MÉTODOS ESTADÍSTICOS APLICADOS A SARLAFT. Nicolás Corredor Matiz Bogotá, 7 de febrero de 2008

Transcripción

1 MÉTODOS ESTADÍSTICOS APLICADOS A SARLAFT Nicolás Corredor Matiz Bogotá, 7 de febrero de 2008

2 CONTENIDO 1 KNIGHT FINANCIAL 2 INTRODUCCIÓN 3 GENERACIÓN DE DE ALERTAS II II II III III VISUALIZACIÓN ÁRBOLES DE DE DECISIÓN METODOLOGÍA PROPUESTA Y CLUSTERS 4 RETO: RETO: MEDICIÓN DE DE RIESGO DE DE LA/FT LA/FT 5 CONCLUSIONES

3 Knight Financial Services Somos una Boutique de Risk Management: Financiero Commodities Otros

4 CONTENIDO 1 KNIGHT FINANCIAL 2 INTRODUCCIÓN 3 GENERACIÓN DE DE ALERTAS II II II III III VISUALIZACIÓN ÁRBOLES DE DE DECISIÓN METODOLOGÍA PROPUESTA Y CLUSTERS 4 RETO: RETO: MEDICIÓN DE DE RIESGO DE DE LA/FT LA/FT 5 CONCLUSIONES

5 CONTEXTO El SARLAFT hace parte de los Sistemas de Administración de Riesgo (SAR) El SARLAFT tiene una finalidad diferente que los otros SAR A diferencia de SARC (crédito) y SARM (mercado), no existen metodologías (hasta definiciones) comúnmente aceptada para medir el riesgo Se utilizan modelos de medición de riesgo crediticio como árboles de decisión Aplicar otras medidas de riesgo presenta dificultades por la naturaleza de los datos disponibles Existe la de buscar metodologías de medición que sean clara, fácilmente entendible y aplicable a las diferentes entidades con exposición a LA/FT Esta meta es ambiciosa, así que hay que comenzar la discusión desde unos pasos atrás

6 OBJETIVO DE LA PRESENTACIÓN El objetivo de la presentación es mostrar diferentes técnicas estadísticas utilizadas para generar alertas sobre el riesgo de LA/FT Se enumerarán diferentes metodologías, enfatizando en la lógica de las Gráficas y métodos Visuales Árboles de Decisión Se propone una metodología cuantitativa de generación de alertas que permite hacer análisis particulares de tipologías y segmentos del mercado La metodología propuesta tiene la única finalidad de aportar nuevas herramientas de análisis No pretende ser LA SOLUCIÓN a este complejo problema Los modelos no son buenos o malos, su aplicabilidad depende de la información disponible y del correcto uso

7 REPASO: MÉTODOS DE DETECCIÓN* Inteligencia Reactiva Delaciones Listas Líneas calientes Proactiva Verificación Comparación de fuentes Visualización Tablas Gráficos Mapas Score-Based Analysis Basados en casos conocidos Inteligencia Analítica Formas y vínculos no conocidos *Fuente: La tecnología como herramienta para la detección de lavado de activos - UIAF

8 REPASO: SEGMENTACIÓN DEL MERCADO La naturaleza y características: Clientes Usuarios Canales Productos Jurisdicciones Otros criterios similares El volumen o frecuencia de las transacciones Define un rango del mercado en el que el cliente se encuentra Esta información debe ser utilizada para analizar en cada caso los comportamientos usuales/inusuales de cada cliente

9 REPASO: GENERACIÓN DE ALERTAS Datos históricos: Con base en la información histórica, identificar las transacciones inusuales Datos consolidados, datos por segmento Transacciones en curso: Prevenir las operaciones inusuales on-line / en tiempo real Prevención transacciones inusuales Dada la información histórica y el perfil de la entidad, hacer inferencias sobre las posibles transacciones inusuales futuras

10 CONTENIDO 1 KNIGHT FINANCIAL 2 INTRODUCCIÓN 3 GENERACIÓN DE DE ALERTAS II II II III III VISUALIZACIÓN ÁRBOLES DE DE DECISIÓN METODOLOGÍA PROPUESTA Y CLUSTERS 4 RETO: RETO: MEDICIÓN DE DE RIESGO DE DE LA/FT LA/FT 5 CONCLUSIONES

