Empowering financial supervision: a SupTech experiment using machine learning in an early warning system

• Alonso-Robisco, Andrés ^[1] ; Azqueta-Gavaldón, Andrés ^[1] ; Carbó, José Manuel ^[1] ; González, José Luis ^[1] ; Hernáez, Ana Isabel ^[1] ; Herrera, José Luis ^[1] ; Quintana, Jorge ^[1] ; Tarancón, Javier ^[1]
  1. [1] Banco de España
• Localización: Documentos ocasionales - Banco de España, ISSN 1696-2222, Nº. 4, 2025
• Idioma: inglés
• Enlaces
  • Texto completo
• Resumen
  • español

    Las nuevas tecnologías han facilitado el acceso y el registro de una gran cantidad de nuevos datos, en forma de texto, compartidos (con un crecimiento exponencial) sobre el comportamiento humano y corporativo. Para los supervisores financieros, la información codificada en texto es un complemento valioso de los tradicionales datos de balances que se utilizan de forma habitual para evaluar la solidez de las instituciones financieras. En este estudio, empleamos varias técnicas de procesamiento de lenguaje natural (NLP, por sus siglas en inglés), así como análisis de redes, para detectar anomalías en el sistema corporativo español, lo que nos lleva a identificar los riesgos tanto idiosincrásicos como sistémicos. Utilizamos el análisis de sentimiento en el contexto empresarial para detectar anomalías en el comportamiento de empresas específicas (riesgos idiosincrásicos), mientras que aplicamos una amplia gama de métricas de redes para monitorear los riesgos del sistema. En el ámbito de la tecnología aplicada a la supervisión (suptech), los sistemas de detección de anomalías actúan como una herramienta proactiva para las autoridades financieras. Al monitorear continuamente las tendencias de sentimiento, las aplicaciones de suptech pueden proporcionar alertas tempranas sobre posibles situaciones de estrés financiero o riesgos sistémicos.

  • English

    New technologies have made available a vast amount of new data in the form of text, recording an exponentially increasing share of human and corporate behavior. For financial supervisors, the information encoded in text is a valuable complement to the more traditional balance sheet data typically used to track the soundness of financial institutions. In this study, we exploit several natural language processing (NLP) techniques as well as network analysis to detect anomalies in the Spanish corporate system, identifying both idiosyncratic and systemic risks. We use sentiment analysis at the corporate level to detect sentiment anomalies for specific corporations (idiosyncratic risks), while employing a wide range of network metrics to monitor systemic risks. In the realm of supervisory technology (SupTech), anomaly detection in sentiment analysis serves as a proactive tool for financial authorities. By continuously monitoring sentiment trends, SupTech applications can provide early warnings of potential financial distress or systemic risks.