Según un artículo donde se demuestra la forma en que los informes del FFIEC de EE. UU. (publicados en XBRL) pueden consumirse y analizarse. Pero ¿cómo se hace? El uso del formato xBRL-JSON es la clave para importar los datos elegidos en una amplia gama de herramientas analíticas.
Conocimientos más profundos y análisis más sencillos con datos XBRL
La noticia de la semana pasada sobre los datos del FFIEC llamó mucho la atención. ¡Esos datos, y una cantidad casi ilimitada más, también están disponibles para usted! En este blog, nuestra Gerente de Orientación, Revathy Ramanan, le brinda algunas ideas.
Una gran cantidad de datos públicos está disponible en formato XBRL legible por máquina. Algunos ejemplos son los informes anuales de la UE, las declaraciones trimestrales y anuales de los EE. UU., las cuestiones clave de auditoría de Japón y, en un futuro próximo, una amplia gama de datos climáticos, así como ESG y de sostenibilidad más amplios. Parece obvio aprovechar los conocimientos de los datos que provienen directamente de las empresas.
Como informamos la semana pasada en nuestro boletín informativo, en el contexto de las ondas en el mundo bancario durante las últimas semanas, pensamos que experimentaríamos mirando otra rica fuente de datos en los EE. UU.: los informes de llamadas con formato XBRL. Los bancos comerciales y de ahorro de los EE. UU. deben presentar un «Informe de condición e ingresos» (Informe de llamadas) trimestralmente a la FDIC. El informe de llamadas tiene una serie de datos que se centran en la supervisión prudencial del sistema bancario. Cubre una variedad de riesgos y exposiciones que van mucho más allá de lo que normalmente divulgan las empresas (no reguladas), pero que son esenciales para comprender la salud de los bancos regulados. Cada divulgación se puede analizar a lo largo del tiempo y en comparación con una variedad de grupos de pares para obtener información interesante.
Por supuesto, el desajuste de activos/pasivos en Silicon Valley Bank llegó a los titulares, pero para comprender completamente los arreglos de ALM de estas instituciones, es necesario profundizar un poco más y comprender la cobertura de tasa de interés aplicada por cada banco.
Siguiendo con los datos de las noticias, puede usar fácilmente los datos de FFIEC para identificar el valor razonable actual de los valores que los bancos informan como «mantenidos hasta el vencimiento» y compararlo con el costo amortizado como se muestra en la Figura 2. Una vez Nuevamente, para comprender el panorama completo, es necesario revisar la composición y diversidad de los pasivos (especialmente la base de depósitos) de cada banco, los acuerdos de cobertura de tasas de interés que utilizan y las líneas de negocios que ofrecen. El objetivo del gráfico es mostrar que analizar los datos es extremadamente sencillo.
Entonces… ¿cómo se hace?
¿Cómo pasé de los informes XBRL a estas visualizaciones de datos?
Descargué los informes de llamadas XBRL para «Peer Group -1 Insured Commercial Banks con activos superiores a $ 100 mil millones» al 31 de diciembre de 2022 desde un enlace FFIEC. Estos informes están en el formato xBRL-XML convencional.
El estándar XBRL proporciona múltiples formatos interoperables para representar informes digitales para abordar diferentes casos de uso. Necesitaba que los informes estuvieran en un formato que las herramientas analíticas de terceros (no conscientes de XBRL) pudieran entender. xBRL-JSON es mi amigo aquí. xBRL-JSON está diseñado para facilitar el consumo de XBRL.
Los informes descargados se convirtieron al formato xBRL-JSON mediante Arelle {Ed. Hay otras herramientas disponibles que convierten de xBRL-XML a xBRL-JSON}. Estos informes xBRL-JSON individuales se pueden cargar en herramientas analíticas que toman JSON como entrada. Los hechos en xBRL-JSON se representan mediante un objeto JSON. Algunas herramientas (p. ej., Tableau) pueden requerir que los hechos se representen como una matriz, lo que pueden hacer las herramientas de transformación JSON estándar. Para facilitar el manejo, fusioné todos estos archivos xBRL-JSON en un marco de datos usando la función integrada de pandas en Python. ¡Eso suena más difícil de lo que es! {Ed – Google «panda dataFrame de archivos JSON»}. Luego, el marco de datos se cargó en Tableau, una herramienta de visualización de datos.
Los conceptos relevantes se filtraron y agruparon para crear las visualizaciones en las Figuras 1 y 2. El gráfico se presenta en forma de banco utilizando las dimensiones XBRL incorporadas que capturan la información de la entidad. Cada hecho de los informes XBRL-JSON incluye un nombre de concepto que, en este caso, es un código alfanumérico que representa un punto de datos. Por ejemplo, ‘RCON6810’ significa ‘Cuentas de depósito del mercado monetario (MMDA)’. El gráfico, por defecto, muestra los códigos; al código se le dio un alias de etiqueta para una fácil comprensión.
Me tomó alrededor de medio día hacer todo el ejercicio, la mayor parte del cual fue comprender la estructura de las divulgaciones del FFIEC. Una vez que se configura el informe, es más fácil analizar otros parámetros, como las pérdidas crediticias y las provisiones.
Los pasos desde los informes XBRL hasta los conocimientos son sencillos, con xBRL-JSON facilitando el análisis de datos en su elección de análisis de autoservicio y herramientas de BI. El mensaje aquí es que es fácil consumir informes XBRL, y nuestra expectativa es que habrá más y más análisis, y más y más herramientas analíticas ampliamente disponibles que aprovechan xBRL-JSON.