“La importancia de este artículo reside en que pretende hacer una contribución práctica a la literatura mediante la clasificación de bancos manipuladores y no manipuladores con técnicas de clasificación basadas en algoritmos de aprendizaje automático”, ha destacado Francisco Climent, catedrático en el Departamento de Economía Financiera y Actuarial de la UV y uno de los firmantes del artículo.

Los datos utilizados en este estudio son las cotizaciones diarias presentadas por los bancos del panel y las tasas finales de Euribor desde enero de 2004 hasta noviembre de 2018. La metodología usada para el análisis comienza con el cribado exhaustivo de estos datos. Estos se transforman para aplicar algoritmos avanzados de aprendizaje automático como Random Forest, GLM, Gradient Boosting Machine y Deep Neutral Networks, entre otros, mediante el uso de la plataforma H2O, que agiliza el proceso de aplicación de estos modelos.

Así, la metodología de aprendizaje automático comienza a procesar los datos antes mencionados, que actúan como variables y los bancos, como observaciones. Posteriormente, se manejan los valores perdidos debido a que algunos bancos de paneles no están presentes durante todo el período de estudio. En consecuencia, eliminan las variables con más del 35% de valores perdidos y las sustituyen por la media del resto de observaciones.

Tras organizar los datos, se etiqueta la variable binaria Manipulation como variable de respuesta y se encuentran modelos que, en base al resto de variables, permiten clasificar los bancos en dos categorías: potencial manipulador y potencial no manipulador. Finalmente, la discusión de resultados se centra tanto en el mejor modelo obtenido de todos los probados como en el promedio de las medidas de rendimiento de las 30 ejecuciones de cada modelo para evaluar mejor el rendimiento global. La metodología anterior se ha aplicado a lo largo de todo el período en el que se produjeron las manipulaciones (de enero de 2005 a mayo de 2012) y también en plazos de seis meses dentro del período de manipulación para que se puedan comparar los resultados en diferentes plazos.

Los resultados muestran que, de siete bancos manipuladores, cinco son detectados por Machine Learning usando algoritmos de Deep Learning y presentan patrones de contribución muy similares. Así, la Detección de Anomalías confirma que varios bancos manipuladores presentan niveles similares de anormalidad en sus contribuciones. Finalmente, los investigadores determinan que los administradores y supervisores pueden encontrar útiles estas técnicas para detectar acciones potencialmente ilícitas de los bancos involucrados en el proceso de fijación de tasas del Euribor.

A Climent se unen como coautores de esta investigación Rubén Herrera, premio al mejor Trabajo Final de Máster de la Facultad de Economía de la UV en 2019 y premio al mejor Trabajo Final de Máster de la Cátedra DEBLANC (Aplicación de Metodologías Estadísticas, Económicas y de Aprendizaje Automático para la Detección de Delitos Financieros y Blanqueo de Capitales), Pedro Carmona y Alexandre Momparler, todos ellos investigadores de la UV en las áreas de contabilidad y finanzas empresariales.

Artículo: Rubén Herrera, Francisco Climent, Pedro Carmona, Alexandre Momparler. «The manipulation of Euribor: An analysis with machine learning classification techniques», Technological Forecasting and Social Change, Volume 176, 2022, 121466, ISSN 0040-1625. https://doi.org/10.1016/j.techfore.2021.121466