Un cambio transformador en el volumen, la velocidad y la variedad de datos está impulsando el uso innovador de la tecnología financiera, lo que lleva a cambios rápidos en el panorama financiero. Al mismo tiempo, las autoridades reguladoras siguen confiando en la recopilación de datos de supervisión basados en plantillas, que se ha mantenido prácticamente sin cambios. Los supervisores se enfrentan al desafío de tener que evaluar los riesgos en rápida evolución para los modelos de negocio y los cambios impulsados por la tecnología que pueden afectar la estabilidad financiera, con datos regulatorios que son poco frecuentes y se recopilan de acuerdo con los marcos heredados.
En enero de 2021, el Centro de Innovación bis de Singapur y la Autoridad Monetaria de Singapur (MAS) lanzaron el Proyecto Ellipse. Con el apoyo del Banco de Inglaterra (BoE), la Asociación Internacional de Swaps y Derivados (ISDA), Financial Network Analytics (FNA) y Accenture, Project Ellipse explora cómo las soluciones tecnológicas podrían permitir que la supervisión sea más prospectiva, basada en información y basada en datos, utilizando una plataforma integrada de datos y análisis regulatorios. Es importante destacar que el prototipo elipse combina fuentes de datos estructuradas y no estructuradas que son relevantes para los eventos actuales en tiempo real. Los análisis avanzados se aplican a esas fuentes de datos integradas para proporcionar a los supervisores indicadores de alerta temprana, análisis y métricas prudenciales.
El proyecto Ellipse se llevó a cabo en dos fases. En la Fase 1, el proyecto investigó cómo la supervisión basada en datos podría habilitarse mediante informes digitales ejecutables por máquina, utilizando un modelo de datos común transfronterizo. Nuestra exploración encontró que
Los requisitos de presentación de informes reglamentarios pueden expresarse en instrucciones inequívocas de informes lógicos legibles por máquina respaldadas por un modelo de datos coherente. Las especificaciones programáticas de los pasos para generar informes regulatorios también se pueden publicar junto con las regulaciones para garantizar una comprensión clara de los datos esperados en el nivel más granular. Con instrucciones lógicas adicionales basadas en el mismo modelo de datos, los supervisores también podrían consultar automáticamente los datos de transacciones subyacentes y generar métricas regulatorias que hagan referencia a esos datos estandarizados. La fase 1 ilustra las posibilidades y las eficiencias que podrían obtenerse si se adoptaran informes ejecutables por máquina utilizando modelos de datos comunes. Esto también podría aumentar el volumen de datos granulares disponibles para los supervisores, según sea necesario para permitir el uso de análisis avanzados.
En la Fase 2, el proyecto tomó los datos regulatorios de grandes exposiciones existentes y los integró con datos no estructurados. Se aplicaron análisis avanzados como el aprendizaje automático y el procesamiento del lenguaje natural a estas fuentes de datos para hacer correlaciones de riesgo y analizar el sentimiento, alertando a los supervisores en tiempo real de problemas que podrían necesitar más investigación. También se utilizaron análisis de red para demostrar cómo se podían mapear las exposiciones, lo que indicaba posibles riesgos sistémicos para el sistema bancario. Se desarrolló el prototipo de la plataforma Ellipse, que puede extraer información de los datos extraídos y mostrarlos a través de paneles como advertencias tempranas para la atención de la supervisión. La segunda fase del Proyecto Ellipse demuestra cómo se podría construir una plataforma única para que las autoridades pudieran beneficiarse del acceso «bajo demanda» a fuentes de datos oportunas e integradas para ayudar a respaldar e informar sus evaluaciones de supervisión.
El Proyecto Ellipse del BIS Innovation Hub es un prototipo que las autoridades pueden probar en sus propios entornos y que puede ayudarles a explorar nuevas soluciones. También presenta una oportunidad para que la comunidad reguladora global considere, explore y colabore en soluciones comunes para preparar los datos y las capacidades analíticas de los supervisores para el futuro.
Introducción
En los últimos años, la tecnología y la innovación han estimulado cambios rápidos y exponenciales en el panorama financiero. Estos han sido posibles en parte por un cambio transformador en el volumen, la velocidad y la variedad de datos, impulsando el uso innovador de la tecnología financiera.2 Al mismo tiempo, la recopilación de datos de supervisión a través de informes regulatorios se ha mantenido en gran medida sin cambios y todavía se presenta con poca frecuencia utilizando plantillas fijas y agregadas. Los supervisores también escanean manualmente grandes volúmenes de datos de mercado y noticias para evaluar los primeros indicadores de riesgos emergentes. En momentos de mayor riesgo, la necesidad de datos actualizados aumenta, pero, dada la naturaleza estática fija de los informes regulatorios, los supervisores pueden no tener los datos más oportunos para emitir juicios informados. En este entorno, los supervisores se enfrentan, por lo tanto, a los desafíos duales de la necesidad de evaluar el impacto prospectivo que estos cambios impulsados por la tecnología pueden tener en los modelos de negocio y los perfiles de riesgo, con datos regulatorios que se han recopilado de acuerdo con los marcos heredados.
Para enfrentar estos desafíos, en enero de 2021, el BIS Innovation Hub Singapore Centre y MAS lanzaron Proyecto Ellipse. Con el apoyo del BoE, ISDA y FNA, Project Ellipse explora cómo las soluciones tecnológicas podrían permitir que la supervisión sea más prospectiva, basada en conocimientos y basada en datos. La prueba de concepto (PoC) de Ellipse es una plataforma integrada de datos regulatorios y análisis que combina datos granulares estructurados y fuentes de datos no estructuradas que son relevantes para los eventos actuales en tiempo real. Los análisis avanzados se aplican a esas fuentes de datos integradas para proporcionar a los supervisores indicadores de alerta temprana, análisis y métricas prudenciales.
El proyecto ha avanzado en dos fases. En la Fase 1, Ellipse investigó cómo la supervisión basada en datos podría habilitarse mediante informes digitales ejecutables por máquina, utilizando un modelo de datos común transfronterizo. La fase 1 ilustra las posibilidades y las eficiencias que podrían obtenerse si se adoptaran informes ejecutables por máquina utilizando modelos de datos comunes. Esto también podría aumentar el volumen de datos granulares disponibles para los supervisores, según sea necesario para permitir el uso de análisis avanzados. En la Fase 2, se aplicaron análisis avanzados como el aprendizaje automático y el procesamiento del lenguaje natural a datos no estructurados y datos de informes granulares para hacer correlaciones de riesgo y analizar el sentimiento, alertando a los supervisores en tiempo real de problemas que podrían necesitar más investigación. También se utilizaron análisis de red para demostrar cómo se podían mapear las exposiciones para indicar posibles riesgos sistémicos para el sistema bancario.
Este informe proporciona una descripción detallada del proyecto y describe las características y funcionalidades del prototipo Ellipse. La Sección 2 establece los desafíos que enfrentan los supervisores con los informes regulatorios, la justificación del proyecto y el alcance y los objetivos del PoC de Ellipse La Sección 3 describe el caso de uso en la Fase 1, mientras que la Sección 4 describe el desarrollo del prototipo de plataforma Ellipse. La Sección 5 concluye con los hallazgos del proyecto, las oportunidades y otras consideraciones para los supervisores.
Desafíos con los datos regulatorios en la era digital
Informes reglamentarios
Un principio básico para la supervisión eficaz de los bancos y los sistemas bancarios requiere que el supervisor elabore evaluaciones prospectivas de los perfiles de riesgo de las entidades, identifique y evalúe los riesgos que puedan surgir de las entidades de crédito y del sistema bancario, e intervenga con prontitud si es necesario. Para ello de manera eficaz, los supervisores se basan en diversas fuentes de información para evaluar y evaluar la seguridad y la solidez de las entidades. incluidos los informes prudenciales, los resultados estadísticos y la información disponible públicamente. Gran parte de esta información se recopila a partir de informes reglamentarios, que proporcionan a los supervisores datos para realizar estas evaluaciones sobre bancos individuales (riesgos micro prudenciales) y sobre el sistema financiero más amplio (riesgos macro prudenciales). Estos datos se complementan con otra información cualitativa, como informes de gestión, noticias y evolución del mercado.
Por lo tanto, los supervisores de hoy en día todavía dependen en gran medida de los informes regulatorios para informarles de los riesgos potenciales que pueden estar formándose dentro de las entidades reguladas, lo que puede tener implicaciones más amplias para el sistema financiero. Sin embargo, existen desafíos con la información que los supervisores reciben de los informes regulatorios. Esta información a menudo se basa en plantillas, lo que significa que se fija por caso de uso y, por lo tanto, los datos recibidos no se pueden reutilizar fácilmente para otros fines. Los datos de informes también se obtienen a menudo de sistemas de datos corporativos heredados que no siempre están interconectados, lo que da como resultado que los puntos de datos para cualquier producto o transacción dada se describan de manera diferente, tanto dentro de un banco como en diferentes bancos. Estos informes contienen datos agregados, lo que significa que se pueden perder informaciones potencialmente importantes sobre los riesgos cuando los datos se muestran solo a nivel de cartera. Más importante aún, los informes regulatorios se envían de las entidades informantes con poca frecuencia (por ejemplo, cada mes o trimestre), de modo que, cuando se reciben, la información está fechada y mirando hacia atrás.