11 VISUALIZACIÓN DE LOS DATOS La visualización es en general, cualquier técnica para crear gráficos, diagramas, imágenes, animaciones, etc., para comunicar mensajes o analizar datos Es un método efectivo para entender ideas abstractas Las gráficas por computador son uno de los más importantes desarrollos en la visualización Para nuestro caso, existen diferentes gráficas apropiadas para analizar una gran cantidad de datos En estadística es recomendable visualizar los datos antes de ajustar modelos ya que se detectan datos atípicos (outliers), datos faltantes, se puede en algunos casos entender la naturaleza de la relación entre variables, etc. Más información: La tecnología como herramienta para la detección de lavado de activos - UIAF

12 QUÉ DICEN LOS DATOS? Monto Ciudad Producto Cliente/Usuario Canal CI PR CU CAN $ 70, $ 60, $ 31, $ 165, $ 194, $ 68, $ 115, $ 27, $ 30, $ 189, $ 85, $ 155, $ 12, $ 124, $ 54, $ 114, $ 133, $ 89, $ 141, $ 106, $ 107, $ 27, $ 172, $ 85, $ 152, $ 15, $ 86, $ 121, $ 63, $ 17, $ 154, $ 22, $ 161, Ciudad Bog 1 Med 2 Cali 3 B/manga 4 Producto Cta Ahorro 1 Cta Corriente 2 Tarj Crédito 3 Cliente/Usuario Persona Natural 1 Persona Jurídica 2 Ama de casa 3 Estudiante 4 Trabajador Independiente 5 Canal Virtual 1 Voz 2 Oficinas 3

13 PIE CHART B/manga 8% Pie Chart: Montos Por Ciudad Cali 16% Bog 57% Bog Med Cali B/manga Med 19% Pie Chart: Montos por Producto Tarj Crédito, 81,081, Cta Ahorro, 174,243, Cta Ahorro Cta Corriente Tarj Crédito Cta Corriente, 47,611,169.77

14 PIE CHART Pie Chart: Montos por Cliente 23,946, ,138, ,034, ,057, Persona Natural Persona Jurídica Ama de casa Estudiante Trabajador Independiente 101,759, Pie Chart: Montos por Canal Oficinas 32% Virtual 37% Virtual Voz Oficinas Voz 31%

15 VISUALIZACIÓN DE LOS DATOS Diagramas de Dispersión (Scater plot): Scater Plot Aluminio Vs. Cobre Aluminio Cobre

16 VISUALIZACIÓN DE LOS DATOS: CORRELACIÓN En probabilidad y estadística la correlación (medida en el coeficiente de correlación), indica la fuerza y dirección de una relación lineal entre dos variables aleatorias.

17 VISUALIZACIÓN DE LOS DATOS: CORRELACIÓN Cuatro conjuntos de datos con la misma correlación de 0.81.

18 DATOS: DIAGRAMAS DE DISPERSIÓN $4,500,000 $4,000,000 Ciudad $3,500,000 $3,000,000 Monto $2,500,000 $2,000,000 $1,500,000 $1,000,000 $500,000 $ Ciudad

19 DATOS: DIAGRAMAS DE DISPERSIÓN $4,500,000 $4,000,000 Producto $3,500,000 $3,000,000 Monto $2,500,000 $2,000,000 $1,500,000 $1,000,000 $500,000 $

20 DATOS: DIAGRAMAS DE DISPERSIÓN $4,500,000 $4,000,000 Cliente/Usuario $3,500,000 $3,000,000 Monto $2,500,000 $2,000,000 $1,500,000 $1,000,000 $500,000 $

21 DATOS: DIAGRAMAS DE DISPERSIÓN $4,500,000 $4,000,000 Canal $3,500,000 $3,000,000 Monto $2,500,000 $2,000,000 $1,500,000 $1,000,000 $500,000 $

