|
|
|
DETECCIÓN DE ANOMALÍAS EN
EL SISTEMA DE PAGOS DEL ECUADOR: APLICACIÓN DE REDES NEURONALES.
|
|
|
Jeniffer Rubio*
John
Arroyo**[1]
Resumen
Los Bancos Centrales monitorean las
operaciones que se canalizan por las infraestructuras de mercado financiero,
por ser de gran importancia en el fomento de la estabilidad financiera y el
crecimiento económico. Las transacciones son reflejo de la actividad económica
y comercial, proporcionan información de cómo los bancos gestionan la liquidez.
El análisis de estos datos con la detección de anomalías, permite identificar
el comportamiento de un flujo de pago inusual indicando eventos
futuros y ayuda a la supervisión financiera para iniciar
intervenciones oportunas.
Este documento realiza una aplicación de
método de reducción de dimensiones, basada en el aprendizaje automático por
redes neuronales (Autoencoder) para la detección de anomalías en el
Sistema de Pagos Interbancarios en el Ecuador. La evaluación del modelo se
realiza con una simulación en la alteración de los flujos de un banco. Los
resultados reflejan que los modelos construidos detectan los periodos en que el
banco presentó anomalías. Se propone una herramienta útil para el monitoreo de operaciones
en el sistema de pago para identificar los cambios repentinos en los flujos, que
podrían atribuirse a problemas de liquidez, operativos, etc. Este documento es
un ensayo de la aplicación de la metodología construida por Triepels et al. (2017).
Palabras
clave: Detección de anomalías, Autoencoder, Redes
Neuronales, Aprendizaje automático, Inteligencia artificial, Sistemas de pagos,
Infraestructura de mercado financiero.
Códigos JEL:
C45, E42, E58.
Fecha
de recepción: 27 de abril de 2020.
Fecha
de aceptación: 15 de mayo de 2020.
Abstract
Central banks
monitor operations that are channeled through financial market infrastructures,
as they are of great importance in promoting financial stability and economic
growth. Transactions are a reflection of economic and commercial activity; they
provide information on how banks manage liquidity. Analyzing this data with
anomaly detection identifies the behavior of an unusual payment flow indicating
future events and helps financial supervision to initiate timely interventions.
This document
makes an application of a dimension reduction method based on machine learning
by neural networks (Autoencoder) for the detection of anomalies in the
Interbank Payment System in Ecuador. The evaluation of the model is carried out
by means of a simulation in the alteration of the flows of a bank. The results
reflect that the constructed models detect the periods in which the banks
presented anomalies (liquidity stress). A useful tool for monitoring operations
in the payment system is proposed to identify sudden changes in flows, which
could be attributed to liquidity, operational or other problems. This document
is an essay of the application of the methodology constructed by Triepels et
al. (2017).
Keywords: Anomaly
Detection, Autoencoder, Neural Network, Artificial intelligence, ACSS,
Financial, Market Infrastructure, retail payments. Machine Learning.
JEL classifications:
C45, E42, E58.
Receipt date: April 27, 2020. Acceptance date: May 15, 2020.
1. Introducción
El Comité de
Sistemas de Pago y Liquidación, y Comité Técnico de la Organización
Internacional de Comisiones de Valores (2012), define las
infraestructuras del mercado financiero (IMF), como sistemas multilaterales en
los cuales las entidades participantes compensan, liquidan y registran pagos,
valores, derivados y otros activos financieros. Adicionalmente, se establece
que las IMF contribuyen al mantenimiento y al fomento de la estabilidad financiera
y el crecimiento económico. Por esa razón, las IMF son de interés y están bajo
la vigilancia de los bancos centrales, que velan por su buen funcionamiento,
fomentan su eficiencia y su seguridad.
Las IMF se consideran la columna vertebral
financiera de nuestra la sociedad moderna, Heuver y Triepels (2019). En los últimos años, los
datos de pago generados por las IMF se han convertido en una nueva fuente de
información importante para detectar riesgos, entre ellos el riesgo de liquidez.
Por otra parte el análisis de redes financieras es una herramienta común para
las autoridades financieras de supervisión, León (2019).
Los bancos centrales monitorean
cuidadosamente las actividades de pago de los bancos en las IMF para detectar
señales de alerta temprana de estrés de liquidez que pueden afectar a la
estabilidad financiera. Esto supone que una entidad que presente problemas de
liquidez puede extenderse al sistema de pagos incumpliendo con sus compromisos
de pagos y afectar a la posición de liquidez de otras entidades (efecto contagio)
(Heuver y Triepels, 2019). La aparición de problemas financieros para una institución
financiera participante, podría provocar una disminución de la confianza y
consecuentemente un aumento repentino en el retiro de depósitos, conocido como
una corrida bancaria, (Sabetti y Heijmans, 2020).
En el caso de Ecuador el Sistema de Pagos
Interbancarios (SPI) es uno de los canales de pagos más importante del país.
Durante el año 2018, se canalizó pagos interbancarios por un monto total de 107.699,78
millones de dólares por medio de 68.9 millones de transacciones, este monto es equivalente
a 1 vez el PIB del país. Del monto total canalizado 62.376,21 millones de
dólares corresponden a pagos realizados por bancos privados por medio de 28.9
millones de operaciones, estas transacciones de pago son demandadas por personas
naturales y jurídicas a través de los diferentes bancos privados. El SPI,
permite la acreditación en las cuentas del cliente final, 3 veces al día
(Cortes), es decir, es un sistema de pago en tiempo diferido. El SPI, es
administrado por el Banco Central del Ecuador.