En momentos de mayor riesgo, los supervisores necesitan información actualizada y actualizada, pero en muchos casos es difícil obtener datos rápidamente de las entidades informantes. Esto se debe a que los supervisores deben crear requisitos y plantillas de informes cada vez que se necesita nueva información. Dados los desafíos de compilar y recibir datos regulatorios, los supervisores pueden no tener los datos más oportunos al tomar decisiones. Además, a medida que el ritmo del cambio continúa afectando el rápido desarrollo de nuevos productos y servicios financieros habilitados digitalmente, los informes estáticos, poco frecuentes y agregados no admiten nuevas herramientas o aplicaciones que puedan permitir el análisis en tiempo real o de alerta temprana.
Incorporación de otras fuentes de datos
Además de los datos reglamentarios, los supervisores utilizan otras fuentes de información para ayudar a informar sus evaluaciones prudenciales. Estos incluyen informes de gestión, divulgaciones financieras y regulatorias, evaluaciones crediticias externas, datos de mercado y noticias. Este tipo de información puede describirse como no estructurada, ya que no está organizada en un formato específico o unificado, a diferencia de los informes regulatorios que se basan en datos que se estructuran utilizando plantillas de informes. La información para la presentación de informes regulatorios a menudo está vinculada con estos otros tipos de información no estructurada que puede ayudar a respaldar o validar la evaluación de los riesgos emergentes. Por ejemplo, la información obtenida de datos y noticias de mercado a menudo proporciona la primera indicación de riesgos emergentes, pero es difícil para los supervisores escanear los vastos volúmenes de datos de mercado y noticias y correlacionar estos desarrollos manualmente con cada rendimiento regulatorio recibido.
El desafío, por lo tanto, es cómo los supervisores pueden formar una imagen precisa de las exposiciones y obtener información predictiva sobre los riesgos emergentes utilizando estos conjuntos de datos dispares. Esto se ve agravado por las nuevas fuentes de datos no estructurados que no se han utilizado sistemáticamente ni se han incorporado a las evaluaciones prudenciales por parte de los supervisores. La información de contenido web, correos electrónicos, imágenes o publicaciones en redes sociales, por ejemplo, podría validar o incluso contradecir la información que se recibe de los informes regulatorios. Sin embargo, la recopilación de inteligencia de estas fuentes de datos no estructuradas, además de los informes regulatorios, requiere un cambio fundamental de los procesos manuales actuales a los que están habilitados por la tecnología.5
Rápida evolución de la tecnología
A medida que las fuentes de datos se transforman tanto en volumen como en variedad, existe una oportunidad considerable para complementar estos cambios mediante la aplicación de nuevas herramientas analíticas, particularmente en relación con los datos no estructurados. Existe un creciente interés a nivel mundial en el uso de tecnología innovadora por parte de las autoridades financieras, también conocida como suptech. Tales aplicaciones incluyen inteligencia artificial (IA) y aprendizaje automático (ML), interfaces de programación de aplicaciones (API), procesamiento de lenguaje natural (NLP) y análisis de texto, por nombrar solo algunos. La adopción de estas herramientas podría permitir un cambio de los enfoques tradicionales de supervisión basados en reglas y principios hacia un sistema que esté impulsado por datos y conocimientos. La supervisión basada en conocimientos utilizando un conjunto de nuevas tecnologías podría hacer posible que los supervisores utilicen múltiples fuentes de conjuntos de datos estructurados y no estructurados para impulsar el análisis predictivo. La alerta temprana y el seguimiento de los riesgos podrían permitir a los supervisores realizar intervenciones más tempranas si fuera necesario. La adopción de dicha tecnología por parte de los supervisores también podría permitir una mejor supervisión de su uso por parte de las entidades reguladas.
Sin embargo, si bien muchas autoridades reconocen las enormes eficiencias de procesos y capacidades analíticas que podrían obtenerse al adoptar estas nuevas herramientas, una gran mayoría permanece en lo que se ha descrito como la «primera y segunda generación» de uso de la tecnología.8 Estas primeras generaciones de arquitectura de datos admiten principalmente análisis descriptivos y de diagnóstico, como «¿qué sucedió y por qué sucedió?». Esto está en marcado contraste con la «tercera y cuarta generación» de adopción de tecnología, que permiten el uso de big data e IA para impulsar el análisis predictivo y prescriptivo, a saber, «¿qué sucederá y qué debo hacer al respecto?»9
Las nuevas fuentes de datos no estructurados requerirán una arquitectura que pueda admitir la recopilación, el almacenamiento, el análisis y la visualización de estos conjuntos de datos. Tales arquitecturas incluyen pilas de tecnología que admiten datos de mayor granularidad, diversidad y frecuencia. La canalización de datos de extremo a extremo, desde la entrada, consolidación, interrogación y visualización, se integraría para admitir herramientas avanzadas como ML con el objetivo de conectar, fusionar y consultar correlaciones de varias fuentes de datos. La PNL, que se basa en el flujo de noticias no estructurado, también podría ayudar en la resolución de entidades y el mapeo de redes para detectar posibles canales de transmisión a través de exposiciones comunes o prestatarios comunes. Estos conocimientos podrían mostrarse en paneles intuitivos, adaptados a las necesidades específicas del usuario y utilizados para apoyar una mayor investigación de supervisión.
Hacia una plataforma integrada de datos y análisis normativos
El objetivo principal del Proyecto Ellipse era explorar y demostrar cómo una solución integrada de plataforma de datos y análisis podría permitir a los supervisores extraer, acceder y analizar digitalmente fuentes de datos grandes y diversas que son relevantes para los eventos actuales en tiempo real. Una solución de arquitectura de datos habilitada digitalmente también aumenta significativamente las posibilidades de probar y aplicar herramientas de IA / ML para uso de supervisión, lo que puede ayudar a desarrollar la capacidad de los supervisores para supervisar el uso de AI / ML en el sector financiero. Este proyecto también tiene como objetivo allanar el camino para el desarrollo de una solución de plataforma común que tenga el potencial de ser compartida y escalada entre las autoridades reguladoras de todo el mundo. Cuanto mayor sea el número de autoridades que convergen en una solución común, mayor será el potencial de convergencia en las entradas de datos comunes, la normalización de los datos y el intercambio de información para apoyar la estabilidad financiera.
Por lo tanto, para hacer frente a estos desafíos en la era digital, Project Ellipse se basa en el supuesto de que los supervisores podrían beneficiarse del acceso «bajo demanda» a fuentes de datos oportunas e integradas para ayudar a respaldar e informar sus evaluaciones de supervisión. Por lo tanto, en este proyecto se exploraron varias soluciones posibles, a saber, la recopilación de datos granulares, el uso de modelos de datos comunes, el acceso a información «en tiempo real», la integración de datos estructurados y no estructurados y el uso de una arquitectura de datos modular que sea lo suficientemente flexible como para acomodar diferentes casos de uso (Tabla 2).
• Datos granulares
La recopilación de datos granulares de las entidades informantes podría sustituir la necesidad de que las autoridades soliciten información mediante plantillas. También podría permitir a las autoridades reutilizar esos datos para diferentes casos de uso. Las métricas de supervisión también podrían derivarse utilizando datos granulares, en lugar de exigir a las entidades informantes que agreguen los datos requeridos antes de la presentación.
• Modelos de datos comunes
Las diferencias en la descripción de los datos para productos y transacciones similares entre los bancos se pueden abordar utilizando estándares de datos y modelos de datos comunes. Los informes granulares requieren un entendimiento común por parte de las autoridades e instituciones financieras de cuáles son esos datos, de modo que las instituciones financieras puedan asignar sus datos operativos a una «entrada» común antes de que se puedan informar los datos requeridos. Las métricas de supervisión podrían derivarse utilizando reglas programables que hagan referencia a modelos de datos comunes legibles por máquina y ejecutables por máquina.
• Información en tiempo real
Los conocimientos en tiempo real que utilizan análisis avanzados podrían derivarse de grandes volúmenes de datos no estructurados que complementarían los informes granulares disponibles. Esto proporcionaría a los supervisores indicadores adicionales y alertas tempranas de cualquier exposición en riesgo de las entidades informantes.
• Integración de datos estructurados y no estructurados
La integración de datos granulares de entidades informantes con otras fuentes de información no estructurada, como noticias y datos de mercado, en la misma plataforma significa que los supervisores no tendrían que perder tiempo escaneando manualmente la información. Los análisis avanzados, como la IA y el ML, podrían usarse para hacer correlaciones de riesgo y analizar el sentimiento, alertando a los supervisores en tiempo real de los problemas que pueden necesitar más investigación.
• Arquitectura de datos modular
Una pila de tecnología que permite una canalización de datos integrada de extremo a extremo donde se ingresan, consolidan, analizan y muestran fuentes de datos estructuradas y no estructuradas mediante una interfaz de usuario de panel personalizable.
Para demostrar estas posibles soluciones, el proyecto se llevó a cabo en dos fases. A partir de enero de 2021, la Fase 1 exploró cómo las autoridades podrían aumentar la disponibilidad de datos de informes granulares mediante el uso de modelos de datos comunes. A continuación, amplió este concepto en un contexto transfronterizo para explorar si dos autoridades de diferentes jurisdicciones podrían utilizar el mismo modelo de datos común para generar requisitos de presentación de informes. Investigó más a fondo las eficiencias obtenidas al adoptar informes ejecutables por máquina utilizando modelos de datos comunes legibles por máquina. La fase 1 fue exploratoria, para comprender cómo se podría llevar a cabo un cambio a datos granulares en proyectos discretos junto con los marcos de informes regulatorios actuales.
