Detecting anomalous payments networks: A dimensionality reduction approach ; Detección de redes de pagos anómalas: Una aproximación desde la reducción de dimensiones

Abstract

Los métodos para detección de anomalías buscan identificar observaciones que se desvían ostensiblemente de lo esperado. Esos métodos suelen utilizarse con datos de baja dimensionalidad, tales como las series de tiempo. Sin embargo, la creciente importancia de las series de redes de pagos y exposiciones –series de alta dimensionalidad- en el seguimiento de los mercados financieros exige métodos aptos para detectar redes anómalas. Para detectar una red anómala, la reducción de dimensiones permite cuantificar qué tan diferentes son las características conectivas de una red (i.e. su estructura) con respecto a aquellas que pueden ser consideradas como normales. Esto se consigue gracias a que la reducción de dimensiones permite reconstruir los datos con un error; ese error sirve de parámetro para determinar qué tan diferentes son las características conectivas de las redes. La descomposición por componentes principales es utilizada como método para reducir dimensionalidad, y un algoritmo de agrupamiento clasifica los errores de reconstrucción en normales o anómalos. Con base en datos del sistema de pagos de alto valor colombiano y un conjunto de redes de pagos anómalas creadas artificialmente a partir de métodos de simulación de pagos intradía, los resultados sugieren que la detección de redes de pagos anómalas es posible y prometedor para propósitos de seguimiento de los mercados financieros. ; Anomaly detection methods aim at identifying observations that deviate manifestly from what is expected. Such methods are usually run on low dimensional data, such as time series. However, the increasing importance of high dimensional payments and exposures data for financial oversight requires methods able to detect anomalous networks. To detect an anomalous network, dimensionality reduction allows measuring to what extent its main connective features (i.e. the structure) deviate from those regarded as typical or expected. The key to such measure resides in the ability of dimensionality reduction methods to reconstruct data with an error; this reconstruction error serves as a yardstick for deviation from what is expected. Principal component analysis (PCA) is used as dimensionality reduction method, and a clustering algorithm is used to classify reconstruction errors into normal and anomalous. Based on data from Colombia's large-value payments system and a set of synthetic anomalous networks created by means of intraday payments simulations, results suggest that detecting anomalous payments networks is feasible and promising for financial oversight purposes. ; Enfoque Los pagos que realizan los agentes son un insumo para el análisis y monitoreo de la economía. En vez de utilizar datos rezagados y de baja frecuencia, como la contenida en reportes contables o encuestas, los pagos están disponibles con un reducido rezago, en alta frecuencia, con gran nivel de detalle y veracidad. Los pagos pueden ser representados como una red. En esta red los agentes aparecen como nodos que se interconectan entre ellos, donde esas interconexiones representan dichos pagos. Esta representación es muy utilizada hoy día para propósitos de seguimiento de los mercados financieros, así como para propósitos de supervisión del comportamiento de las instituciones financieras. Sin embargo, esta representación trae consigo un problema: por la gran cantidad de datos contenidos en cada red, es difícil realizar comparaciones a través del tiempo para encontrar aquellas que se alejan de lo que puede ser considerado como una red "normal". Con base en los pagos que realizan las instituciones financieras entre sí en el sistema de pagos de alto valor, este artículo presenta una metodología que permite comparar diferentes redes de pago, así como determinar cuáles pueden ser consideradas como anómalas. Es decir, la metodología arroja señales que indican cuando una red se aleja de aquello observado en las series históricas. Para realizar esta comparación se utiliza una metodología similar a la aplicada para clasificar imágenes, la cual busca extraer las principales características de las redes y utilizarlas como parámetro de comparación. Contribución Tener la capacidad de identificar redes de pagos que difieren de lo observado en series históricas es importante para las autoridades financieras. Esta capacidad les brinda herramientas adicionales para detectar cambios relevantes en la manera como las instituciones financieras interactúan entre ellas, ya sea como consecuencia de cambios en el comportamiento individual de dichas instituciones o de cambios en el mercado en su conjunto. Este artículo ofrece una aproximación de fácil implementación y bajo costo computacional, que puede ser de utilidad para aquellas autoridades financieras que buscan monitorear las interacciones entre las instituciones financieras o un conjunto de agentes. Resultados Los resultados sugieren que la metodología presentada en el artículo brinda una herramienta adicional en el monitoreo de los mercados financieros. En el mejor de los escenarios explorados, la metodología consiguió clasificar exitosamente cerca de tres cuartas partes de un conjunto de redes anómalas. Esto sugiere que la metodología presentada tiene el potencial de servir para la generación de alertas con base en datos de pagos entre instituciones financieras o un conjunto de agentes.