El objetivo de este artículo es la detección
de anomalías mediante la aplicación de un método de aprendizaje automático (autoencoder)
en el SPI, para detectar los flujos de pagos que no se ajustan al
comportamiento esperado. Mediante la información analizada se puede conocer los
patrones de comportamiento habitual de pago de las entidades financieras y se
busca encontrar los casos, en que estos patrones, se desvíen de lo esperado,
generando una anomalía. Dichas anomalías deberán ser analizadas para conocer a
profundidad sus fuentes, ya que en ocasiones puede ser a que uno/varios bancos
enfrenten estrés de liquidez, que los obligan a cambiar su comportamiento de
pago habitual; puede ser impulsada por el mercado (todo el sistema), problemas
operativos, tecnológicos, entre otros. Este artículo está estrechamente relacionado
con Triepels et al. (2017), dado que se aplica la metodología propuesta por
estos autores en los datos de pago de Ecuador. El presente documento puede ser utilizado
por los gerentes de riesgo, los supervisores bancarios, expertos en estabilidad
financiera u operadores de los sistemas. Es un aporte a la literatura sobre la
detección de valores atípicos en los sistemas de pago, que desde nuestro conocimiento
aún es escasa.
El autoencoder, es una red neuronal
de aprendizaje automático no supervisado, que aprende de los datos reales de
entrenamiento y los reconstruye para generar resultados, obteniendo solo las
características principales de los datos de entrada. Reduce dimensiones de los
datos de pago y aprende a discriminar patrones comunes en los casos que no
identifique un comportamiento habitual, alertan una anomalía. Para ello se
entrena y valida el modelo con datos del SPI, se lo prueba con otro set de
datos nunca vistos por el modelo. No se cuenta con datos históricos que se
hayan identificado como anomalías, por lo tanto, para evaluar el rendimiento de
autoencoder para detectar pagos anómalos, se realizó una simulación con
una entidad bancaria importante para el país. Los resultados obtenidos del autoencoder
se denominan errores de reconstrucción; si el error de reconstrucción es
pequeño, la matriz de pagos observada se ajusta a lo que es típico, pero si el
error de reconstrucción es grande, la matriz de pagos observada debe
considerarse una anomalía (atípico) causada por algún factor que debe ser
analizado. La fortaleza de este método es que se puede llegar a determinar el
periodo de tiempo específico y los participantes que influyeron en el
comportamiento no común de pagos.
En la Sección 2 se describe el Sistema de
Pagos Interbancarios (SPI), la sección 3 proporciona una breve descripción de
la literatura relacionada sobre sistemas de pago y detección de anomalías. La Sección
4 define las notaciones y conceptos del autoencoder, detección de
anomalías, simulación de la ejecución de un banco y la preparación de los datos
para el autoencoder. La sección 5 muestra los resultados obtenidos.
Finalmente, la sección 6 presenta las conclusiones del artículo.
2. Sistema de Pagos Interbancarios (SPI)
Los sistemas de pagos, según el
Comité de Sistemas de Pago y Liquidación, y el Comité Técnico de la
Organización Internacional de Comisiones de Valores, son un conjunto de
instrumentos, procedimientos y reglas para la transferencia de fondos entre dos
o más participantes; el sistema comprende a los participantes y a la entidad
que gestiona el mecanismo. Los sistemas de pago suelen basarse en un acuerdo
entre dos o más participantes y el operador. La transferencia de fondos se
efectúa por medio de una infraestructura operativa convenida.
Complementariamente, Summers (2012), lo define como el conjunto de instrumentos
y procedimientos para que las transferencias de dinero puedan circular
eficientemente en la economía. A nivel mundial los avances en tecnologías de
información han fomentado el desarrollo de las plataformas electrónicas que
facilitan las transacciones de compra-venta vía electrónica y reducen el uso
del dinero físico (monedas y billetes) (Banco de Inglaterra, 2012).
En el Ecuador, el sistema nacional
de pagos está compuesto por el Sistema Central de Pagos (SCP), operado por el
Banco Central del Ecuador (BCE) y los Sistemas Auxiliares de Pago operados por
entidades privadas. Los montos canalizados por los sistemas que conforman el
Sistema Central de Pagos en el Ecuador han evolucionado en el tiempo.
Actualmente el más importante es el Sistema de Pagos Interbancarios (SPI), que
canaliza el 60% del monto total en el SCP[2],
este sistema es el que será analizado en este documento. El SPI permite
realizar pagos entre clientes de las entidades financieras bancarias del
Ecuador. El Banco Central del Ecuador, compensa y liquida las operaciones de
pago entre entidades financieras durante tres periodos en el día (denominados
cortes) por medio del SPI. Los recursos son debitados y acreditados en las
cuentas de los clientes finales por medio de las entidades bancarias, conforme
los siguientes horarios de liquidación de fondos 8h00 am, 11h00 a. m. y 15h00 p.
m. El SPI es el sistema más fuerte y antiguo en el BCE, inició sus operaciones
en el 2002 y a partir del 2015 los principales participantes son los clientes
del sector financiero privado. Entre el 2010 y 2018, el monto canalizado por
este sistema se ha incrementado en alrededor de 4 veces. (BCE, 2019).
En este documento se analizan los pagos
realizados entre los 24 bancos privados del Ecuador, quienes a partir del 2015,
presentaron el mayor impulso en el SPI, pasando de USD 27.247,13 millones en
2014 a USD 47.928,09 millones de dólares por pagos interbancarios en 2015; es
decir un incremento de alrededor de 76%. Desde entonces hasta la actualidad, el
crecimiento interanual es en promedio del 9%. El crecimiento del 2015, se
explica por una participación más activa de los depositantes de las 6 entidades bancarias más
grandes del país. En el 2018, los bancos privados canalizaron USD 62.376,21
millones por concepto de pagos interbancarios a través de 28.9 millones de
operaciones.
Gráfico
1.