Sobre la base de esta fase de trabajo, la Fase 2 comenzó en septiembre de 2021 y exploró la posibilidad de información en tiempo real y capacidades de alerta temprana. Como los datos regulatorios granulares aún no están ampliamente disponibles para las autoridades de supervisión, el proyecto tomó los datos regulatorios existentes con niveles suficientes de granularidad y los integró con datos no estructurados, utilizando IA y ML para extraer información de estas fuentes de datos para resaltar las correlaciones entre los eventos actuales y las métricas de supervisión. Se desarrolló un prototipo de plataforma, que luego podría extraer información de los datos extraídos y mostrarlos como una alerta temprana para la atención de la supervisión a través de paneles (Gráfico 1). Nuestros hallazgos y lecciones aprendidas se exponen en este documento para las autoridades que deseen explorar estas soluciones con más detalle.
Elipse Fase 1:
Datos granulares, modelos de datos comunes e informes ejecutables por máquina
Modelos de datos y estándares de datos comunes
Los conocimientos basados en datos comienzan con grandes cantidades de datos granulares estructurados. Un componente clave de una plataforma de tipo Ellipse que podría permitir a los supervisores estar basados en datos es un sistema para la recopilación y el procesamiento digitales de datos granulares y estandarizados. Esto significa que esos datos son: (i) consistentemente entendidos por todas las partes interesadas; (ii) pueden ser reutilizados para diferentes casos de uso; y (iii) representado de tal manera que permita que el código programable haga referencia a esos datos para generar la presentación de informes de métricas regulatorias.
Varias autoridades reguladoras han estado explorando diferentes formas de reemplazar los informes regulatorios agregados basados en plantillas con datos granulares e informes regulatorios digitales. La visión de los informes regulatorios que utilizan datos granulares elimina la necesidad de múltiples plantillas, lo que permite a los supervisores reutilizar constantemente puntos de datos comunes para diferentes casos de uso analítico. Sin embargo, la presentación de informes granulares requiere un entendimiento común por parte de las autoridades e instituciones financieras de cuáles son esos datos, de modo que las instituciones financieras puedan asignar sus datos operativos a una «entrada» común antes de que se pueda generar la presentación de informes requerida. Para ello se están desarrollando importantes iniciativas en torno a los estándares, taxonomías y modelos de datos. Sin embargo, la estandarización de datos en general sigue siendo incipiente a nivel mundial.
Este concepto también es importante en un contexto transfronterizo. Actualmente, los bancos globales deben presentar datos regulatorios a múltiples autoridades sobre productos financieros que son similares en muchas jurisdicciones, pero deben informar estos datos de diferentes maneras y para diferentes plantillas. Por lo tanto, también se obtendrían eficiencias si las autoridades de diferentes jurisdicciones también pudieran llegar a un entendimiento común de los datos para fines de presentación de informes regulatorios. Esto se debe a que las plataformas de presentación de informes basadas en modelos de datos comunes podrían permitir a las entidades de información financiera mundiales cumplir diferentes obligaciones de información transfronteriza utilizando una capa de entrada común. Esto podría reducir la carga de cumplimiento para las instituciones financieras al responder a las solicitudes de información regulatoria basadas en plantillas de diferentes regímenes de supervisión. También podría permitir a los supervisores de origen y de acogida de estas entidades informadoras mundiales comparar las exposiciones de una manera más coherente y transparente, sin necesidad de compartir directamente información reglamentaria confidencial.
Por lo tanto, los estándares de datos, las taxonomías y los modelos de datos son integrales para los informes digitales y para permitir el análisis basado en datos. Por lo tanto, el paso a los informes regulatorios digitales ejecutables por máquina está estrechamente relacionado con la necesidad de estándares de datos. Existen beneficios significativos a medio y largo plazo para que las instituciones financieras y las autoridades avancen hacia un marco de informes digitales basado en estándares de datos.
Sin embargo, la inversión inicial y los costos necesarios para lograr este resultado pueden dirigir las decisiones basadas en los incentivos comerciales y el apetito por el riesgo. Si bien las iniciativas de estándares de datos se beneficiarían en última instancia si las instituciones financieras y las autoridades adoptaran un enfoque nuevo, y de hecho les exigen que lo hagan, la escala percibida de tal ejercicio también podría disuadir a las partes interesadas de embarcarse en él.
En ausencia de estándares de datos globales, el Proyecto Ellipse exploró formas prácticas de abordar la necesidad de datos granulares. Como primer paso para acercar a las partes interesadas a una comprensión común de las necesidades de datos, discutimos con las autoridades si había similitudes o puntos en común en el tipo de datos que se recopilan. En segundo lugar, analizamos las iniciativas de la industria para ver si los modelos de datos y las taxonomías utilizadas para dominios de productos específicos podrían explorarse para un uso más amplio. En tercer lugar, establecimos un pequeño caso de uso de alcance limitado para ver si podíamos encontrar atributos de datos comunes y acordar sus definiciones «en principio». Finalmente, exploramos formas en que los requisitos para la presentación de informes de esos datos se pueden publicar en lenguajes de programación.
Modelo de datos transfronterizos que utiliza hipotecas minoristas
Para demostrar que la utilidad de los estándares y modelos de datos comunes se extiende más allá de los contextos específicos a nivel nacional, Project Ellipse explora cómo las partes interesadas de diferentes autoridades y jurisdicciones pueden comprender los requisitos necesarios para cambiar a los informes digitales, sin necesidad de invertir recursos significativos por adelantado. El BIS Innovation Hub se asoció con el MAS y el BoE para explorar la viabilidad de encontrar un entendimiento común de los datos recopilados con fines regulatorios en todos los regímenes de informes. Para desarrollar el concepto, el equipo de Project Ellipse utilizó los requisitos de presentación de informes para hipotecas minoristas en el Reino Unido y Singapur.
Las hipotecas minoristas fueron seleccionadas para este ejercicio porque, si bien la recopilación de estos datos es común en todas las autoridades a nivel mundial, las plantillas y los formatos utilizados para recopilarlos son muy diferentes. Para ilustrar esto, Ellipse basó su ejercicio de modelización en dos requisitos de información regulatoria en el Reino Unido y Singapur sobre hipotecas minoristas. En el Reino Unido, esto se conoce como informe de datos de ventas de productos (hipotecas) PSD001 (PSD001) y en Singapur, se conoce como MAS Notice 645 Computation of Total Debt Servicing Ratio for Property Loans (MAS 645). El primero es un ejemplo de requisitos de presentación de informes presentados en una plantilla, mientras que el segundo es un ejemplo de requisitos que se integran en los instrumentos prudenciales.
El objetivo del ejercicio inicial era determinar si podían establecerse requisitos comunes de referencia entre estos respectivos requisitos de presentación de informes. Esto requirió una comprensión común de la justificación de las recopilaciones de datos, el tipo de información que se necesita para fines de supervisión y qué información se proporciona de forma opcional. A pesar de la naturaleza variada y a veces personalizada de algunos productos hipotecarios, el equipo de Ellipse descubrió que los datos de las transacciones hipotecarias y los respectivos requisitos de presentación de informes se alineaban en torno a tres componentes principales: (i) el préstamo; ii) el prestatario; y iii) la garantía.
Sobre la base de estos componentes, además de tener en cuenta los datos que se necesitan para ambas autoridades con fines de supervisión,12 se desarrolló un conjunto mínimo común de requisitos de referencia para los fines de nuestra exploración. Tomando el conjunto de requisitos de referencia común, pudimos profundizar en los tres componentes principales para reflejar lo que se consideraron los atributos clave de las hipotecas minoristas que eran relevantes para este PoC (Gráfico 2). Es importante destacar que estos atributos de datos también estaban destinados a ser utilizados para calcular o agregar métricas de supervisión. Por ejemplo, el tamaño del préstamo y el valor de la propiedad serían los insumos clave para derivar la medida de préstamo a valor. También se habilitarían otros tipos de agregación, como el préstamo a ingresos, los préstamos totales emitidos por código postal o el total de préstamos emitidos por propósito (por ejemplo, propiedad ocupada por el propietario o inversión de compra para alquilar).
Sin embargo, el acuerdo sobre los atributos de datos comunes requiere un acuerdo sobre sus definiciones. Durante el proceso de identificación de atributos para las hipotecas minoristas, las definiciones se obtuvieron de los respectivos marcos jurisdiccionales o de fuentes de terceros cuando las definiciones existentes no satisfacían las necesidades de los respectivos requisitos de presentación de informes. Estas definiciones se utilizaron únicamente para informar los atributos del PoC y no reflejan las definiciones prescritas reales que se encuentran en ninguno de los regímenes de presentación de informes. Sin embargo, se pretendía ilustrar el ejercicio de acordar una definición «en principio» para los atributos modelados, así como destacar la importancia en un contexto transfronterizo de las definiciones que son aplicables en otras jurisdicciones para productos similares. La convergencia en un entendimiento común de los productos y sus definiciones es un paso importante hacia la normalización de su uso de manera estandarizada. Una lista de las definiciones que utilizamos para este PoC se puede encontrar en el Anexo 1.
3.3 Informes ejecutables por máquina: uso del modelo de dominio común
Los informes digitales requieren que los atributos de los datos se representen de una manera que permita que la programación funcional haga referencia y automatice los informes de métricas regulatorias, es decir, para que sean «legibles por máquina y ejecutables». El proyecto Ellipse buscó explorar si las iniciativas existentes de estandarización de datos de la industria podrían reutilizarse para diferentes casos de uso, como las hipotecas minoristas. De particular interés fueron aquellas iniciativas que eran de código abierto y orientadas a ser legibles y ejecutables por máquina.
