Detecting anomalous payments networks: A dimensionality reduction approach

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. **** RESUMEN: 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.