Desarrollo de modelo de aprendizaje estadístico para la identificación del riesgo de lavado de activos y financiación del terrorismo

Abstract

El presente trabajo propone el desarrollo de una metodología estadística efectiva para resolver el problema de no contar con un modelo para evaluar el riesgo de Lavado de Activos y Financiación del Terrorismo (LAFT) en los municipios de Colombia a partir de indicadores que aportan información sobre la situación social, económica y demográfica del municipio. Inicialmente se hace una revisión de la literatura para identificar y mostrar una evolución de las técnicas que han sido aplicadas para medir el riesgo LAFT en municipios de Colombia; en segundo lugar, se consolida la base de datos con los indicadores actualizados desde diferentes fuentes de información, consolidando 55 variables asociadas al riesgo de LAFT organizadas en ocho tablas según su temática principal. Finalmente, a través de un Análisis Factorial Múltiple (AFM) y agrupamiento jerárquico por componentes principales (HCPC), se segmentan a los municipios en cuatro grupos dependiendo de su nivel de riesgo LAFT, y se determinan los indicadores que más afectan a este resultado. Los resultados muestran que la metodología es eficaz para identificar áreas críticas y guiar la implementación de políticas de prevención del LAFT. Sin embargo, se reconoce la necesidad de mejorar la disponibilidad y actualización de los datos. (Texto tomado de la fuente).

The present study proposes the development of an effective statistical methodology to address the lack of a model for evaluating Money Laundering and Terrorist Financing (ML/TF) risk in Colombian municipalities, using indicators that provide insights into the social, economic, and demographic conditions. The approach begins with a literature review to identify and trace the evolution of ML/TF risk assessment techniques, followed by the consolidation of a database with 55 variables associated with ML/TF risk, which are categorized into eight thematic groups. Finally, through Multiple Factor Analysis (MFA) and Hierarchical Clustering on Principal Components (HCPC), municipalities are segmented into four groups according to their ML/TF risk level. The results demonstrate the method’s effectiveness in identifying critical areas and guiding ML/TF prevention policies, while highlighting the need for data quality improvement and actualization.