22 HISTOGRAMAS Un histograma es un gráfico de las frecuencias tabuladas. Un histograma es la versión gráfica de una tabla que muestra la proporción de casos que cae en cada uno de las categorías especificadas. Difiere de un diagrama de barras en que el área de las barras denota el valor y no la altura. Las categorías son usualmente especificadas como intervalos disjuntos del mismo tamaño. Pearson5(2.6255, ) Shift= Values x 10^ Values in Thousands 90.0% % >

23 CONSTRUCCIÓN HISTOGRAMA Max $ 3,952,348 Min $ 12,183 Cantidad Datos 348 Intervalos Histograma # Intervalo Intervalo Inf Intervalo Sup Frecuencia Probabilidad 1 $ - $ 219, % 2 $ 219,559 $ 426, % 3 $ 426,936 $ 634, % 4 $ 634,313 $ 841, % 5 $ 841,690 $ 1,049, % 6 $ 1,049,068 $ 1,256, % 7 $ 1,256,445 $ 1,463, % 8 $ 1,463,822 $ 1,671, % 9 $ 1,671,199 $ 1,878, % 10 $ 1,878,576 $ 2,085, % 11 $ 2,085,953 $ 2,293, % 12 $ 2,293,330 $ 2,500, % 13 $ 2,500,708 $ 2,708, % 14 $ 2,708,085 $ 2,915, % 15 $ 2,915,462 $ 3,122, % 16 $ 3,122,839 $ 3,330, % 17 $ 3,330,216 $ 3,537, % 18 $ 3,537,593 $ 3,744, % 19 $ 3,744,970 $ 13,952, %

24 $3,848, % 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% HISTOGRAMA Histograma Montos $3,641,282 $3,433,905 $3,226,527 $3,019,150 $2,811,773 $1,567,510 $1,774,888 $1,982,265 $2,189,642 $2,397,019 $2,604,396 $1,360,133 $1,152,756 $945,379 $738,002 $530,625 $323,248 $115,871

25 AJUSTE DE DISTRIBUCIONES AL PROCESO DE GENERACIÓN DE LOS DATOS 0.40 Lognorm(2.5, 2) LogLogistic( , , ) % 90.0% 5.0% > Normal(0, 1) Values x 10^ Beta(2, 2) < 90.0% > ? % 90.0% 5.0% Weibull(2, 2.5) Shift= Values in Millions < 90.0% > % 5.0%>

26 SE PUEDEN UTILIZAR COMBINACIONES DE DISTRIBUCIONES 30.00% Lognorm(2.5, 2) Normal(0, 1) % Monto α + (1- α) % $115,871 $323,248 $530,625 $738,002 $945,379 $1,152,756 $1,360,133 $1,567,510 $1,774,888 $1,982,265 $2,189,642 $2,397,019 $2,604,396 $2,811,773 $3,019, % 10.00% 5.00% $3,226,527 $3,433,905 $3,641,282 $3,848, % % 90.0% 5.0% > < 90.0% > Histograma Modelo

27 GRÁFICO BUBBLE Cliente # Retiros Abonos # Trans 1 $ 100,905 $ 120, $ 18,714 $ 30, $ 70,229 $ 150, $ 141,383 $ 60, $ 87,997 $ 90, $ 43,635 $ 55, $ 12,230 $ $ 15,000 $ 11, $ 35,472 $ 80, $ 20,000 $ 13, $ 153,856 $ 153, $ 12,000 $ 20, $ 5,000 $ 7, $ 41,905 $ 49, $ 60,000 $ 50, $ 45,500 $ 32, $ 30,465 $ 20, $ 39,712 $ 77,033 5

28 GRÁFICO BUBBLE $300,000 Cuentas con mayor número de transacciones $250,000 $200,000 Abonos $150,000 $100,000 $50,000 $- $(50,000) $(50,000) $- $50,000 $100,000 $150,000 $200,000 $250,000 Retiros

29 CONTENIDO 1 KNIGHT FINANCIAL 2 INTRODUCCIÓN 3 GENERACIÓN DE DE ALERTAS II II II III III VISUALIZACIÓN ÁRBOLES DE DE DECISIÓN METODOLOGÍA PROPUESTA Y CLUSTERS 4 RETO: RETO: MEDICIÓN DE DE RIESGO DE DE LA/FT LA/FT 5 CONCLUSIONES

30 ÁRBOLES DE DECISIÓN Es una técnica de inferencia ampliamente utilizada en estimación del riesgo de crédito, junto con redes neuronales, regresión logística, matrices de transición. Es un método NO PARAMÉTRICO, efectivo para modelar el efecto (no lineal) de diferentes variables sobre una variable dependiente. Tiene la ventaja de ser fácil de entender y aplicar (aunque no de construir), sin necesitar conocimientos profundos de estadística.

