Carvalho, AldaEstanque, Nuno Alexandre Apolónia do2026-06-122026-06-122026-05-112026-06-12http://hdl.handle.net/10400.2/22186Tese de Mestardo em Estatística, Matemática e Computação, apresentada à Universidade AbertaO setor do jogo online é frequentemente identificado como vulnerável ao branqueamento de capitais e financiamento do terrorismo (BC/FT), em virtude da sua elevada frequência transacional. Esta dissertação propõe uma abordagem de aprendizagem supervisionada para apoiar a monitorização do risco, formulando o problema como uma classificação binária ao nível do jogador. Com base em dados reais, construíram-se perfis comportamentais agregados que sintetizam a atividade financeira dos jogadores. A modelação recorreu ao algoritmo Random Forest, combinado com validação cruzada estratificada, por forma a lidar com o forte desequilíbrio entre classes. Os resultados evidenciam a eficácia do modelo na identificação e seleção dos casos mais relevantes, permitindo concentrar uma proporção significativa de jogadores já sinalizados nas primeiras posições de uma lista ordenada por risco. Ao mesmo tempo, a definição de critérios de decisão conservadores mostrou-se coerente com a exigência regulatória de minimizar os casos de falsos negativos. A análise de importância das variáveis indica ainda que os volumes financeiros movimentados e a presença de valores elevados desempenham um papel central na diferenciação dos perfis de risco. Apesar das limitações associadas a restrições de confidencialidade e a potenciais imperfeições na rotulagem dos dados, conclui-se que a abordagem proposta constitui um contributo relevante para o apoio à monitorização do risco de BC/FT no jogo online, complementando os mecanismos tradicionais de controlo e os processos de análise humana.The online gambling sector is often identified as vulnerable to money laundering and terrorist financing (BC/FT), due to its high transaction frequency. This dissertation proposes a supervised learning approach to support risk monitoring, framing the problem as a player-level binary classification task. Using real data, aggregated behavioral profiles were constructed to summarize players’ financial activity. Modeling relied on a Random Forest algorithm combined with stratified cross-validation to address the strong class imbalance. The results show that the model is effective in identifying and prioritizing the most relevant cases, concentrating a substantial share of previously flagged players at the top of a risk-ranked list. At the same time, adopting conservative decision criteria is consistent with regulatory requirements to minimize false negatives. Variable importance analysis further indicates that total financial volumes and the presence of high-value extremes play a central role in differentiating risk profiles. Despite limitations related to confidentiality constraints and potential labeling imperfections, the proposed approach provides a relevant contribution to supporting BC/FT risk monitoring in online gambling, complementing traditional control mechanisms and human review processes.porJogo onlineBranqueamento de capitaisMonitorização de transaçõesRandom ForestScore de riscoOnline gamblingAnti-money launderingTransaction monitoringRisk scoringmaster thesis