El Modelo de Dominio Común (MDL) desarrollado por la Asociación Internacional de Swaps y Derivados (ISDA) es un modelo de código abierto, estandarizado, legible por máquina y ejecutable por máquina sobre cómo se negocian y administran los productos financieros a lo largo del ciclo de vida de las transacciones. El alcance del producto del MDL incluye derivados extrabursátiles (OTC), valores en efectivo, financiamiento de valores y productos básicos. Para garantizar la reutilización en diferentes mercados, el MDL está diseñado como un modelo componible mediante el cual los objetos financieros se pueden construir de abajo hacia arriba sobre la base de componentes de bloques de construcción.
Por estas razones, modelamos los atributos hipotecarios del PoC utilizando el MDL. Probar el uso y la extensibilidad del MDL para otros dominios de productos, como los préstamos hipotecarios, fue clave para el PoC, ya que los modelos de datos comunes aplicables a nivel mundial que se pueden usar en todos los productos podrían reducir el número de modelos de datos en uso por las instituciones financieras y aliviar la carga de mapeo. Además, como el MDL es de código abierto, esto permite que el modelo sea más accesible para las pruebas en entornos existentes.
Para lograr la normalización entre productos y clases de activos, el MDL identifica los componentes lógicos que cumplen la misma función y los normaliza, incluso cuando esos componentes pueden denominarse y tratarse de manera diferente en el contexto de sus respectivos mercados. Por ejemplo, el MDL identifica que, independientemente de la clase de activo o el tipo de producto, una transacción financiera siempre implica que dos contrapartes negocien (es decir, compren o vendan) un determinado producto financiero en una cantidad específica y a un precio específico. Este enfoque significa que un solo concepto lógico, como la cantidad, puede representar conceptos que pueden nombrarse y capturarse de manera diferente en todos los mercados (por ejemplo, cantidad nocional o principal).
Seguimos el principio de diseño del MDL de normalizar conceptos como cantidad, precio y parte en la representación de las transacciones financieras. Siguiendo este enfoque, tomamos los componentes modulares que existen en el MDL y reutilizamos conceptos como producto, préstamo, precio, garantía y parte para reflejar los atributos hipotecarios que caracterizaron al préstamo, al prestatario y a la garantía. También ampliamos el modelo para reflejar los atributos que eran específicos del PoC en torno a la garantía (por ejemplo, propiedad) o el perfil crediticio del prestatario.
Para simular la creación de informes regulatorios de hipotecas minoristas para Singapur y el Reino Unido que hacen referencia al mismo modelo, creamos una transacción hipotecaria ficticia con los siguientes parámetros: (i) préstamo hipotecario minorista nuevo/ primer; (ii) ocupado por el propietario; iii) un prestatario principal; iv) un préstamo a 25 años, a tipo fijo durante los primeros cinco años; y (v) la reversión a la tasa hipotecaria variable estándar de la empresa después de cinco años.
Tomando esta transacción ficticia como una fuente de datos proxy, se generó una lógica de informes basada en cada uno de los requisitos jurisdiccionales que hacían referencia al modelo hipotecario de Ellipse. Utilizando el MDL, el código ejecutable generado automáticamente a partir de las definiciones del modelo nos permitió simular la creación de informes regulatorios de hipotecas minoristas para Singapur y el Reino Unido haciendo referencia al mismo modelo.
La fase 1 de nuestro proyecto ilustra el potencial de eficiencia de procesos que se podría obtener al adoptar informes ejecutables por máquina utilizando modelos de datos comunes. También podría aumentar el volumen de datos granulares disponibles para los supervisores, que es necesario para permitir el uso de análisis avanzados. Sin embargo, sería necesario seguir estudiando entre las autoridades reguladoras para validar estas conclusiones y ver si el ejercicio podría ampliarse a otros casos de uso de notificación. Es importante destacar que se alentaría a las autoridades que estudian la presentación de informes digitales a que colaboren con las entidades informantes y otras autoridades responsables de la recopilación de datos. Esto se debe a que las cuestiones relacionadas con la gobernanza y las consideraciones legislativas tendrían que abordarse para que los informes digitales se implementen dentro de las respectivas jurisdicciones.
Elipse Fase 2:
Integración de datos y análisis en una sola plataforma
Identificación de las necesidades del usuario
Los desafíos que habíamos identificado en torno a la presentación de informes regulatorios podrían abordarse a través del acceso «bajo demanda» a fuentes de datos oportunas e integradas para ayudar a respaldar e informar las evaluaciones de supervisión. Por lo tanto, se propusieron algunas soluciones posibles, como la integración de datos granulares de las entidades informantes con otras fuentes de información no estructurada, como noticias y datos de mercado, en la misma plataforma y el uso de análisis avanzados para proporcionar a los supervisores información en tiempo real y alertas tempranas de las exposiciones en riesgo de las entidades informantes. Si esta solución fuera viable, significaría que los supervisores no tendrían que perder tiempo escaneando manualmente esta información. El ML también podría usarse para hacer correlaciones de riesgo y analizar el sentimiento, alertando a los supervisores en tiempo real sobre problemas que pueden necesitar más investigación.
Para comprender si nuestra solución propuesta podría satisfacer las necesidades de los supervisores, adoptamos una técnica conocida como pensamiento de diseño para ayudarnos a construir un prototipo de la plataforma Ellipse. El pensamiento de diseño es un proceso de innovación centrado en comprender las necesidades de los usuarios finales junto con soluciones que son tecnológicamente factibles y económicamente viables. Este proceso comienza con la identificación de qué usuarios probablemente se beneficiarían más de la solución que se está desarrollando, recopilando información de esos usuarios sobre cómo se beneficiarían más de una solución tecnológica y luego proponiendo ideas que se desarrollen aún más.
Escenario hipotético de riesgo de crédito
En este hipotético caso, los supervisores han recibido datos regulatorios sobre las grandes exposiciones que el Banco A, el Banco B y el Banco C tienen a la Corporación B, que se informa en las noticias que enfrenta dificultades financieras. Sin embargo, para el regulador, la Corporación B parece ser tres entidades diferentes, ya que no se informa y formatea de la misma manera en los informes del Banco A, B y C. Los supervisores también tienen información en un informe separado sobre las garantías prometidas contra algunas de estas exposiciones a la Corporación B de la empresa matriz de la Empresa B, la Matriz C. Los supervisores escanean diariamente las noticias y artículos del mercado, y hay noticias de que la Matriz C también está experimentando pérdidas en un sector en particular. Los supervisores tendrían que evaluar si las pérdidas experimentadas por la matriz C podrían afectar i) a la garantía pignorada a los préstamos concedidos por los bancos A, B y C con respecto a sus exposiciones frente a la sociedad B; ii) la calidad de las exposiciones frente a la empresa B; y iii) el impacto potencial de las pérdidas en los balances y el capital de los bancos. Esta información sería necesaria para las discusiones sobre las posibles implicaciones con los tres bancos mencionados.
Desafíos prácticos
Nuestros participantes confirmaron que, como punto de partida, los supervisores utilizan informes regulatorios que contienen información agregada como base de sus evaluaciones externas de los perfiles de riesgo de las entidades reguladas. Esta información se les envía de forma periódica (por ejemplo, todos los meses, trimestralmente). La información contenida en los informes se puede vincular con otra información, como otros informes reglamentarios, informes de gestión, divulgaciones financieras y estatutarias, pruebas de resistencia, análisis horizontal de la industria, noticias y datos de mercado. Sin embargo, estas fuentes de información no se integran sistemáticamente en los sistemas actuales de presentación de informes. Como resultado, los supervisores están analizando estas fuentes de información de forma individual y manual en su mayor parte, para obtener información que se utiliza como parte de las evaluaciones in situ, las calificaciones de supervisión y las posibles acciones de supervisión.
Con este punto de partida, cuando se les presentó el escenario hipotético de riesgo de crédito, nuestros participantes destacaron cinco desafíos principales que normalmente enfrentarían en dicho escenario: (i) conciliación de nombres de entidades corporativas a través de diferentes informes; ii) tener acceso a los últimos análisis financieros y de mercado vinculados a entidades corporativas en una gran base de datos de exposiciones; iii) cartografiar y agregar exposiciones a nivel de sistema a entidades y entidades vinculadas que se consideren de alto riesgo o bajo tensión; iv) evaluar la calidad de las exposiciones y cualquier mitigación del riesgo de crédito sobre la base de acontecimientos actuales; y v) calcular los posibles efectos en el capital bancario y otros parámetros de riesgo en esos posibles escenarios de tensión.
Reconciliación de nombres de entidades
Un desafío clave que los participantes destacaron fue que los nombres de las entidades corporativas a menudo eran proporcionados por los bancos en diferentes formatos, lo que dificultaba que los supervisores conciliaran inmediatamente la exposición a nivel de sistema con la misma empresa. Si bien los identificadores únicos de personas jurídicas podrían utilizarse si están disponibles y las entidades se encuentran dentro de las jurisdicciones, los identificadores globales no están disponibles universalmente. Lo mismo puede decirse de la conciliación de esas entidades con su estructura de grupo empresarial y otras entidades conexas. Tomando el ejemplo del escenario hipotético, puede que no sea inmediatamente evidente para los supervisores si la matriz C es de interés importante para la solvencia de la empresa B, si la información sobre esa matriz no se proporciona o no está disponible para el supervisor. Del mismo modo, puede no ser inmediatamente evidente si varios bancos tienen grandes exposiciones a la misma empresa B, a menos que un supervisor mantenga una lista maestra de nombres de entidades que permita la agregación de exposiciones a nivel de sistema.
