0088500-19
National Bank of Ukraine. (2020, May 19). Resolution No. 65 on approval of the regulation on the implementation of financial monitoring by banks. https://zakon.rada.gov.ua/laws/show/v0065500-20
National Bank of Ukraine. (2020, July 28). Resolution No. 107 on approval of the regulation on the implementation of financial monitoring by financial institutions. https://zakon.rada.gov.ua/laws/show/v0107500-20
National Bank of Ukraine. (2024, December 20). Resolution No. 153 on approval of the regulation on the procedure for organizing the implementation of certain requirements of legislation in the field of financial monitoring, currency supervision, supervision in the field of implementation of special economic and other restrictive measures (sanctions) during martial law, and amendments to certain regulatory legal acts of the National Bank of Ukraine. https://zakon.rada.gov.ua/laws/show/v0153500-24
National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0). U.S. Department of Commerce. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection. Decision Support Systems, 50(3), 559–569. https://doi.org/10.1016/j.dss.2010.08.006 DOI: https://doi.org/10.1016/j.dss.2010.08.006
Organisation for Economic Co-operation and Development. (2026). The OECD going digital integrated policy framework 2026. OECD Publishing. https://www.oecd.org/en/publications/the-oecd-going-digital-integrated-policy-framework-2026_0254ae07-en.html
Sheh, R., & Stanley, M. (2026). Concept note: Artificial intelligence risk management framework—Trustworthy AI in critical infrastructure profile. National Institute of Standards and Technology. https://www.nist.gov/system/files/documents/2026/04/08/Concept%20Note_%20Development%20of%20the%20NIST%20AI%20RMF%20Trustworthy%20Use%20of%20AI%20in%20Critical%20Infrastructure%20Profile.pdf
Columbia University, School of International and Public Affairs. (2026). Detecting financial crimes: Evaluating the efficacy of automated transaction monitoring. https://www.sipa.columbia.edu/detecting-financial-crimes-evaluating-efficacy-automated-transaction-monitoring
Sochka, K. (2025). Financial monitoring in Ukraine: Organizational and legal principles and tasks in the context of modern challenges. Acta Academiae Beregsasiensis. Economics, 1(11), 442–457. https://doi.org/10.58423/2786-6742/2025-11-442-457 DOI: https://doi.org/10.58423/2786-6742/2025-11-442-457
Stulz, R. M. (2019). FinTech, BigTech, and the future of banks. Journal of Applied Corporate Finance, 31(4), 86–97. https://doi.org/10.1111/jacf.12378 DOI: https://doi.org/10.1111/jacf.12378
Travis, E. (2026). Compliance without conscience: Why algorithms cannot replace ethical judgement. OpusDatum. https://www.opusdatum.com/post/compliance-without-conscience-why-algorithms-cannot-replace-ethical-judgement
Vnukova, N., Kavun, S., Kolodiziev, O., Achkasova, S., & Hontar, D. (2019). Determining the level of bank connectivity for combating money laundering, terrorist financing and proliferation of weapons of mass destruction. Banks and Bank Systems, 14(4), 42–54. https://doi.org/10.21511/bbs.14(4).2019.05 DOI: https://doi.org/10.21511/bbs.14(4).2019.05