2019-12-022019-12-022019-12-02https://repositorio.banrep.gov.co/handle/20.500.12134/9774Los 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.31 páginas : gráficas, tablasPDFengOpen AccessAnomalíasPagosRedesDimensionalidadAgrupamientoWorking PaperE42 - Monetary Systems; Standards; Regimes; Government and the Monetary System; Payment SystemsC38 - Classification Methods; Cluster Analysis; Principal Components; Factor AnalysisC53 - Forecasting and Prediction Methods; Simulation MethodsAnomalyPaymentsNetworkDimensionalityClusteringRedes de pagos -- ColombiaSistema de pagos -- ColombiaMétodos de simulación -- ColombiaAcceso abiertoAtribucion-NoComercial-CompartirIgual CC BY-NC-SA 4.0E42 - Sistemas monetarios; Patrones; Regímenes; Gobierno y sistema monetario; Sistemas de pagoC38 - Métodos de clasificación; Análisis cluster; Análisis de componentes principales; Análisis factorialC53 - Métodos de pronóstico y predicción; métodos de simulaciónLas opiniones contenidas en el presente documento son responsabilidad exclusiva de los autores y no comprometen al Banco de la República ni a su Junta Directiva.The opinions contained in this document are the sole responsibility of the author and do not commit Banco de la República or its Board of Directors.Objeto de publicación: La obra de mí (nuestra) autoría tiene por objeto ser publicada en el Portal de Investigaciones del Banco de la República e incluirla en el repositorio institucional de esa misma entidad. La obra podrá consistir en documento escrito, audiovisual, audio, gráfico, fotográfico, infográfico, podcasts, etc., y podrá estar en cualquier formato conocido o por conocerse.Datos personales: El(los) autor(es) ha(n) incluido sus datos personales (nombres, correo electrónico, filiación académica, perfil académico, entre otros) en el Portal de Investigaciones o la obra remitida para publicación, y por consiguiente, manifiesta(n) que mediante el diligenciamiento y registro de sus datos personales autoriza(n) al Banco de la República el tratamiento (recolección, almacenamiento, uso, circulación o supresión) de todos los datos suministrados con la finalidad de adelantar la publicación de la obra en el Portal de Investigaciones, dar a conocer su perfil académico y medios de contacto para fines académicos y divulgativos, así como para la construcción de indicadores y estadísticas para el seguimiento y control de las actividades de divulgación del Portal de Investigaciones. Para tal fin, se informa que el tratamiento de los datos personales se realizará de acuerdo con las políticas o lineamientos generales disponibles en http://www.banrep.gov.co/proteccion-datos-personales, en la sección “Protección de Datos Personales - Habeas Data”.https://hdl.handle.net/20.500.12134/9774