Disponibilidad de análisis de mercado y financieros
Los bancos centrales y las autoridades tienen diferentes departamentos que realizan análisis de mercado e investigaciones económicas de forma continua para informar las políticas y las operaciones de mercado. Sin embargo, esta información a menudo se proporciona solo para funciones específicas y generalmente no se comparte más ampliamente entre los departamentos, como para la supervisión micro prudencial. Además, esta información generalmente no respalda el análisis en tiempo real, sino que generalmente se basa en datos históricos de series temporales. Las operaciones de mercado dentro de los bancos centrales llevarían a cabo sus propias evaluaciones más cerca del tiempo real, pero, una vez más, esta información tiende a no compartirse de manera más sistemática en toda la organización (en el caso de un banco central y un supervisor integrados). En el caso de las autoridades prudenciales, los equipos horizontales fuera del sitio normalmente buscarían la evolución del mercado, pero la frecuencia de las actualizaciones no se compartiría normalmente en función de los desarrollos emergentes o en «tiempo real». Nuestros participantes indicaron, por lo tanto, que la tecnología podría ayudar al flujo de información y adaptar los datos económicos y de mercado para diversos usos y propósitos.
Mapeo de exposiciones a entidades y redes de alto riesgo/estresado
De manera similar, los comentarios sugirieron que el mapeo de las exposiciones totales del sistema o de todo el banco a empresas específicas que se identifican como de alto riesgo o estresadas sería un desafío en la mayoría de las recopilaciones de datos. Si bien no es del todo imposible, se requeriría un grado significativo de conciliación manual para agregar las posibles exposiciones totales a las empresas y, potencialmente, a sus partes relacionadas. Los comentarios también indicaron que, si bien los supervisores están escaneando noticias y analizando información que puede indicar que las empresas están bajo estrés o se encuentran en sectores de «alto riesgo», requeriría que los supervisores vean de manera proactiva si las entidades reguladas tienen grandes exposiciones a estas empresas.
Los supervisores podrían recibir apoyo si existieran aplicaciones automatizadas para establecer un vínculo entre las empresas que están bajo estrés y la medida en que las entidades reguladas tienen exposiciones a estas empresas. El uso de la tecnología también podría ayudar a reducir la lista de bancos afectados cuando hay un evento adverso al recoger solo a aquellos con exposiciones. Vincular aún más cualquier noticia a estas entidades, así como a los países y sectores donde pueden operar, a la entidad informante también podría permitir el análisis de la red y el análisis del riesgo de concentración potencial.
Evaluación del impacto potencial en las exposiciones en función de los acontecimientos actuales
Para comprender el impacto general en un banco, o incluso en un grupo de bancos, si una entidad corporativa se volviera estresada o insolvente, se tendrían que tener en cuenta varios factores, como los cambios en el valor de la garantía, otra mitigación del riesgo de crédito (CRM) y la provisión. Estos datos no se informan dinámicamente, pero pueden verse afectados si las condiciones están estresadas. La información sobre la mitigación del riesgo de crédito que es aplicable contra las grandes exposiciones notificadas no siempre figura en los mismos informes. Además, como estos datos no se actualizan con frecuencia, es posible que los supervisores no tengan visibilidad sobre si los eventos actuales están afectando la calidad de la garantía.
Por lo tanto, los participantes del Tribunal sugirieron que se podría apoyar a los supervisores si se dispusiera de información que vinculara las exposiciones con cualquier mitigación del riesgo de crédito aplicable. Es importante destacar que, como estos datos no se actualizan con frecuencia, los conocimientos sobre los posibles cambios en estos valores podrían respaldarse mediante análisis avanzados que recopilen estos datos de exposición y colaterales, los ajusten con los últimos datos del mercado financiero y calculen para ver si podría haber pérdidas esperadas en un período pronosticado. Esta automatización casi en tiempo real permitiría a los supervisores centrarse en los conocimientos que se generan con vistas a desafiar a los bancos y sus supuestos de riesgo.
Automatización del impacto del capital en condiciones de estrés
Una métrica regulatoria importante para los supervisores es comprender la resiliencia del capital de los bancos para resistir pérdidas y choques inesperados. Las métricas que se informan ayudan a los supervisores a monitorear esta resiliencia incluyen ratios de capital como los parámetros common Equity Tier 1 (CET1), activos ponderados por riesgo (RWA), probabilidad de incumplimiento (PD) y exposición al incumplimiento (EAD). Si las condiciones del mercado o las exposiciones crediticias estaban potencialmente estresadas, nuestros participantes indicaron que los supervisores querrían ver si los bancos estaban cerca de incumplir los coeficientes regulatorios y/o de capital. Específicamente, querrían que el alcance del impacto de capital se calculara automáticamente y que se les alertara a través de alertas tempranas.
Funcionalidades de la plataforma utilizando un guion gráfico
Sobre la base de estas discusiones y los comentarios proporcionados, nos propusimos desarrollar ciertas funcionalidades que podrían abordar nuestro caso de uso para el desarrollo del prototipo Ellipse, que se basa en la evaluación de las exposiciones al riesgo de crédito de las grandes corporaciones. Adoptamos dos personas, un supervisor de línea y un analista macro prudencial, para comprender cómo usarían una plataforma de datos y análisis y qué información les gustaría ver usando la plataforma. Identificamos las necesidades de los usuarios en función de los cinco desafíos que los supervisores suelen enfrentar. Para tener una idea de cómo podría verse la plataforma para un usuario, esbozamos estas ideas utilizando guiones gráficos. Estos se utilizaron para determinar cómo la arquitectura de datos tendría que ser diseñada para permitir las necesidades del usuario identificadas por los supervisores.
Un desafío clave en la Fase 2 fue conciliar la necesidad de integrar datos granulares de las entidades informantes con los datos en gran parte agregados que muchos supervisores todavía reciben hoy en día. Para garantizar que el caso de uso de la Fase 2 pudiera aplicarse lo más ampliamente posible, tomamos la recopilación de datos regulatorios de grandes exposiciones como la fuente proxy de datos granulares que podrían usarse para el prototipo elipse. Esta información se recopila en el marco del Marco de Basilea y, por lo tanto, está ampliamente disponible para los supervisores de todo el mundo. También tiene un nivel suficiente de granularidad en el que las exposiciones a empresas individuales podrían al menos identificarse como mínimo.
Tomando las ideas desarrolladas en respuesta a las necesidades del usuario identificadas en este caso de uso, el equipo de Ellipse esbozó las posibles funcionalidades y características en una interfaz de usuario front-end, utilizando una herramienta de guión gráfico como se describe a continuación. Queríamos replicar lo más cerca posible de cómo podría verse un prototipo, para dar al equipo de desarrollo suficiente claridad sobre el propósito de la característica y para que determinen cómo se necesitaría diseñar el back-end y la arquitectura de datos para construir estas aplicaciones.
Conciliación de nombres de entidades corporativas
Funcionalidad 1:
La conciliación de los nombres de las entidades corporativas con un formato único y una lista maestra podría permitir el seguimiento de las exposiciones a nivel de sistema a la misma empresa (gráfico 5). Si los nombres de entidad se reconciliaran con un único origen maestro, el usuario podría:
• Búsqueda de una entidad informante a través de la función de búsqueda del panel de control para ver sus principales exposiciones por contraparte / empresa
• Ver las principales exposiciones a contrapartes corporativas, ordenadas por tamaño de exposición y vinculadas a la entidad informante correspondiente
• Identificar las exposiciones crediticias corporativas de las entidades reguladas en una base de datos de contrapartes/exposiciones más grandes. Esto permitiría al usuario conciliar las exposiciones a nivel de sistema con la misma empresa.
• Profundizar más para obtener más información sobre la entidad corporativa, incluida su estructura, finanzas y otros datos de mercado, haciendo clic en esa entidad corporativa
• La información asociada con la entidad regulada, como los rendimientos regulatorios, los informes de gestión y las finanzas, también podría extraerse de los repositorios de datos.
Análisis de mercado y financieros
Funcionalidad 2:
Las alertas en tiempo real basadas en noticias y datos de mercado vinculados a bases de datos reguladoras podrían permitir a los supervisores investigar más a fondo esa información o utilizarla como base para realizar un análisis más detallado (gráfico 6). Si los conjuntos de datos reglamentarios y las fuentes de datos no estructuradas estuvieran vinculados:
• Al iniciar sesión en el tablero, las principales alertas de noticias podrían mostrar cualquier desarrollo actual relacionado con las entidades corporativas en la base de datos de grandes exposiciones
• Los usuarios podrían recibir alertas de alerta temprana sobre esas empresas si el análisis de texto detecta cualquier sentimiento negativo basado en noticias y fuentes de mercado.
• Las alertas tempranas podrían clasificarse o codificarse por colores según el grado en que los acontecimientos tengan un posible riesgo adverso
• Estas alertas tempranas también pueden vincularse a los bancos que tienen exposiciones a la empresa y al tamaño de las exposiciones.
• Las alertas de alerta temprana podrían ordenar al supervisor que investigue la entidad corporativa o información relacionada, como el sector o la jurisdicción en la que opera esa entidad.
• La herramienta analítica de noticias podría programarse y filtrarse para proporcionar al supervisor la siguiente información:
– Noticias sobre entidades financieras y contrapartes de crédito
– Análisis de sentimiento que se aplicará para determinados textos, dependiendo del caso de uso, como insolvencia, incumplimiento, pagos fallidos, retrasados o incumplidos, plazos, quiebra, endeudamiento, litigios o incluso cambios en los roles de la alta dirección.
– Repetición de noticias a filtrar para que solo se muestre una alerta basada en el mismo tema
– Hipervínculos que se proporcionarán si el supervisor desea leer los artículos en su totalidad
• El usuario también puede hacer clic en estas empresas y extraer más información corporativa o financiera, o cualquier cambio en los datos de mercado sobre estas entidades corporativas.