31 ÁRBOLES DE DECISIÓN Es aplicable como una herramienta adicional para generar alertas de LA/FT, aunque debe ser complementado con el criterio de un experto Para esto se utilizará la información de las variables que definen la naturaleza y características de la transacción (clientes, usuarios, canales, etc.) para detectar las interacciones y relación con el monto de la transacción. Esto permitirá encontrar si la transacción analizada es inusual, dada su naturaleza.

32 EJEMPLO: ÁRBOL DE DECISIÓN

33 EJEMPLO: ÁRBOL DE DECISIÓN Con un árbol con tantas ramas como este, existe el peligro que se ajusten bien los datos, pero no se hagan buenas predicciones sobre valores nuevos. Las ramas inferiores pueden estar afectadas fuertemente por outliers y otros problemas de los datos. Es preferible buscar un árbol más pequeño que evite este problema de overfitting.

34 APLICACIÓN: ÁRBOL DE DECISIÓN Análisis de una transacción de {Bogotá, Tarjeta de Crédito, Persona Natural, Virtual} = {1,3,1,1} por un monto dado Brinda información sobre los valores usuales/inusuales del monto para la naturaleza de la transacción

35 CÓMO CONSTRUIR UN ÁRBOL DE DECISIÓN? Existen diferentes algoritmos para la construcción de árboles (por ej.: top down = descendente, greedy = egoísta). Top down: Cuál es el nodo que debe ir en la raíz del árbol? Cada atributo debe ser evaluado con pruebas estadísticas para determinar cada partición que tal clasifica los datos. El mejor atributo es seleccionado y el proceso continúa descendentemente. El atributo mejor clasificador: mayor reducción de entropía (ganancia de info.) *Fuente: Aprendizaje Automático: Árboles de Decisión A. Guerra

36 CÓMO CONSTRUIR UN ÁRBOL DE DECISIÓN? Entropía (contenido de información): E( P( v n 1 ),..., P( vn)) = P( vi)log2p( vi) i= 1 *Fuente: Aprendizaje Automático: Árboles de Decisión A. Guerra

37 CONTENIDO 1 KNIGHT FINANCIAL 2 INTRODUCCIÓN 3 GENERACIÓN DE DE ALERTAS II II II III III VISUALIZACIÓN ÁRBOLES DE DE DECISIÓN METODOLOGÍA PROPUESTA Y CLUSTERS 4 RETO: RETO: MEDICIÓN DE DE RIESGO DE DE LA/FT LA/FT 5 CONCLUSIONES

38 PROPUESTA: GENERACIÓN DE ALERTAS A continuación se expondrá una metodología propuesta por Knight: Basado en la información histórica sobre la naturaleza de las transacciones Se buscarán transacciones que sean inusuales para diferentes segmentos o la agregación total de los datos La metodología permite también buscar comportamientos inusuales, analizando diferentes tipologías o escenarios de interés definidos por la entidad.

39 METODOLOGÍA DE KNIGHT Para cada segmento se analiza la distribución histórica de las transacciones por medio de un histograma. Se ordenan descendentemente los intervalos según la probabilidad que el monto se encuentre en cada intervalo. Los intervalos que tengan menor probabilidad son una medida de operaciones inusuales para esto es necesario definir un nivel de confianza.

40 METODOLOGÍA DE KNIGHT Entonces, para nuevas transacciones, se analiza el segmento al que pertenece y si el monto de la operación cae en dicho intervalo, entonces dicha transacción es una transacción inusual. No obstante, dado que la cantidad de segmentos es típicamente muy grande, se utiliza un análisis de clusters para partir el mercado en una cantidad menor de segmentos similares, como se explicará a continuación.

