EconPapers    
Economics at your fingertips  
 

Pattern recognition of financial institutions’ payment behavior

Carlos León (), Paolo Barucca, Oscar Acero, Gerardo Gage and Fabio Ortega
Additional contact information
Paolo Barucca: University College London, United Kingdom
Oscar Acero: Banco de la República de Colombia
Gerardo Gage: Centro de Estudios Monetarios Latinoamericanos (CEMLA), México
Fabio Ortega: Banco de la República de Colombia

Borradores de Economia from Banco de la Republica de Colombia

Abstract: We present a general supervised machine learning methodology to represent the payment behavior of financial institutions starting from a database of transactions in the Colombian large-value payment system. The methodology learns a feedforward artificial neural network parameterization to represent the payment patterns through 113 features corresponding to financial institutions’ contribution to payments, funding habits, payments timing, payments concentration, centrality in the payments network, and systemic impact due to failure to pay. The representation is then used to test the coherence of out-of-sample payment patterns of the same institution to its characteristic patterns. The performance is remarkable, with an out-of-sample classification error around three percent. The performance is robust to reductions in the number of features by unsupervised feature selection. Also, we test that network centrality and systemic impact features contribute to enhancing the performance of the methodology definitively. For financial authorities, this is the first step towards the automated detection of individual financial institutions’ anomalous behavior in payment systems. **** RESUMEN: Presentamos una metodología general de aprendizaje automático supervisado para representar el comportamiento de pago de las instituciones financieras a partir de una base de datos de transacciones del sistema de pagos de alto valor de Colombia. La metodología utiliza una red neuronal artificial para representar los patrones de pago de instituciones financieras a través de 113 características que corresponden a su contribución a los pagos, hábitos de fondeo, momento de pagos, concentración de pagos, centralidad en la red de pagos, e impacto sistémico debido a la imposibilidad de pagar. Esta representación es utilizada para probar la coherencia de los patrones de pago fuera de muestra de una institución financiera con sus patrones de pago característicos. El desempeño del modelo es notable, con un error de clasificación fuera de muestra cercano a tres por ciento. El desempeño es robusto a reducciones en el número de características con base en la selección no supervisada de características. También se comprueba que la centralidad en la red de pagos y el impacto sistémico son características que efectivamente mejoran el desempeño de la metodología. Para las autoridades financieras este es un primer paso hacia la detección automatizada de anomalías en el comportamiento de las instituciones financieras como participantes en sistemas de pago.

Keywords: Payments; neural networks; feature selection; machine learning; pattern recognition; pagos; redes neuronales; selección de características; aprendizaje automático; reconocimiento de patrones (search for similar items in EconPapers)
JEL-codes: C45 E42 G21 (search for similar items in EconPapers)
Pages: 29
Date: 2020-09
New Economics Papers: this item is included in nep-big, nep-cmp and nep-pay
References: View references in EconPapers View complete reference list from CitEc
Citations: Track citations by RSS feed

Downloads: (external link)
https://doi.org/10.32468/be.1130

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:bdr:borrec:1130

DOI: 10.32468/be.1130

Access Statistics for this paper

More papers in Borradores de Economia from Banco de la Republica de Colombia Cra 7 # 14-78. Contact information at EDIRC.
Bibliographic data for series maintained by Clorith Angélica Bahos Olivera ().

 
Page updated 2021-01-20
Handle: RePEc:bdr:borrec:1130