Mapeo de exposiciones a entidades y redes
Funcionalidad 3:
El mapeo de las exposiciones a entidades corporativas identificadas como de alto riesgo o estresadas podría reducir la carga que recae sobre los supervisores para encontrar y vincular esta información manualmente. Si la plataforma pudiera identificar exposiciones de alto riesgo:
• El usuario podría ver las 20 mayores exposiciones a empresas clasificadas por tamaño y por banco correspondiente
• El usuario podría hacer clic en una exposición o en la entidad corporativa para profundizar en sus finanzas o detalles de cualquier mitigación de riesgo de crédito asociada.
• Las alertas de noticias también podrían adaptarse para detectar entidades corporativas donde el texto indique un sentimiento negativo, lo que permite a los supervisores investigar la alerta para ver si se justifican más acciones.
• El análisis de texto también podría permitir una mayor vinculación de las noticias sobre estas entidades corporativas a los países y sectores donde pueden operar.
• El usuario también podría visualizar estas exposiciones a través del mapeo de la red, y los supervisores podrían ver los riesgos de contagio interbancario.
• El análisis de texto que destaca en qué sector y país opera la entidad corporativa también podría detectar otras entidades corporativas que operan en los mismos sectores y países, lo que podría indicar posibles riesgos de la cadena de suministro o entidades relacionadas.
• Esto podría visualizarse como exposiciones agregadas a industrias, así como concentraciones de exposición a empresas en diferentes jurisdicciones.
• Si no hay exposiciones «directas» a la empresa, el supervisor podría utilizar herramientas analíticas de red para investigar las exposiciones «indirectas» a los inversores/prestamistas/cadena de suministro de la empresa en dificultades (Gráfico 7)
• Utilizando estas herramientas, las exposiciones podrían visualizarse a través de redes
• El tamaño relativo de las exposiciones entre los bancos a la empresa nombrada podría mostrarse por tamaño de nodo (es decir, los nodos más grandes indican una exposición más grande, más pequeños que indican una exposición más pequeña)
• El análisis de red también podría ayudar a mapear la estructura corporativa más amplia y las entidades relacionadas, si estos datos están disponibles.
• Si no está disponible, un indicador indirecto podría ser suponer que los inversores/bancos del mismo domicilio que la entidad corporativa tienen exposiciones a la empresa. El supervisor podría entonces ver si los bancos locales tienen exposiciones a los bancos / empresas domiciliadas en ese país.
Análisis sobre exposiciones y eventos actuales
Funcionalidad 4:
Los análisis que recopilan datos sobre exposiciones, garantías y/o provisiones y datos actuales del mercado financiero podrían proporcionar información sobre la calidad de las grandes exposiciones notificadas (gráfico 8). Si el análisis avanzado pudiera aplicarse a los datos regulatorios y a los datos actuales del mercado, el usuario podría:
• Observe cómo las exposiciones podrían verse afectadas por los eventos actuales viendo las exposiciones en un panel de control mediante el siguiente desglose, si está disponible:
– el importe total del préstamo/exposición
– cuando haya más de un préstamo, un desglose línea por línea de los préstamos
– si está asegurado/no asegurado
– denominación de la moneda
– madurez (solo se muestra con vista línea por línea)
• Identificar y mapear la mitigación del riesgo de garantía/crédito contra las exposiciones por referencia o identificador de contraparte
• Si los datos están disponibles, el usuario podría profundizar más para ver el tipo y la calidad del CRM, así como el proveedor del CRM.
• Una consulta de búsqueda o incluso hipervínculos en el nombre de la empresa podría redirigir al usuario desde el panel de control a la información obtenida de los datos del mercado.
• La información obtenida de los datos del mercado podría mostrar las ganancias, calificaciones, rebajas, finanzas de la empresa (ganancias y pérdidas, balance)
• El panel también podría permitir al usuario hacer clic en un sector específico, donde podría mostrar un desglose de las mayores exposiciones a las 10 principales contrapartes, por ejemplo.
• Es posible que los análisis se apliquen para vincular los datos actuales del mercado de las empresas con las exposiciones.
Automatización del impacto potencial del capital
Funcionalidad 5: La automatización del impacto potencial en el capital y otras ratios regulatorias durante los períodos de estrés podría proporcionarse a través de alertas de alerta temprana a los supervisores para que puedan investigar más a fondo el impacto potencial (Gráficos 9 y 10). Si la plataforma pudiera automatizar el impacto en el capital de un banco y las métricas prudenciales:
• Podrían enviarse alertas de alerta temprana al supervisor si los coeficientes de capital de las entidades de crédito estuvieran cerca de superar un umbral preprogramado
• Esta alerta se basaría en vincular cualquier desarrollo adverso que se recoja en las noticias sobre las empresas con cualquier gran exposición relevante que los bancos puedan tener para esas corporaciones, y enfatizar esas exposiciones bajo ciertos supuestos (por ejemplo, cambios en la cobertura de intereses, probabilidad de incumplimiento, EBIT, divisas, pronósticos macroeconómicos y PIB, etc.)
• Las alertas de alerta temprana también podrían estar vinculadas a la calificación supervisora de la entidad regulada
• Si el usuario estaba preocupado por la calidad de la gran exposición o la entidad regulada, también podría iniciar sus propias pruebas de resistencia haciendo clic en diferentes escenarios preestablecidos o ingresando manualmente parámetros / supuestos estresados para ver cómo estos podrían afectar el capital de los bancos u otras métricas de preocupación.
Otras funcionalidades
Sobre la base de nuestras conversaciones con los participantes, otras funcionalidades para ayudar a las autoridades en el uso de dicha plataforma interactiva podrían incluir:
• Autenticación modular del usuario, dada la sensibilidad de los datos de supervisión, para permitir que solo los usuarios autorizados de la organización accedan a la plataforma y las aplicaciones específicas de los derechos de acceso del usuario
• Fácil acceso a los informes regulatorios, incluyendo las últimas declaraciones, informes de gestión y otros documentos relacionados con la entidad regulada (Gráfico 11)
• Acceso general a las exposiciones crediticias de las entidades reguladas, mostrando el tamaño relativo de la exposición a ciertas empresas o sectores, sin acceso detallado a los datos subyacentes
Desarrollo de prototipos
Los conceptos desarrollados utilizando el guión gráfico proporcionaron la base para construir el prototipo Ellipse. El prototipo se guió por el deseo de ingresar información regulatoria estructurada y datos no estructurados a una sola plataforma para que el usuario pudiera:
• acceder fácilmente a la información sobre las entidades reguladas y sus contrapartes
• ser alertado sobre noticias o desarrollos en tiempo real que podrían afectar potencialmente a las empresas y al sistema financiero en general.
• comprender si las entidades reguladas eran sólidas para resistir el estrés y los shocks; y
• ver si existían riesgos indirectos de contagio para las entidades reguladas y sus redes El prototipo de Ellipse se desarrolló en torno a los siguientes principios de diseño: (i) modularidad; ii) escalabilidad; iii) capacidad de despliegue; iv) seguridad; y v) extensibilidad.
Modularidad: El prototipo se construye a partir de microservicios separados, cada uno de los cuales realiza una función específica, que se integran progresivamente.
Escalabilidad: Al emplear la tecnología de contenedores, los orquestadores se pueden usar para escalar hacia arriba y hacia abajo en función del uso; por lo tanto, la potencia de cálculo se puede asignar a los servicios que más lo requieren para garantizar que los servicios (micro) funcionen sin problemas.
Capacidad de implementación: Los componentes de código abierto se utilizan para construir el prototipo, de modo que las partes interesadas puedan adoptar / utilizar fácilmente los códigos fuente para sus propios fines.
Seguridad: Se pensó mucho en acomodar los protocolos de seguridad dada la naturaleza sensible de los datos de supervisión. Incluso en el prototipo, los componentes se pueden introducir de manera modular, para garantizar que el prototipo pueda integrarse con los sistemas de autenticación prevalecientes de una institución.
Extensibilidad: Finalmente, cada uno de los componentes está diseñado para una mayor personalización, reconociendo que los usuarios potenciales tendrán necesidades ligeramente diferentes en función de su estructura.
Características del usuario del prototipo
Iniciar sesión
Partiendo de la pantalla de inicio de sesión, el prototipo ya tiene en cuenta la necesidad de que la aplicación sea segura, dado que los datos de supervisión pueden ser sensibles. Por lo tanto, se desarrolló un sistema modular de autenticación de usuarios que se integra con los sistemas empresariales.17 Esto significa que solo los usuarios autorizados de una organización pueden acceder a la plataforma (Gráfico 12).
Pantalla de inicio
Para este prototipo, nos centramos en el tipo de información que sería relevante para los supervisores al evaluar las exposiciones al riesgo de crédito corporativo. En la pantalla de inicio, el usuario puede ver una descripción general de las entidades supervisadas desde esta pantalla. Esto incluye las principales alertas regulatorias, noticias relacionadas con entidades supervisadas o sus contrapartes, una visión general del total de exposiciones corporativas desde la perspectiva del sistema bancario general, así como de los bancos individuales.
Principales alertas regulatorias
Una característica clave de esta aplicación es alertar a los supervisores en tiempo real sobre los desarrollos que afectan a las empresas individuales o al sistema financiero en general. Se muestra una lista de «alertas reglamentarias principales» que están codificadas por colores en función de la frecuencia de la alerta. Las alertas rojas han tenido múltiples menciones del evento de riesgo en las fuentes de noticias, mientras que las alertas ámbar y verde son menos frecuentes. Este código de colores se puede personalizar para adaptarse a las necesidades de los supervisores. Para este prototipo, las alertas se marcan automáticamente para mostrar a las empresas a las que los bancos supervisados tienen exposiciones.