41 30.00% 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% METODOLOGÍA DE KNIGHT : EXPLICACIÓN Histograma - Bogotá $470,024 $772,835 $1,075,645 $1,378,456 $1,681,267 $1,984,078 $2,286,889 $2,589,700 $2,892,510 $3,195,321 $3,498,132 $3,800,943 $159,309

42 100.00% 90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% METODOLOGÍA PROPUESTA: EXPLICACIÓN Intervalos Inusuales Confianza del 95% $159,309 $2,286,889 $1,984,078 $1,681,267 $772,835 $1,378,456 $2,589,700 $1,075,645 $2,892,510 $3,195,321 $3,800,943 $3,498,132 Probabilidad Prob Acumulada $470,024

43 30.00% 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% METODOLOGÍA PROPUESTA: EXPLICACIÓN Histograma - Bogotá Intervalos Inusuales $470,024 $772,835 $1,075,645 $1,378,456 $1,681,267 $1,984,078 $2,286,889 $2,589,700 $2,892,510 $3,195,321 $3,498,132 $3,800,943 $159,309

44 METODOLOGÍA DE KNIGHT PARE Existe un problema: La cantidad de segmentos es típicamente muy grande

45 CLUSTERS La finalidad de este análisis es entender la compleja naturaleza de relaciones multivariadas Se buscan grupos naturales y así: Disminuir dimesionalidad Identificar outliers (en este caso no debe haber) Sugerir hipotesis sobre relaciones entre las variables Se agrupa según similaridades o distancias Se necesitan medidas de similaridad Ejemplo cartas: pariciones dependen de definición de similaridad Reto: Generalmente no es posible analizar todos los grupos de todos los tamaños posibles Los algoritmos buscaran buenas agrupaciones, no necesariamente las mejores

46 CLUSTERS Variable A Variable B Aluminio En 2 dimensiones podemos utilizar Gráficos de Dispersión Scater Plot Aluminio Vs. Cobre Cobre

47 VISUALIZACIÓN DE CLUSTERS 9 8 Datos Originales

48 CUANTOS CLUSTERS ES ÓPTIMO CONSTRUIR 2 CLUSTERS CLUSTERS CLUSTERS CLUSTERS

49 MEDIDAS DE SIMILARIDAD ( ) ( ) ( ) ), ( p x p y y x y x y x d = x y Distancia Euclidea x p y p y x y x y x d =... ), ( Distancia Taxista i i p i y x y x d = =,..., 1 max ), ( Distancia del Máximo

50 MÉTODOS DE CLUSTERING Algoritmo general: 1. Empiece con N clusters formados y la distancia entre ellos (matriz simétrica de N x N). 2. Encuentre en la matriz la distancia más pequeña (clusters más similares). 3. Una dichos clusters. 4. Repita hasta que tenga la cantidad de clusters buscada d 24 d 15 Según la naturaleza de los datos se debe seleccionar el método de clustering d + d14+ d15+ d23+ d d25

51 MÉTODO DE KNIGHT CONTINUACIÓN Para la transacción a analizar se determina el cluster al que pertenecería y se realiza un análisis de la distribución de los montos de dicho cluster. De esta manera se determina si es una operación usual o inusual.

52 MÉTODO DE KNIGHT CONTINUACIÓN Cluster 1 Cluster 2 Cluster 3 LogLogistic( , , ) Expon( ) Shift= LogLogistic(36201, , ) Values x 10^ Values x 10^ Values x 10^ Values in Millions < 90.0% > Values in Millions Values in Millions % > 90.0% 5.0% > Cluster 4 Cluster 5 InvGauss(867185, ) Shift= InvGauss(972827, ) Shift= Values x 10^ Values x 10^ Values in Millions < 90.0% 5.0% > Values in Millions 5.0% 90.0% >

53 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% METODOLOGÍA DE KNIGHT : CLUSTER 2 Histograma - Cluster 2 $2,946,390 $435,917 $714,858 $993,800 $1,272,741 $1,551,683 $1,830,624 $2,109,566 $2,388,507 $2,667,449 $148,223