Pagos interbancarios (Bancos Privados – ordenantes)
Periodo 2002
– 2018, Monto y Nro. Operaciones (eje der) (En millones)
Fuente: BCE
Elaboración: Autores
Para la descripción de los flujos
interbancarios que se realizan entre las entidades bancarias por medio del SPI,
similar a lo aplicado por Sabetti y Heijmans (2020), se gráfica un mapa de
calor del intercambio de flujos promedio por corte durante el año 2018 entre las
24 entidades bancarias, con ello se puede tener una idea de la actividad en el
intercambio monetario entre entidad ordenante en relación a las entidades
beneficiarias y sus relaciones dentro del SPI. Existen flujos promedios por
corte cercanos a cero o cero, en esos casos lo que refleja es la no existencia
de flujos entre esas entidades o participación escasa (el color más oscuro),
mientras que existen otros casos que su flujo de pagos es más activa y con
montos mayores.
Gráfico
2.
Flujos interbancarios medios
Año 2018
Fuente: BCE
Elaboración: Autores
Por
otra parte se representa gráficamente los montos por corte de siete entidades,
los negativos (-), representan salida de pagos realizados por la entidad y los
positivos (+), representan flujos de entrada, es decir los pagos que recibe la
entidad. Visualmente se observa que los datos se concentran alrededor de cero,
sin embargo, algunos cortes de las entidades sobresalen de ese comportamiento
común (Sabetti y Heijmans, 2020).
Gráfico
3.
Flujos entrada/salida (Izquierda)
Fuente: BCE
Elaboración: Autores
3. Literatura relacionada
Por el creciente uso de la tecnología y comercio
electrónico, que se ha unido al aumento de los pagos
en línea, la detección anomalías se ha convertido en un factor importante para
las entidades financieras. Por lo tanto, centrarse en una variedad de métodos
de detección de anomalías, así como en nuevas formas de abordarlos y
prevenirlos, es cada vez más de interés Zamini y Montazer (2018); Thottan et al. (2010). Esto concuerda con Patcha et al. (2007), que hacen
un compendió de las tendencias tecnológicas recientes para la detección de
anomalías mediante aprendizaje automático[3].
La literatura, que aborda temas
relacionados a la detección de anomalías y la aplicación de aprendizaje
automático e inteligencia artificial en los sistemas de pagos, concuerda que
por medio de estos métodos y los datos de pago se busca encontrar los patrones
usuales del manejo de la liquidez de los bancos dentro de un sistema de pagos,
examinando casos en los que el comportamiento de pago de los bancos se desvía
de sus patrones esperados (anomalías). En los sistemas de pago, las anomalías
son configuraciones particulares de una red de pago fuera de lo normal. Las
anomalías se pueden explicar por algunos factores, entre ellos: estrés de liquidez,
comportamiento de pago no deseado, errores operativos, tecnológicos u otros, lo
que conlleva en algunos casos a una reducción de confianza por el sistema
financiera (reducción de depósitos o corrida bancaria) (Heuver y Triepels (2019); Triepels et
al. (2017); Sabetti y Heijmans (2020). Por ello la importancia de contar con estas herramientas de
monitoreo que permite a los bancos centrales detectar alertas tempranas de
posibles eventos dentro de los sistemas de pagos e iniciar intervenciones
oportunas. Las anomalías en la red de pagos pueden ser examinadas a mayor
profundidad para identificar su raíz, que puede ser impulsada por los
participantes (es decir, causada por una institución financiera) o impulsada
por el mercado, es decir, un cambio en todo el sistema, León (2019).
La
literatura existente relacionada a la detección de anomalías en sistema de
pagos bajo metodologías de aprendizaje automática es escasa, por lo que este
documento aporta a esta área de investigación. Entre los pioneros en este
ámbito de estudio destaca Triepels et al. (2017), que
realizan un método de aprendizaje automático no supervisado para la detección
automática de las anomalías en el sistema de pagos de alto valor de liquidación
en tiempo real (inmediata) canalizados por el TARGET2(Sistema automatizado
transeuropeo de transferencia urgente para la liquidación bruta en tiempo real)
en el segmento de Holanda. Esta investigación proporciona un enfoque diferente para medir el riesgo sistémico y monitoreo de
operaciones de sistemas de pago, mediante un autoencoder, que consiste en entrenar la red neuronal para que
aprenda de las características de los datos, comprimiéndolos en un espacio
dimensional más bajo y, en consecuencia, reconstruyéndolos en el espacio
original. Además, evaluaron el rendimiento de dos tipos de codificadores
automáticos (autoencoder,) con simulaciones de corridas bancarias (salidas
de liquidez adicionales por parte de una entidad financiera). Sus resultados demuestran que el
autoencoder pueden detectar los cambios inesperados en los flujos de
liquidez entre los bancos. Conforme lo indican los autores, la metodología
propuesta y estimada es el punto de partida (autoencoder general) para
futuras estimaciones con mayores complejidades dentro del autoencoder.
Similar a
la metodología de Triepels et al. (2017), en Sabetti y Heijmans (2020), propenden detectar flujos anómalos en la base de datos de pagos
canalizados por el Sistema Automatizado de Compensación y Liquidación de Canadá
(ACSS), aplicando redes neuronales por medio del autoenconder. Además,
modelizan y prueban varias arquitecturas de redes neuronales en función del
tamaño y el número de capas ocultas creando redes neuronales más profundas y
con diferentes funciones de activación. Prueban también autoencoder con
anomalías históricas y corridas bancarias simuladas, detectando los flujos de
pago anómalos razonablemente bien. La diferencia con la aplicación de Triepels
et al. (2017), radica en aplicar el autoencoder en un sistema de pagos
minorista (bajo valor) que procesa diferentes tipos de instrumentos de pago minorista[4].
Se utiliza datos de pagos bilaterales diarios y finalmente aplican un autoencoder
profundo (más de una capa oculta).