La pestaña de alertas de noticias es otra característica de esta aplicación que los supervisores pueden navegar por las alertas de noticias en tiempo real. Los supervisores también pueden filtrar entidades y tipos de riesgo, etc.
Simular pruebas de esfuerzo
Otra característica clave de la aplicación es la capacidad de profundizar para investigar más a fondo el riesgo. Si el usuario está preocupado por esta alerta de riesgo y desea llevar a cabo un análisis de riesgos adicional en el banco, puede hacer clic en el botón de prueba de resistencia. Esto lleva al usuario a la página de pruebas de estrés del banco, donde puede ver las cinco principales exposiciones del banco por sector y por entidad.
Más abajo, el usuario verá a la izquierda las diferentes empresas a las que está expuesto el banco y métricas clave como la RWA y la PD. A la derecha, hay una variedad de escenarios en los que el supervisor puede hacer clic. Si el usuario hace clic en el botón de análisis de riesgos estresados, por ejemplo, puede ver que el RWA y la probabilidad de incumplimiento de la empresa se ajustarán en respuesta.
También pueden hacer clic en la pestaña de indicadores de riesgo a la derecha del impacto del balance y podrán ver otro conjunto de indicadores de riesgo que pueden preocupar a los supervisores. En este caso las finanzas de las empresas a las que están expuestos los bancos. Por ejemplo, el EBIT bajará, mientras que el gasto por intereses aumentará.
Análisis de red
Ellipse se puede ampliar para proporcionar un análisis aún más profundo en este caso sobre el riesgo indirecto potencial y el riesgo oculto para el sistema bancario. La solución que FNA aportó a la plataforma Project Ellipse18 combina análisis avanzados de datos granulares a nivel de préstamos y análisis de sentimiento de datos de noticias para alertar a las autoridades financieras en tiempo real sobre empresas y sectores en problemas. Los paneles individuales proporcionan información sobre las exposiciones directas, así como los efectos de contagio de los canales de contagio indirecto, como las ventas de incendios, los préstamos interbancarios y los impactos en la cadena de suministro.
Contagio de venta de incendios Esta página permite al usuario visualizar la estructura de la red común de tenencia de activos entre bancos en el mercado de préstamos corporativos. Más importante aún, permite a los usuarios comprender el impacto sistémico del modelado de pruebas de estrés de contagio de ventas de incendios en caso de fracaso de una entidad corporativa. La visualización de la red en el panel de control se construye automáticamente a partir de los datos de préstamos corporativos. De izquierda a derecha, los usuarios pueden observar cómo el shock se propaga por todo el sistema, afectando incluso a las organizaciones expuestas indirectamente a la empresa utilizada en el ejemplo solo con fines ilustrativos.
Arquitectura de alto nivel para la plataforma Ellipse
La plataforma Ellipse comprende una interfaz de usuario front-end (codificada utilizando el marco React) que está respaldada por un conjunto de componentes / microservicios back-end (codificados en Python, utilizando el marco web Django), cada uno integrado de manera modular. Cada componente se empaqueta como una imagen de Docker, y los contenedores resultantes se pueden implementar mediante el tiempo de ejecución de Docker o a través de la plataforma de orquestación de Kubernetes. Los componentes clave del back-end son (i) conectores de datos; ii) módulos de análisis de texto y resolución de entidades que ayudan a rellenar un modelo de metadatos subyacente; iii) un motor de búsqueda para encontrar y recuperar información; iv) protocolos de autenticación y autorización; y v) módulos de análisis avanzado (pruebas de resistencia, alertas de riesgo). Además, FNA proporciona análisis de red utilizando el procesamiento del lenguaje natural y el análisis de sentimientos.
Conectores de datos
Los conectores de datos están diseñados para conectarse a tres tipos de datos que los supervisores buscan integrar: (i) datos estructurados de proveedores externos (por ejemplo, proveedores de datos de mercado, etc.); (ii) datos no estructurados de proveedores externos (por ejemplo, agregadores de noticias o investigación de calificaciones); y iii) datos estructurados almacenados en bases de datos internas (por ejemplo, informes reglamentarios presentados por las entidades informantes). Dependiendo de la naturaleza de los diversos puntos finales internos o de terceros, los datos se cargan en una cola (para puntos finales donde es posible la transmisión de datos) o se extraen en función de los trabajos programados.
Análisis de texto
A través de un script de clasificación en lenguaje natural,19 la IA se aplica a las noticias/datos no estructurados para identificar extractos de texto relevantes y agruparlos en posibles taxonomías de riesgo (a saber, riesgos de insolvencia y sostenibilidad), que se introducen iterativamente en un modelo de metadatos que sustenta el prototipo. A continuación, se aplica ML, a través de algoritmos de reconocimiento de entidades con nombre,20 que ayudan a hacer coincidir las entidades con las del modelo de metadatos anterior.
Fuentes de datos
El prototipo utilizó datos sintéticos de exposición bancaria. El conjunto de datos sintéticos se genera sobre la base de estadísticas de muestra del conjunto de datos reales a nivel de transacción sobre préstamos corporativos ofrecidos por los bancos. Las características de la distribución se utilizan para imputar los importes de los préstamos a las entidades corporativas en función de diversos atributos corporativos, como el país de domicilio y el sector empresarial, de acuerdo con las estadísticas publicadas sobre la distribución de préstamos a estos países o sectores. Otras fuentes de datos utilizadas incluyen datos corporativos de empresas reales que se extraen de un proveedor de datos y API de noticias y datos de mercado, donde se utiliza un feed en tiempo real de una API de agregador de noticias.
Combinación de datos estructurados y no estructurados
Para combinar los diversos datos estructurados y no estructurados en el prototipo, los componentes (que analizan /interpretan el texto y extraen metadatos) procesan los datos basándose en un modelo de metadatos común (pero personalizable). Los metadatos extraídos incluyen la identificación única de las entidades asociadas con cada unidad de información (es decir, artículo de noticias, conjunto de datos), que luego se pueden comparar con los datos sintéticos de exposición bancaria o los datos corporativos para hacer coincidir los riesgos identificados desde el suministro de noticias con las exposiciones del sistema bancario, y los datos de mercado de la entidad en cuestión.
Alertas de riesgo
Sobre la base de los algoritmos de IA y ML anteriores para el análisis de texto y el reconocimiento de entidades con nombre, se generan alertas para las empresas a las que los bancos supervisados tienen exposiciones.
Exposiciones a pruebas de resistencia
Cuando la aplicación resalta una entidad con extractos de texto que sugieren eventos de riesgo, la entidad se marca. Los supervisores investigarían entonces el posible impacto que la entidad podría tener en los bancos o en el sistema bancario en su conjunto. Al comparar con los datos de exposiciones, el prototipo revela todos los bancos con exposiciones a la entidad, así como el tamaño de las exposiciones. También se informa del impacto simulado en la ratio CET1 del banco en caso de insolvencia de la entidad (es decir, la probabilidad de impago establecida en 1), teniendo en cuenta compensaciones como las estrategias de mitigación del riesgo de crédito (garantía). Para evaluar el contagio, la aplicación también identifica empresas que son similares a la entidad identificada (es decir, del mismo país-sector), y también se informa el impacto agregado de la quiebra de la entidad y estas empresas similares.
La aplicación también contiene un módulo de pruebas de estrés a nivel bancario. Los usuarios pueden ajustar un conjunto de variables macro financieras (por ejemplo, PIB, tasa de interés, tipo de cambio) para generar choques de tasas de interés y ganancias a las empresas. Estos, a su vez, afectan las ratios de cobertura de intereses (ICR) es a estas entidades. Específicamente:
• el cambio porcentual en el ICR se aproxima por el cambio porcentual en las ganancias (medido por las ganancias antes de intereses e impuestos) menos el cambio porcentual en los gastos por intereses. Se supone que el cambio en las ganancias se ve directamente afectado por la desviación en el crecimiento del PIB en relación con la línea de base e inversamente afectado por una apreciación en un índice USD amplio. El gasto en intereses aumenta en concierto con un aumento en la tasa de interés local, que se ve exacerbado aún más por el endurecimiento de las condiciones financieras asociadas con la amplia fortaleza del dólar.
• se utiliza una tabla de mapeo21 para asignar los ICR a los diferenciales de crédito, que se utilizan para implicar una probabilidad de incumplimiento neutral en cuanto al riesgo que luego se utiliza para calcular el RWA basado en un supuesto incumplimiento dado por pérdida (LGD). Para las contrapartes que están bajo estrés, pero no incumplen (PD < 1), el impacto en la relación CET1 se produce a través de aumentos en el RWA para simplificar (es decir, un aumento del denominador).
• al evaluar el impacto de un incumplimiento (PD = 1) en el capital CET1, se utiliza una fórmula simple (max (0, LGD*Exposure At Default (EAD) – importe garantizado), donde se supone que el EAD es la exposición real del banco a la contraparte. Este importe se resta del importe del capital CET1 para determinar el impacto de la tensión en el capital CET1.
Análisis de red
En los cuadros de mando proporcionados por FNA, el procesamiento del lenguaje natural y el análisis de sentimientos se utilizan para identificar en tiempo real indicadores de riesgo de crédito emergentes a partir de datos de noticias combinados con el análisis de red de datos de préstamos individuales con el fin de evaluar los canales de contagio directos e indirectos de los riesgos crediticios. La solución combina análisis avanzados de procesamiento de lenguaje natural y análisis de red, y operacionaliza diferentes tipos de datos estructurados y no estructurados, como noticias, préstamos corporativos, préstamos interbancarios y cadenas de suministro.