54 100.00% 90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% METODOLOGÍA DE KNIGHT: CLUSTER 2 Intervalos Inusuales Confianza del 95% $148,223 $2,109,566 $2,388,507 $1,830,624 $714,858 $1,551,683 $1,272,741 $2,667,449 $2,946,390 $993,800 Int Sup $435,917

55 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% Histograma - Cluster 2 $2,946,390 METODOLOGÍA DE KNIGHT: CLUSTER 2 Intervalos Inusuales $435,917 $714,858 $993,800 $1,272,741 $1,551,683 $1,830,624 $2,109,566 $2,388,507 $2,667,449 $148,223

56 $2,388,507 $2,667,449 $2,946, % 20.00% 15.00% 10.00% 5.00% 0.00% Histograma - Cluster 2 $2,109,566 $1,272,741 $1,551,683 $1,830,624 $993,800 COMPARACIÓN $3,195,321 $3,498,132 $3,800,943 $148,223 $435,917 $714,858 $2,892,510 $2,589, % 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% Histograma - Bogotá $1,681,267 $1,984,078 $2,286,889 $1,378,456 $1,075,645 $772,835 $470,024 $159,309

57 CONTENIDO 1 KNIGHT FINANCIAL 2 INTRODUCCIÓN 3 GENERACIÓN DE DE ALERTAS II II II III III VISUALIZACIÓN ÁRBOLES DE DE DECISIÓN METODOLOGÍA PROPUESTA Y CLUSTERS 4 RETO: RETO: MEDICIÓN DE DE RIESGO DE DE LA/FT LA/FT 5 CONCLUSIONES

58 MEDICIÓN DE RIESGO DE LA/FT Los modelos más utilizados hasta ahora en la medición del riesgo de LA/FT en Colombia buscan generar alarmas. Es necesario dar pasos en la medición del riesgo de LA/FT para: Conocer el tamaño de la exposición Enfocar esfuerzos para mitigar el riesgo Comparar resultados en la mitigación de estos riesgos Comencemos desde la definición de LA/FT:* LAVADO DE DINERO: Es el proceso para ocultar o disfrazar la existencia, fuente ilegal, movimiento, destino o uso ilegal de propiedad o fondos derivados ilícitamente para hacerlos aparecer como legítimos. FINANCIAMIENTO DEL TERRORISMO: La actividad terrorista tiene como principal objetivo la intimidación a la población civil o forzar a los gobiernos a realizar algo. *Fuente: A. Laguna

59 MEDICIÓN DE RIESGO DE LA/FT La medición del riesgo debe buscar ser: Objetiva Comparable entre entidades Fácil de entender Seguir una metodología de medición comúnmente aceptada La generación de alarmas está relacionada con la probabilidad de que una transacción sea LA/FT. Una estimación de la probabilidad de LA/FT por si sola no es suficiente para la medición adecuada del riesgo: Transacción A Transacción B Porbabilidad de LA/FT 95% 30% Monto $ 100,000 $ 100,000,000 Cuál transacción es más riesgosa? En qué tipo de transacciones me debo enfocar para mitigar este riesgo?

60 ES NECESARIO TAMBIÉN MEDIR EL IMPACTO En el sector financiero: Impacto por parte de organismos internacionales Pérdida de imagen Desconfianza del público y de los inversionistas Sanciones nacionales e internacionales El dinero ilícito afecta a los países: Daña la imagen internacional Deteriora la moral social Genera corrupción y violencia Problemas económicos: Inflación Problemas cambiarios Competencia desleal Quiebras y liquidaciones Desempleo Sanciones: Laborales (pérdida del trabajo y veto en el sector) Administrativas (multas y/o destitución) Penales (multas y/o prisión) Difícilmente medibles Reactivas *Fuente: A. Laguna

61 CÓMO SE DEBE MEDIR EL IMPACTO? Proponemos hacer un paralelo entre otros tipos el riesgo y el riesgo de LA/FT. Esto es adecuado porque en el riesgo de crédito y de mercado existen definiciones y metodologías ampliamente aceptadas. Se puede llegar de esta manera a proponer mediciones del riesgo de LA/FT. Esto es un paralelo entre LA/FT y el riesgo de una aseguradora: No se hará un análisis de los riesgos de LA/FT cuando un cliente sufre un siniestro y utiliza su seguro. No obstante, las metodologías para estimar el riesgo de LA/FT pueden ser traducidas del ambiente de este tipo de riesgo. Para el análisis se utilizará la herramienta de simulaciones de MonteCarlo