Una
metodología diferente a las mencionadas pero basada en aprendizaje automático,
León (2019), para la detección de anomalías en el sistema de pagos de alto
valor de Colombia, aplica una técnica de reducción de dimensionalidades, por
medio del Análisis de Componentes Principales y algoritmo de agrupamiento para
clasificar los errores de reconstrucción creados en normales y anómalos, lo que
permite distinguir las redes de pagos que se desvían del comportamiento
habitual. Para probar la metodología realizaron un conjunto de redes anómalas
sintéticas creadas mediante simulaciones de pagos intradía. Con sus resultados
se evidencia que el enfoque
sugerido en este documento proporciona un método factible para detectar redes
anómalas, que se suman a las herramientas de monitoreo existentes basadas en
datos de menor dimensión.
Por su
parte, otra rama de investigación se centra en metodología de aprendizaje
automático supervisado, en el documento de Heuver y Triepels (2019), aplican una técnica de aprendizaje automático
supervisado para detectar el estrés de liquidez en los bancos europeos, bajo la
premisa que los sistemas de pagos permiten obtener dicha información por medio
de comportamientos no habituales de los participantes. Para ello construyen
clasificadores probabilísticos que estiman la probabilidad de que un banco enfrente
un estrés de liquidez. La diferencia principal con las metodologías mencionadas
anteriormente es que al ser un modelo supervisado de aprendizaje automático se
entrena con un conjunto de datos etiquetados que distinguen casos históricos de
bancos que enfrentaron eventos de estrés conocidos, como una adquisición o una
corrida bancaria. Por medio de ello el modelo el modelo aprende los patrones
que son característicos de un banco estresado y no estresado, y distingue si un
banco probablemente enfrenta estrés de liquidez o no. Heijmans y Zhou (2019), estudian la detección de
valores atípicos en los indicadores de riesgo basados en datos de transacciones
del sistema de pago de gran valor en el TARGET2 de Holanda. Para ello utilizan
la teoría del valor extremo y los métodos locales de factores atípicos para
identificar puntos de datos anómalos (valores atípicos)[5]. Heijmans y Heuver (2011), basados
en estadística tradicional desarrollaron indicadores de signos de
escasez de liquidez y posibles problemas financieros de los bancos con los
datos de sistemas de pagos de Holanda y los datos de gestión de garantías.
Estudiaron los datos antes, durante y después de eventos estresantes en la crisis,
se identifican los patrones de reacción de los bancos. Estos patrones se
traducen en un conjunto de reglas de comportamiento, que se pueden usar en los
análisis de escenarios de estrés de los sistemas de pago, como simulaciones y
topología de red. Para realizar simulaciones de sistemas de pago realistas, es
crucial comprender cómo reaccionan los bancos ante las crisis.
En
la referida literatura se observa que existen varios métodos planteados para el
monitoreo de la liquidez canalizada por los sistemas de pagos relacionada a la
detección de anomalías que utilizan ramas de la estadística y construcción de
indicadores con varios tipos de riesgos identificados en eventos históricos,
con ello catalogar posibles problemas de liquidez (Heijmans y Heuver, 2011)
(Heijmans y Zhou, 2019) obteniendo resultados basados en el conocimiento del
negocio. Por su parte existe otros trabajos que plantean la detección de
anomalías con aprendizaje automático no supervisado, utilizada cuando no se
cuenta con información histórica o clasificación de estrés de liquidez
conocidos en el sistema de pagos, permitiendo a los modelos encontrar patrones
por los cuales los bancos generalmente manejan su liquidez en el sistema de
pagos y detectar casos donde el comportamiento de pago actual de los bancos se
desvía de sus patrones esperados (Triepels et al., 2018). Este mismo autor
plantea otra metodología basada en el aprendizaje automático supervisado para
otros sistemas de pagos, la principal diferencia es que entrena su modelo con
información etiquetada en la que se identifica los casos de estrés de liquidez
pasadas y el modelo aprende de esas características para futuras predicciones,
con ello construyen clasificadores probabilísticos que estiman la probabilidad
que un banco enfrente estrés de liquidez (Heuver y Triepels, 2019). Este último
resulta un método de mayor precisión y mayor valor agregado ya que determina la
probabilidad de estrés de liquidez de los bancos. Los autores mencionan que un
inconveniente de los métodos no supervisados es que puede ser difícil
determinar qué tipo de los patrones se aprenden sobre el comportamiento de pago
de bancos, por lo que requiere varias calibraciones, sin embargo, la limitación
de la información etiquetada limita la aplicación de dicha técnica.
4. Autoencoder
El propósito de este estudio es realizar
la aplicación del modelo de autoencoder discutido en Triepels et al. (2017),
paratal efecto se utilizará el concepto, explicación y notación similar a los
autores de referencia. Para detectar una red anómala, la reducción de
dimensionalidad permite medir hasta qué punto sus características conectivas
principales (es decir, la estructura), se desvían de las que se consideran
típicas o esperadas. La clave de dicha medida reside en la capacidad de los métodos
de reducción de dimensionalidad para reconstruir datos con un error. Este error
de reconstrucción sirve como criterio para la desviación de lo que se espera
(León, 2019). El método utilizado en este documento es el Autoencoder.
El resultado de la reducción de
dimensionalidad es una compresión con pérdida de datos de pagos. Tiene pérdidas
porque solo se preservan las características esenciales de los datos, por lo
que es útil para detectar observaciones anómalas, León (2019).
Las metodologías de autoencoder,
han sido parte del panorama histórico de las redes neuronales durante décadas y
las primeras aplicaciones se remontan a los años 80, Goodfellow et
al. (2016). Un Autoencode,r es una red neuronal artificial capacitada
que tiene como objetivo reconstruir, lo más similar posible, la capa de entrada
en la capa de salida. Lo hace procesando la entrada a través de una capa oculta
en la que unos conjuntos de neuronas forman una representación de la entrada en
un espacio dimensional inferior (compresión). Está constituido por dos partes
principales: un codificador (encoder) y un decodificador (decoder).
La particularidad de autoencoder, es
que está diseñado para no poder aprender a copiar perfectamente. Por lo general
está restringido, de manera que permite copiar solo aproximadamente, y copiar
solo la entrada que se parece a los datos de entrenamiento. Debido a que el
modelo se ve obligado a priorizar qué aspectos de la entrada deben copiarse,
obteniendo las propiedades útiles de los datos. Goodfellow et al. (2016), en su libro
detalla autoencoder y sus variantes.
a.
Notación
general del autoencoder
Para la entrada 
el autoencoder
estima una reconstrucción 
de a través de una capa oculta (centro) que
consta de
neuronas ( 
).
El mapeo de reconstrucción se compone de dos funciones 
y 
, la función de entrada
(Encoder - cofidificado) y la función de salida (Decoder):
Primero, está codificado por en el espacio dimensional procesándolo a
través de la capa oculta:
Donde, 
es una matriz de pesos 
por 
, 
es un vector de términos de sesgo , y 
es un conjunto de
funciones de activación que se aplican a los elementos de y. Las funciones potenciales para 
son la
función ReLu y la función Tangente
Hiperbólica, utilizadas en el presente estudio. El resultado de la
codificación 
es un vector de activaciones de neuronas ocultas que forman
una representación (comprimida) de en 
. Luego, 
se decodifica de nuevo por en el espacio -dimensional procesándolo
a través de la capa de salida:
Donde, 
es una matriz de pesos por , 
es un vector de términos de sesgo [6]y
es un conjunto de
funciones de activación. El resultado de la decodificación 
es un vector de salidas que forman una
reconstrucción de en 
.
Con ello se representó que el
objetivo del autoencoder es aprender un mapeo desde la capa de entrada a
la capa de salida de manera que 
para todo 
.
+}.
Por su parte, para el aprendizaje del autoencoder:
Los parámetros 
del autoencoder se estiman a partir de
flujos de liquidez históricos. Hacemos esto minimizando[7] el error de reconstrucción
medio (
,
es decir:
b.
Detección de anomalías con autoencoder
El autoencoder estima el error de reconstrucción (RE) en
diferentes niveles de agregación, para un flujo de liquidez individual 
, el error de
reconstrucción se estima tomando la diferencia al cuadrado entre su valor de
transacción reconstruido y el valor de transacción original:
De manera similar, el error de
reconstrucción de todos los flujos de liquidez combinados en el intervalo de
tiempo 
se puede estimar tomando la norma 
al cuadrado de la diferencia entre el vector
de liquidez reconstruido y el vector de liquidez original:
Finalmente, tomando el error de
reconstrucción medio de todos los vectores de liquidez en 
obtenemos el Error de Reconstrucción Media
(MRE) general:
Con ello, sea 
un modelo de compresión con pérdida[8]. Medimos el error de
reconstrucción de después de que lo comprime y reconstruye mediante la función 
:
Cuando 
,
donde 
es un umbral, entonces se considera anómalo porque su
el error de reconstrucción es alto. No hay una forma matemática
de determinar cuál debe ser el 
. Depende del juicio de
un experto en el dominio, Sabetti y Heijmans (2020). Para este estudio para la
elección del umbral se determinó con media de los errores y desviación estándar.
Con ello se busca encontrar todos los vectores
de liquidez en cuyo error de reconstrucción es mayor que . Dado un conjunto de
vectores de liquidez 
un modelo de compresión con pérdida 
con parámetros 
y umbral , encuentre el conjunto de anomalías:
c.
Simulación
Para evaluar el rendimiento del autoencoder
en la detección de anomalías, se realizó una simulación de corrida bancaria
artificial, tomando de referencia la metodología de Triepels et al. (2017).
Se eligió un Banco A para agregar liquidez
adicional a los flujos de salida dirigidos al resto de entidades. La
cantidad de liquidez adicional es aleatoria con distribución
exponencial y una probabilidad de ocurrencia, que sigue una distribución
Bernoulli. A medida que avanza el tiempo la cantidad adicional es mayor y la
probabilidad de ocurrencia, es decir, al inicio de la corrida bancaria la
probabilidad de ocurrencia del incremento del monto adicional al flujo es (ps)
y se agrega una cantidad promedio de (1/
), al final de la corrida
bancaria la probabilidad de ocurrencia del incremento del valor adicional al
flujo es (pe) y se agrega un valor en promedio de (1/
), donde necesariamente ps
< pe y < . Donde:
·
y 
son los parámetros de velocidad al principio y
al final de la corrida bancaria, respectivamente. Aumento exponencial de 
a 
.
· Probabilidad
de que se agregara liquidez durante las corridas bancarias aumentó de 
a 
. 
y 
son valores iniciales y finales de 
respectivamente, donde 
.
· La
ejecución bancaria comenzó al final del conjunto de prueba y duró 
intervalos de tiempo
(cortes), desde el corte 651 y terminando en el 741.
4.2.
Preparación de datos para autoencoder
A
continuación se representa la notación realizada por Triepels et al. (2017), con
aplicación en el SPI en Ecuador. Para el efecto se representa la matriz de
liquidez que refleja el intercambio de pagos entre los bancos privados en el
periodo de tiempo determinado. Para el efecto:
·
es el conjunto de n bancos que participan en el sistema SPI. En Ecuador el n es 24 bancos privados existentes.
·
T 
, conjunto ordenado de 
intervalos de tiempo, donde 
, 
, y así sucesivamente. En
el caso de aplicación en Ecuador, corresponde a los CORTES que son los 3 posibles momentos en el día que se pueden
compensar y liquidar los pagos entre los bancos privados en el SPI.
·
se denomina matriz de liquidez 
, cada
elemento 
denota la cantidad total
de liquidez que 
envía a 
en intervalo de tiempo (10). Para fines de análisis,
derivamos de la representación
vectorizada (11), es un vector de liquidez. La matriz de
liquidez representaría las redes de pagos (nodos) que se encuentran
interconectados con los flujos de liquidez.
Los datos utilizados para el análisis de
este estudio, se centraron en un año completo (2018) de pagos interbancarios
entre los 24 bancos privados del Ecuador de enero a diciembre, lo que
representan 28.9 millones de órdenes de pagos procedas por el SPI, estos son
pagos que los bancos intercambiaron por el comportamiento y demanda de sus
clientes. En el año de estudió existieron 741 CORTES que representan los 3 cortes diarios durante 247 días
laborables en el año, por los cuales los bancos tuvieron la posibilidad de
procesar flujos de liquidez (pagos) entre ellos. Bajo este conocimiento, se
conformó la matriz de liquidez agregando los pagos a los largo de 741
intervalos de tiempo entre 576 posibles intercambios cada periodo, con ello se
obtiene los vectores de liquidez correspondientes. Todos los flujos de liquidez
de los vectores se transformaron mediante una transformación logarítmica para
hacer que su distribución altamente sesgada fuera menos sesgada. La
normalización mínima-máxima se realizó a su vez para normalizar sus valores al
intervalo [0,1].
Respecto a la partición de los datos para
la aplicación del autoencoder se dividió los vectores de liquidez en
tres conjuntos de datos: conjunto de entrenamiento: 318 vectores de liquidez de
abril hasta agosto (del corte 184 al 501); conjunto de validación: 183 vectores
de liquidez de enero a marzo (del corte 1 al 183); conjunto de test: 240
vectores de liquidez de septiembre hasta diciembre (del corte 502 al 741). Al igual que Triepels et
al. (2017), este documento realizó la partición de los datos basados en los meses
del año. Debemos considerar que, al realizar la partición de los conjuntos de
datos con meses del año, se podría tener efectos de estacionalidad en los
datos, por lo que el entrenamiento del autoencoder se realizaría sin
considerar el efecto del último cuatrimestre (periodo que normalmente existen
mayores pagos interbancarios). El set de datos del último cuatrimestre se
utiliza para realizar la evaluación del autoencoder. En otros casos Sabetti
et al. (2020), dividen para conjunto de entrenamiento el 80% y la validación
20% de la muestra de datos o realiza entrenamiento de sus modelos con 24 meses León
(2019).
En este trabajo, se utilizó el conjunto de
datos de entrenamiento para que los parámetros de autoencoder aprendan,
el conjunto de validación para optimizar el número de neuronas y el número de
epochs (el número de veces (iteracciones) o pasadas sobre el conjunto de datos
de entrenamiento). Finalmente, el conjunto de datos de prueba para evaluar autoencoder
construidos. Cabe señalar que en la base de datos disponible del SPI, no
hay episodios de fallas que puedan etiquetarse como valores atípicos conocidos.
Para complementar la evaluación de autoencoder, se realizó simulaciones mediante
la alteración de los flujos de liquidez de una entidad bancaria, esperando que
sean capaces de reconocer las anomalías del estrés de liquidez o comportamiento
inusual del banco en estudio, Triepels et al. (2017), Sabetti y Heijmans (2020).
5. Resultados
La presente sección, describe los
resultados obtenidos en las pruebas realizadas para la aplicación de autoencoder
en el Sistema de Pagos en el Ecuador, específicamente en el sistema SPI.
a.
Aplicación de autoencoder
Se construyeron dos autoencoder con una capa
oculta, con una única diferencia en la función de activación utilizada, un autoencoder
con Tanh (función tangente hiperbólica) y el otro con ReLu (unidad lineal rectificada
definida matemáticamente como 
. Se utiliza las funciones de activación similar a
Sabetti y Heijmans (2020).
Para la optimización del número de neuronas,
se realizó una búsqueda en la cuadrícula, de esta manera en la capa oculta, el
número de neuronas se fue incrementando desde 10 hasta llegar a 600, en 10
neuronas adicionales cada prueba (Gráfico 4). Este resultado permite encontrar el
punto en el que agregar más neuronas no produce un mejor error (Triepels et
al., 2017). El número de nodos tanto en la capa de entrada como en la de salida
es 576. Adicionalmente, aplicando la misma técnica se iteró sobre un conjunto
de epochs desde 5 a 300 con pasos de 5, los valores óptimos para los parámetros
se escogieron de tal forma que al iterar al siguiente valor del parámetro no
haya un cambio significativo en el valor del MRE o escogiendo el valor del
parámetro que ofrezca el mínimo valor de MRE, con ello el número de epoch
utilizado fue de 30, este parámetro permite definir el número de iteraciones
que todo el conjunto de entrenamiento pasará por el algoritmo de aprendizaje (Gráfico
5).
A
continuación, se presenta el rendimiento de los modelos en el conjunto de datos
de validación, en términos de error de reconstrucción medio (MRE) de autoencoder,
utilizando la función de activación Tanh y ReLu y la optimización del número de
neuronas en la capa oculta que va desde 10 hasta 600 neuronas.
Gráfico
4.
Error
de reconstrucción medio con incremento de neuronas
Modelo con función de
activación Tanh y ReLu
Fuente: BCE
Elaboración: Autores
Los MRE que usa la función de activación
de Tanh muestra valores generales mucho más bajos que para el ReLu. Los MRE
para la función de activación ReLu varían de aproximadamente 0,04 a 0,05 y para
el Tanh de 0,01 a 0,03. Medimos el rendimiento del modelo examinando la pérdida
general (error de reconstrucción medio) en los conjuntos de validación. Cuanto
menor sea este valor, mejor se desempeñará el modelo (Sabetti y Heijmans,
2020).
En el autoencoder con función de
activación Tanh, los errores de reconstrucción disminuyeron rápidamente al
aumentar el número de neuronas, después de unas 170 neuronas, se saturó, por lo
que es el punto en el que agregar más neuronas no producía un mejor error,
similar a (Triepels et al., 2017). Mientras que el autoencoder con ReLu
los MRE son superiores y más inestables, tardan más en encontrar un número de
neuronas en la capa oculta en alrededor de 220 neuronas.
Respecto al número de epochs óptimo, los
modelos se comportan de manera similar, es decir, el MRE del conjunto de
validación decrece hasta un mínimo y a partir del cual el MRE del conjunto de
validación empieza a incrementarse, así tomando como valor óptimo del parámetro
el número de epochs correspondiente al MRE mínimo.
Gráfico
5.
Error
de reconstrucción medio con incremento de EPOCH
Nro. Epoch optimo con
función de activación Tanh y ReLu
Fuente: BCE
Elaboración: Autores
Posteriormente, para determinar qué tan
bien los autoencoder construidos pudieron reconstruir el conjunto de
prueba original, se realizó la estimación de autoencoder con el conjunto
de datos de prueba, estos son datos no vistos por los modelos construidos. Dentro
de este conjunto de datos se encuentran flujos de liquidez que son superiores
al percentil 99 de los flujos según la estadística descriptiva.
Gráfico
6.
El error de reconstrucción del conjunto de prueba original
Autoencoder con función de
activación Tanh (IZQ.) y ReLu (DER.)
Fuente: BCE
Elaboración: Autores
Bajo la consigna de que si el error de
reconstrucción de un vector de liquidez es bajo, es un comportamiento o patrón
habitual mientras que si el error de reconstrucción es grande, entonces el
modelo no reconoce los flujos de liquidez y no puede reconstruir sus valores,
en este último caso es una anomalía. El Gráfico anterior muestra los MRE estimados para el periodo de tiempo desde el corte
502 al 741, las curvas de MRE de autoencoder son bastante similares y
exhiben fluctuaciones en la mayoría de los cortes analizados, existen etapas
que los 2 autoencoder tuvieron dificultades para reconstruir los
vectores de liquidez (Picos). En el caso del autoencoder con función de
activación Tahn se observa que sus MRE son inferiores en relación a ReLu.
El beneficio de la metodología es que se
puede profundizar el error de reconstrucción medio del corte que se detecte
como anomalía al nivel del
participante individual para obtener una mayor explicación (Sabetti y Heijmans,
2020). Por lo que la tarea pendiente es una examinación más detallada de las
alertas. Al revisar de manera general las alertas de anomalías que genera el
modelo en relación a la operatividad real del sistema, aparentemente se explica
por bajo intercambio de flujos de liquidez en ese corte entre la mayoría de
bancos, otros cortes cierto banco no proceso flujos de liquidez que usualmente
realizaba.
A continuación, se presenta autoencoder
por toda la matriz de liquidez, el resultado de los dos modelos entrenados con
función de activación Tanh o función de activación Relu. Se detectan 6
principales cortes que los errores de reconstrucción medio son los más elevados
respecto a la mayoría de MRE, sin embargo, existe otras alertas con menores MRE
superiores a las pruebas de umbrales del ejercicio. Para hacer una comparativa
controlada (estadística descriptiva), se realiza la extracción en la base de
datos original de los cortes que están sobre el percentil 95 e inferior al
percentil 5, obteniendo que los 6 cortes con errores de reconstrucción elevados
que alertó el autoencoder, están dentro del grupo de los cortes en los
percentiles analizados, lo que ayuda a sustentar que el autoencoder se
encuentra alertando cortes que pueden considerarse atípicos por encontrarse en
una posición de extremos. Se debe indicar que al analizar los 6 casos de
alertas principales se evidencia que son casos reales en los que existieron
comportamientos no comunes dentro del SPI, que podrían alertar estrés de
liquidez u otro tipo de fallas de una y/o varias entidades financieras que
permitió un normal comportamiento de las entidades conforme otros cortes. Se
realiza una breve representación gráfica de las cajas y bigotes de los
principales casos en los que se evidencia la existencia de flujos de liquidez
atípicos, sin embargo, el autoencoder permitió hallar dichas alertas a
nivel agregado por corte en función del patrón aprendido por cada flujo.
Gráfico 7. MRE de toda la
base de datos
Fuente: BCE
Elaboración: Autores
Gráfico 8. Base de datos
original cortes con montos superiores al Percentil 95 y menores al Percentil 5 considerándoles
atípicos (Izq.) y comparativo con Alertas principales autoencoder(rojo)
Fuente: BCE
Elaboración: Autores
b. Simulaciones: evaluación de autoencoder
Dado que no se cuenta con eventos previos
sobre flujos de liquidez atípicos en el SPI, para evaluar el rendimiento del autoencoder
se realizó una simulación de una corrida bancaria de una entidad financiera
grande que canaliza operaciones por el SPI. Aplicando la metodología de metodología
de Triepels et al. (2017).
Se alteró los flujos de salida de una
entidad bancaria (EFI1), hacia el resto de entidades bancarias durante los 2
últimos meses del año, todas las ejecuciones bancarias comenzaron al final del
conjunto de prueba en el corte 651 al 741. A continuación se presentan el
comportamiento de los datos reales en relación con los alterados en los últimos
cortes.
Gráfico 9. Datos
reales Flujos de entrada y salida
Fuente: BCE
Elaboración: Autores
Gráfico 10. Datos
con banca rota alterado en los últimos cortes
Fuente: BCE
Elaboración: Autores
Con los datos simulados, se aplica autoencoders
construidos con función de activación Tanh y ReLu, y se obtiene los errores de
reconstrucción medio (MRE). Las curvas de los resultados de los MRE destacan claramente
la corrida bancaria simulada precisamente en los intervalos de tiempo finales.
Durante estos intervalos, el error de reconstrucción aumentó rápidamente a
medida que la red de pago comenzó a cambiar inesperadamente. Los altos flujos
de liquidez salientes del banco estresado no pudieron ser reconstruidos con
precisión y causaron un alto error de reconstrucción durante las corridas
bancarias. La diferencia entre los dos modelos es que los errores del modelo
con Tanh son muchos más estables y menores que los errores del modelo con ReLu.
Gráfico 11. Resultados
de Simulación Error cuadrático medio
Modelo
con Tanh
Modelo
con ReLu
Modelo
con Tanh y ReLu
Fuente: BCE
Elaboración: Autores
Esto
permite probar qué tan bien funciona el autoencoder construido en
detectar los diferentes tipos de problemas de liquidez. Según los resultados
obtenidos, vemos que los autoencoder construidos pudieron detectar
flujos de pago anómalos.
6. Conclusiones
Los métodos de detección de anomalías, apuntan
a identificar observaciones que se desvían de lo que se espera. Estos métodos
permiten obtener los patrones por los cuales los bancos usualmente manejan su
liquidez dentro de un sistema de pagos y permiten detectar los casos en los que
el flujo de pago de alguna entidad se desvía de sus patrones esperados,
alertándolos cómo una anomalía. En los sistemas de pagos los comportamientos no
esperados pueden ser explicados por problemas de liquidez de una o varias entidades
bancarias, problemas operativos o tecnológicos, entre otros. Por lo que es
sumamente importante contar con herramientas útiles y automáticas que permitan
encontrar esos flujos que se desvían de un comportamiento habitual de pago de
una entidad. La metodología propuesta puede ser de utilidad y complementaría
para los encargados de supervisar y monitorear los sistemas de pago y la
estabilidad financiera.
Este documento realizó la construcción de dos autoencoder
(redes neuronales), para la detección de anomalías en los flujos procesados por
las entidades bancarias en el Sistema de Pagos Interbancarios (SPI) del
Ecuador. El autoencoder es una técnica de aprendizaje automático no
supervisado, consiste en aprender de los datos (capa de entrada) y reconstruir
(copiar) en la capa de salida, obteniendo solo las características principales
de la información suministrada. El autoencoder el momento que
identifique un patrón no conocido encuentra problemas en la reconstrucción del
dato y alerta cómo anomalía. Se entrenó el modelo con información de pagos
entre entidades bancarias durante un periodo de tiempo, en lo posterior se
realizó la prueba con un nuevo conjunto de datos nunca vistos por autoencoder,
pudiendo identificar muy bien cómo anómalos a los flujos superiores al
percentil 99 de la base de datos, estadísticamente considerados cómo valores
atípicos. Para poder evaluar los modelos se realizó una simulación de corridas
bancarias, escogiendo una entidad financiera importante y alterando sus flujos
de salida de pagos hacia otras entidades de forma exponencial durante un
periodo de tiempo. Los resultados experimentales fueron capaces de reconocer
rápidamente el cambio del patrón o comportamiento normal de la entidad y
alertan anomalías en los cambios anómalos en los flujos de liquidez entre los
bancos. Lo que refleja la capacidad del autoencoder para poder detectar
anomalías en el sistema de pagos en el Ecuador.
La metodología propuesta en este documento es
un primer esfuerzo por aplicar en datos de pagos del Ecuador, lo recogido en
Triepels et al. (2017). Para el futuro se debe profundizar más en la
construcción del modelo, compararlo con otras técnicas propuestas por otros
autores para contrastar los resultados obtenidos, así como la implementación de
hiperparámetros del autoencoder que permita obtener mejores resultados
ejemplo (validación cruzada, mayores números de capas, otros tipos de autoencoder,
entre otros.) que pueden contribuir a una mejor detección de anomalías.
Bibliografía
Comité
de Sistemas de Pago y Liquidación y Comité Técnico de la Organización
Internacional de Comisiones de Valores (2012) Principios
aplicables a las infraestructuras del mercado financiero Banco de Pagos
Internacionales.
Banco de Inglaterra, 2012 (marzo). Payment Systems Oversight Report 2012.
Londres: Bank of England.
Fan, C., Xiao, F., Zhao, Y., & Wang, J. (2018). Analytical investigation of autoencoder-based
methods for unsupervised anomaly detection in building energy
data. Applied energy, 211, 1123-1135.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Heijmans, R., & Heuver, R. (2011). Is this bank ill? The diagnosis of doctor
TARGET2.
Heijmans, R., & Zhou, C.
(2019). Outlier detection in TARGET2 risk indicators.
Heuver, R., & Triepels, R.
(2019). Liquidity stress detection in the European banking sector. De
Nederlandsche Bank Working Paper No. 642, June 2019.
León, C. (2019). Detecting anomalous payments networks: A dimensionality
reduction approach. Banco de la Republica de Colombia.
Pumsirirat,
A., & Yan, L. (2018). Credit card fraud detection using deep learning based
on auto-encoder and restricted boltzmann machine. International Journal of
advanced computer science and applications, 9(1), 18-25.
Sabetti L. & Heijmans
R. (2020), Shallow
or deep? Detecting anomalous flows in the Canadian Automated Clearing Settlement
System using an autoencoder. Payments Canada.
Summers, 2012 Summers B. Payment Systems: Design Governance and Oversight.
Londres: Central Banking Publications; 2012.
Thottan, M., Liu, G., Ji, C. (2010). Anomaly Detection Approaches for Communication
Networks. In: Cormode, G. & Thottan, M. (eds.) Algorithms for Next
Generation Networks. Computer Communications and Networks. Springer: London.
Triepels, R., Daniels, H., & Heijmans, R. (2017, April). Detection and explanation of anomalous
payment behavior in real-time gross settlement systems. In International
Conference on Enterprise Information Systems (pp. 145-161). Springer, Cham.
Zamini, M., & Montazer, G. (2018, December). Credit card fraud detection using
autoencoder based clustering. In 2018 9th International
Symposium on Telecommunications (IST) (pp. 486-491). IEEE.
Anexo
A continuación, se utiliza la técnica de
caja y bigotes para realizar una representación de montos totales por corte y
sus valores atípicos. Se debe indicar que este análisis contempla todos los
flujos intercambiados entre las entidades financieras, sin embargo, no
considera su comportamiento habitual individualmente conforme la metodología autoencoder.