Atributos de datos
Los datos de entrada se pueden dividir en nodos y enlaces. Los nodos representan entradas no relacionales como noticias y entidades en nuestro contexto. Los enlaces representan todas las relaciones en los conjuntos de datos, como transacciones o préstamos. Las propiedades tanto de los nodos como de los enlaces se pueden encontrar en el Anexo 2.
Dinámica de contagio de ventas de incendios
El modelo de contagio de venta de incendios se basa en el método que se ha introducido y utilizado ampliamente en la literatura de riesgo sistémico.22 Los pasos del modelo de contagio de venta de incendios se pueden resumir en el Anexo 3.
Dinámica de contagio interbancario
Para evaluar el impacto sistémico del contagio de las pruebas de estrés interbancarias, utilizamos DebtRank.23 DebtRank es un algoritmo iterativo que asume que las tensiones en una red interbancaria se propagan debido al deterioro de la calidad crediticia de la contraparte del prestamista. En primer lugar, los bancos con exposición directa al espécimen corporativo sufrirán algunas pérdidas. Esto provoca cambios en las percepciones del mercado sobre la solvencia de estos bancos directamente afectados en el sistema interbancario. Los prestamistas de estos bancos sufrirán entonces una cierta reducción en sus activos de préstamos interbancarios a medida que sus préstamos interbancarios se marquen al mercado.
Consideraciones operativas
Una consideración operativa clave es la seguridad de la aplicación/ prototipo, dado que los datos de supervisión pueden ser confidenciales. Para abordar esto, se ha desarrollado un sistema modular de autenticación de usuarios que se puede integrar con sistemas empresariales como Active Directory. Solo los usuarios autorizados pueden acceder a la plataforma.
Hallazgos, oportunidades y consideraciones para los supervisores
Conclusiones del proyecto Ellipse
Project Ellipse se propuso explorar y demostrar cómo una solución integrada de plataforma de datos y análisis podría permitir a los supervisores extraer, acceder y analizar digitalmente fuentes grandes y diversas de datos que son relevantes para los eventos actuales en tiempo real. Examinó si la recopilación de datos granulares de las entidades informantes podría sustituir la necesidad de que las autoridades solicitaran información mediante plantillas. Esto requeriría estándares de datos y modelos de datos comunes, donde las métricas de supervisión podrían derivarse utilizando reglas programables que hagan referencia a modelos de datos comunes legibles por máquina y ejecutables por máquina. El proyecto también se propuso demostrar cómo los conocimientos en tiempo real utilizando análisis avanzados podrían derivarse de grandes volúmenes de datos estructurados y no estructurados que podrían usarse para hacer correlaciones de riesgo y analizar el sentimiento, alertando a los supervisores de problemas que pueden necesitar más investigación. También buscó mostrar estos conocimientos utilizando una canalización de datos integrada de extremo a extremo donde se ingresan, consolidan, analizan y muestran fuentes de datos estructuradas y no estructuradas utilizando una interfaz de usuario de panel personalizable.
La primera fase del Proyecto Ellipse fue un PoC exploratorio que analizaba la viabilidad de los informes digitales transfronterizos. Este PoC pretende ser un primer paso para acercar a las autoridades y partes interesadas a una comprensión común de los datos recopilados por las autoridades a nivel mundial. Se limitó intencionalmente su alcance, pero un objetivo importante era ver si, para el caso de uso específico, nuestras partes interesadas podrían llegar a una comprensión consistente de los atributos de datos de las hipotecas minoristas y si estos atributos de datos podrían representarse de una manera que permita que el código programable haga referencia a ellos para generar el informe de métricas regulatorias. Nuestra exploración confirmó que:
• Los requisitos de presentación de informes reglamentarios pueden expresarse en instrucciones inequívocas de informes lógicos legibles por máquina respaldadas por un modelo de datos coherente
• las especificaciones programáticas técnicas estandarizadas de los pasos para generar informes regulatorios pueden publicarse junto con la regulación y garantizar una comprensión clara al nivel más granular de los datos requeridos
• Las bibliotecas ejecutables se pueden generar y publicar automáticamente junto con las regulaciones para ayudar a acelerar la implementación
• si se acordó e implementó un estándar de datos común, es posible que las instituciones financieras ya no necesiten interpretar las instrucciones de presentación de informes y presentar datos agregados por caso de uso.
• con instrucciones lógicas adicionales basadas en el mismo modelo de datos, los supervisores también pueden consultar automáticamente los datos de transacciones subyacentes y generar métricas regulatorias que hagan referencia a esos datos estandarizados.
La segunda fase del Proyecto Ellipse exploró cómo se podría construir una plataforma única para que las autoridades pudieran beneficiarse del acceso «bajo demanda» a fuentes de datos oportunas e integradas para ayudar a respaldar e informar sus evaluaciones de supervisión. Un objetivo importante de la Fase 2 era demostrar que, a medida que las autoridades continúan explorando la presentación de informes digitales y la recopilación de datos granulares, podrían, mientras tanto, utilizar los datos reglamentarios existentes en la plataforma Ellipse, como los datos recopilados sobre grandes exposiciones. También queríamos mostrar que una sola plataforma podría ser capaz de actuar como una «ventanilla única», donde los supervisores podrían encontrar información regulatoria rápidamente y podrían guiarse por los conocimientos generados a partir de los análisis que se ejecutan en la plataforma. A pesar de que la construcción del proyecto se limitó a seis meses, el prototipo Ellipse demuestra que:
• Los datos regulatorios que tienen suficiente granularidad, como las grandes exposiciones, se pueden integrar en la misma plataforma con otras fuentes de información no estructurada, como noticias y datos de mercado.
• el uso de análisis avanzados puede automatizar la evaluación de los posibles impactos en las métricas prudenciales clave, proporcionando a los supervisores información en tiempo real y alertas tempranas de las exposiciones en riesgo de las entidades informantes.
• si los supervisores tuvieran esta información automatizada en tiempo real, podrían investigar más a fondo los riesgos y desafiar a las entidades informantes más rápidamente, permitiendo una intervención más temprana si fuera necesario.
• las funcionalidades que satisfacen las necesidades de diferentes unidades con diferentes responsabilidades de supervisión o supervisión se pueden integrar en una sola plataforma, con sistemas de autenticación que permiten el acceso solo a usuarios autorizados
• la plataforma se ha construido para dar cabida a múltiples aplicaciones y, por lo tanto, tiene el potencial de escalar con conjuntos de datos más grandes y granulares
Oportunidades y consideraciones para los supervisores
Con estos hallazgos en mente, Proyecto Ellipse presenta una oportunidad para que la comunidad reguladora global considere, explore y colabore en soluciones comunes que puedan preparar para el futuro los datos y las capacidades analíticas de los supervisores. Nuestro compromiso con las autoridades reguladoras y las instituciones internacionales a nivel mundial en los últimos 12 meses confirma el deseo de los supervisores de avanzar hacia soluciones más impulsadas digitalmente. Cuanto mayor sea el número de autoridades que convergen en una solución común, mayor será el potencial de convergencia en los insumos de datos comunes, la normalización de datos y el intercambio de información para apoyar la estabilidad financiera.
La transformación digital plantea consideraciones importantes para las autoridades que no estaban dentro del alcance de este proyecto si desean explorar soluciones de plataforma como Ellipse. Estas consideraciones incluyen el patrocinio de la alta dirección y las estrategias de gestión del cambio organizacional para permitir un cambio hacia soluciones impulsadas digitalmente. En última instancia, tales soluciones requieren recursos y experiencia, así como una capacitación y desarrollo más amplios del personal de supervisión. No obstante, el uso de tales plataformas podría tropezar con escepticismo, lo que plantea cuestiones tales como si debería ser responsabilidad de los supervisores ser proactivos y orientados hacia el futuro en la gestión de los riesgos emergentes o si esta responsabilidad debería recaer únicamente en las entidades supervisadas.
Es importante destacar que aumentar el conjunto de herramientas de supervisión con análisis habilitados digitalmente no reemplaza la necesidad de evaluación y juicio de supervisión. Por el contrario, el instinto de supervisión será aún más crucial cuando se presenten ideas predictivas, ya que un conocimiento profundo de las instituciones supervisadas será clave para determinar si se necesita una acción temprana. Sin embargo, sin nuevas soluciones que aprovechen el poder de los datos, los supervisores pasarán demasiado tiempo dando sentido a los datos dispares en lugar de usar su experiencia y juicio para desafiar a las entidades supervisadas con esta información. Por lo tanto, se alienta a las autoridades a iniciar este diálogo dentro de sus respectivas organizaciones, si aún no lo han hecho.
El Proyecto Ellipse del BIS Innovation Hub es un prototipo que esperamos ayude a las autoridades a explorar nuevas soluciones e investigar por sí mismas el arte de lo que podría ser posible. Con este fin, la plataforma Ellipse se está desarrollando como un bien público global para ser compartido con las autoridades a nivel mundial. Nuestra intención es utilizar la plataforma como base para crear una comunidad de colaboración para que esta solución tenga el potencial de ser compartida y escalada entre las autoridades reguladoras de todo el mundo. Al unir fuerzas a través de una comunidad colaborativa, los bancos centrales y las autoridades reguladoras podrían trabajar juntos para crear nuevas aplicaciones que sirvan a casos de uso y prioridades comunes, y para reducir la duplicación de esfuerzos. En última instancia, al trabajar juntas, las autoridades pueden ampliar estas soluciones más rápido para que colectivamente puedan prepararse mejor para enfrentar los desafíos de la era digital.