Supervisión financiera: SupTech con machine learning en un sistema de alertas tempranas

De qué trata

Conversación sobre el trabajo de investigación «Empowering financial supervision: a SupTech experiment using machine learning in an early warning system» y sus conclusiones. Para los supervisores financieros, la información codificada en texto es un complemento valioso de los datos de balances que se usan de forma habitual para evaluar la solidez de las instituciones.

El estudio emplea técnicas de procesamiento de lenguaje natural (NLP) y análisis de redes para detectar anomalías en el sistema corporativo español e identificar riesgos idiosincrásicos y sistémicos. El análisis de sentimiento detecta anomalías en el comportamiento de empresas específicas, y las métricas de redes monitorean los riesgos del sistema. En el ámbito de la tecnología aplicada a la supervisión (SupTech), estos sistemas son una herramienta proactiva para las autoridades financieras y pueden dar alertas tempranas de posibles situaciones de estrés financiero o de riesgos sistémicos.

Resumen de la sesión

El expositor presenta un experimento en fase exploratoria del Banco de España para detectar alertas tempranas de riesgos en el sistema financiero a partir de noticias de prensa, con tres componentes. El primero es el reconocimiento de entidades, que permite quedarse solo con las noticias que se refieren a las empresas de interés (por ejemplo, distinguir un banco de una ciudad con el mismo nombre) y que se complementa con un modelo de lenguaje para recoger todas las formas en que se nombra a cada entidad. El segundo es el análisis de sentimiento, con un método de diccionario financiero y otro basado en modelos de lenguaje preentrenados en español, y un semáforo que se activa cuando el sentimiento se desvía de su promedio.

El tercero es el análisis de grafos: se mapean las conexiones entre entidades que aparecen juntas en las noticias y se calculan medidas de centralidad para ver qué entidades podrían propagar un riesgo. Muestra comparaciones con episodios de caída de cotización y con un indicador de volatilidad de mercado para validar la herramienta, y advierte que aún no está en producción y que hay que vigilar los sesgos de la prensa. En las preguntas se habló de la fuente de las noticias, de cómo medir su calidad y utilidad, de las pruebas de estrés con noticias sintéticas, del uso en prevención de lavado de activos y riesgo reputacional, y de la posibilidad de aplicarlo a otras fuentes.

Temas tratados

• Noticias de prensa como fuente de alertas tempranas para la supervisión
• Reconocimiento de entidades y modelos de lenguaje para identificar empresas
• Análisis de sentimiento y semáforo de alertas
• Análisis de grafos y propagación de riesgos entre entidades
• Validación de la herramienta frente a cotizaciones e indicadores de volatilidad
• Límites: sesgos de la prensa, fase exploratoria y falta de despliegue
• Preguntas: fuentes de datos, calidad de las alertas y usos en lavado de activos