62 HERRAMIENTA BÁSICA: MÉTODO DE MONTECARLO* El método de Monte Carlo es un método no determinístico o estadístico numérico usado para aproximar expresiones matemáticas complejas y costosas de evaluar con exactitud. El método de Monte Carlo proporciona soluciones aproximadas a una gran variedad de problemas matemáticos posibilitando la realización de experimentos con muestreos de números pseudoaleatorios en una computadora. El método es aplicable a cualquier tipo de problema, ya sea estocástico o determinista. *Fuente: Wikipedia.org

63 HERRAMIENTA BÁSICA: MÉTODO DE MONTECARLO* 0.40 Normal(0.0000, ) 0.40 Triang(-2.5, 0, 2.5) 0.40 Poisson(1) x < 90.0% > % 90.0% 5.0% % 5.0% > Distribution for Resultado/C =? Values in 10^ Mean= E+07 Aproximación con Montecarlo % 90% 5%

64 MEDICIÓN DE RIESGO DE UNA ASEGURADORA: EJEMPLO Para la medición del riesgo una aseguradora modela: La cantidad de siniestros en un periodo dado La severidad de cada uno de los siniestros que se tuvo Analiza entonces la distribución de las pérdidas para encontrar el VALOR EN RIESGO (VaR) α VARα CVARα 1 - α

65 MEDICIÓN DE RIESGO DE SARLAFT 30.00% 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% Proponemos que el impacto sea el monto en unidades monetarias al que se está expuesto Monto $115,871 $323,248 $530,625 $738,002 $945,379 $1,152,756 $1,360,133 $1,567,510 $1,774,888 $1,982,265 $2,189,642 $2,397,019 $2,604,396 $2,811,773 $3,019,150 $3,226,527 $3,433,905 $3,641,282 $3,848,664 Tipo de cliente Discrete({x}, {p}) Histograma Modelo Mean=2.3052E+09 Distribution for Potencial/B Values in 10^ % 90.0% Discrete({x}, {p}) Probabilidad LA/FT por cliente % 5% > % %

66 ANÁLISIS DE RIESGO DE LA/FT Distribución de la cola de los peores casos Gráfica de tornado Distribution for Potencial/B22 Regression Sensitivity for Potencial/B Mean= E+10 Riesgo Cliente/B Normal/B #Trans/F #Trans/F96 5 #Trans/F #Trans/F Values in 10^ #Trans/F Abonos/J Cantidad Transacciones/K Abonos/J #Trans/F224 #Trans/F #Trans/F154 #Trans/F #Trans/F Cantidad Transacciones/K % 90% >

67 CONTENIDO 1 KNIGHT FINANCIAL 2 INTRODUCCIÓN 3 GENERACIÓN DE DE ALERTAS II II II III III VISUALIZACIÓN ÁRBOLES DE DE DECISIÓN METODOLOGÍA PROPUESTA Y CLUSTERS 4 RETO: RETO: MEDICIÓN DE DE RIESGO DE DE LA/FT LA/FT 5 CONCLUSIONES

68 CONCLUSIONES Es un hecho que no existe una única metodología para detectar las operaciones sospechosas y mucho menos para medir el riesgo de LA/FT. Es necesario entonces tener diferentes herramientas y siempre estar explorando otras nuevas este fin. Las metodologías de LA/FT están evolucionando y mejorando continuamente, para lo cual debemos estar preparados.

69 CONCLUSIONES Una manera utilizada en la administración de riesgo es basarse en la historia para analizar la llegada de nuevos datos y hacer inferencias sobre el futuro. Es necesario combinar las herramientas con conceptos aterrizados y actualizados de los expertos. Las herramientas utilizadas deben contener las más sencillas hasta las más sofisticadas, porque las metodologías de LA/FT lo son, esto requiere una sofisticación en estadística y constante búsqueda de los practicantes.

70 Contacto: Tel: 57 (1) Cel: