“La importància d’aquest article resideix en què pretén fer una contribució pràctica a la literatura mitjançant la classificació de bancs manipuladors i no manipuladors amb tècniques de classificació basades en algorismes d’aprenentatge automàtic”, ha destacat Francisco Climent, catedràtic en el Departament d’Economia Financera i Actuarial de la UV i un dels signants de l’article.

Les dades utilitzades en aquest estudi són les cotitzacions diàries presentades pels bancs del panell i les taxes finals d’Euribor des de gener de 2004 fins a novembre de 2018. La metodologia usada per a l’anàlisi comença amb el garbellat exhaustiu d’aquestes dades. Aquestes es transformen per a aplicar algorismes avançats d’aprenentatge automàtic com Random Forest, GLM, Gradient Boosting Machine i Deep Neutral Networks, entre altres, mitjançant l’ús de la plataforma H2O, que agilita el procés d’aplicació d’aquests models.

Així, la metodologia d’aprenentatge automàtic comença a processar les dades abans esmentades, que actuent com a variables i els bancs, com a observacions. Posteriorment, es manegen els valors perduts pel fet que alguns bancs de panells no són presents durant tot el període d’estudi. En conseqüència, eliminen les variables amb més del 35% de valors perduts i les substitueixen per la mitjana de la resta d’observacions.

Després d’organitzar les dades, s’etiqueta la variable binària Manipulation com a variable de resposta i es troben models que, sobre la base de la resta de variables, permeten classificar els bancs en dues categories: potencial manipulador i potencial no manipulador. Finalment, la discussió de resultats se centra tant en el millor model obtingut de tots els provats com en la mitjana de les mesures de rendiment de les 30 execucions de cada model per a avaluar millor el rendiment global. La metodologia anterior s’ha aplicat al llarg de tot el període en el qual es van produir les manipulacions (de gener de 2005 a maig de 2012) i també en terminis de sis mesos dins del període de manipulació perquè es puguen comparar els resultats en diferents terminis.

Els resultats mostren que, de set bancs manipuladors, cinc són detectats per Machine Learning usant algorismes de Deep Learning i presenten patrons de contribució molt similars. Així, la Detecció d’Anomalies confirma que diversos bancs manipuladors presenten nivells similars d’anormalitat en les seues contribucions. Finalment, els investigadors determinen que els administradors i supervisors poden trobar útils aquestes tècniques per a detectar accions potencialment il·lícites dels bancs involucrats en el procés de fixació de taxes de l’Euribor.

A Climent s’uneixen com a coautors d’aquesta investigació Rubén Herrera, premi al millor Treball Final de Màster de la Facultat d’Economia de la UV en 2019 i premi al millor Treball Final de Màster de la Càtedra DEBLANC (Aplicació de Metodologies Estadístiques, Econòmiques i d’Aprenentatge Automàtic per a la Detecció de Delictes Financers i Blanqueig de Capitals), Pedro Carmona i Alexandre Momparler, tots ells investigadors de la Universitat en les àrees de comptabilitat i finances empresarials.

Article: 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