El nivel de precios de Bitcoin no es un indicador de su sostenibilidad. No hay datos económicos fundamentales, no hay un valor razonable del que se puedan derivar pronósticos serios. No hay «prueba de precio» en una burbuja especulativa. En cambio, una deflación de la burbuja especulativa muestra la eficacia del lobby de Bitcoin. La capitalización «de mercado» cuantifica el daño social general que se producirá cuando el castillo de naipes se derrumbe. Es importante que las autoridades estén atentas y protejan a la sociedad del lavado de dinero, los delitos cibernéticos y de otro tipo, las pérdidas financieras para las personas con menos educación financiera y los grandes daños ambientales. Este trabajo aún no se ha hecho.
Autor: Diana Alejandra Loyola Sanchez
El coste de no emitir un euro digital
A lo largo de la historia, las transformaciones monetarias han sido el resultado de una interacción dinámica entre el progreso tecnológico, los cambios en las preferencias humanas y la evolución institucional.
A principios del Renacimiento, el comercio y la innovación financiera florecieron en las ciudades-estado italianas. La introducción de las cartas de cambio y la corresponsalía bancaria liberó a los comerciantes de los peligros de transportar engorrosas monedas de oro y plata y promovió métodos de pago seguros que, a su vez, facilitaron el comercio internacional. La riqueza sustancial de las ciudades-estado italianas podría utilizarse como base para el esplendor del Renacimiento italiano.
Hoy en día, nos encontramos de nuevo en un punto crucial en la evolución del dinero. El panorama económico está cambiando de una manera sin precedentes. La innovación digital ha marcado el comienzo de una nueva era con el potencial de desbloquear enormes oportunidades. Estos cambios afectan inevitablemente a los pagos y al dinero, que se están volviendo tan digitales como nuestras economías.
Los bancos centrales de todo el mundo se están preparando para esta nueva era digital, reconociendo tanto las oportunidades como los desafíos que conlleva. Están explorando activamente el potencial de emitir un instrumento de pago digital junto con el efectivo como el siguiente paso lógico en la evolución del dinero del banco central. Según una encuesta del BPI3, en 2022, de un grupo de 86 bancos centrales encuestados, 80 (o el 93%) participaron en algún tipo de trabajo con CBDC, que va desde la investigación y la prueba de concepto hasta los proyectos piloto y también las CBDC en vivo. El Banco Central Europeo es uno de ellos, ya que el Consejo de Gobierno del BCE ha decidido recientemente iniciar la fase de preparación del proyecto del euro digital.4
Los bancos centrales han proporcionado durante mucho tiempo medios de pago fiables como un bien público y un ancla de estabilidad para el sistema financiero y monetario. ¿Por qué no deberían hacer lo mismo en la era digital y ser los únicos en no ofrecer una versión digital de su producto?
Pero hoy en día hay escépticos que afirman que emitir CBDC sería infructuoso. Algunos creen que un euro digital puede no ser lo suficientemente exitoso; Muchos se preguntan qué beneficios específicos podría ofrecer que los métodos de pago existentes aún no proporcionan. Al mismo tiempo, otros temen que un euro digital pueda tener demasiado éxito y crear inestabilidad al desafiar potencialmente los depósitos bancarios tradicionales.
Los problemas de la transición de China
Aunque China se está moviendo para alinearse internacionalmente en finanzas verdes y ESG, históricamente, no ha dependido de la inversión extranjera para financiar su desarrollo. Las contribuciones extranjeras representan sólo alrededor del 3% de las inversiones totales de China.
«Pero el objetivo del banco central chino sigue siendo atraer financiación privada, nacional y extranjera, para apoyar al país en la financiación de sus objetivos de cero emisiones netas», dice Ng.
En línea con esto, la AIGCC lanzó un nuevo grupo de trabajo el año pasado para satisfacer el creciente interés de los inversores en el mercado chino. El grupo está copresidido por Peiyuan y Flora Wang, directora de Stewardship, Asia y Portfolio Manager de Fidelity International.
Según Kwan, durante la reunión inaugural del grupo, el funcionario gubernamental de alto nivel Chai Qimin, director de Planificación Estratégica del Centro Nacional para la Estrategia de Cambio Climático, destacó la necesidad de invertir en el país. El Ministerio de Ecología y Medio Ambiente de China considera que para alcanzar el objetivo de neutralidad de carbono de China para 2060, se necesitará una inversión estimada de 139 billones de yuanes (21 billones de dólares), con un déficit de financiación a largo plazo de 1,6 billones de yuanes al año.
Pero en un clima de tensiones internacionales latentes, muchos inversores siguen desconfiando de China, un problema en el que Cary Krosinsky, director ejecutivo del Instituto de Finanzas Sostenibles y profesor de la Universidad de Brown y Yale, ha dedicado gran parte de su carrera. En 2021, escribió un libro en el que explicaba por qué la cooperación financiera entre Occidente y China era vital para resolver los desafíos de sostenibilidad del mundo, aunque aparentemente no hay una manera fácil de lograrlo.
«Tuvimos a John Kerry [ex enviado de Estados Unidos para el clima] en nuestra clase hace cinco años, y estaba bastante molesto porque la administración anterior [de Trump] había roto la relación entre Estados Unidos y China que se había esforzado por construir en el período previo al Acuerdo de París», dice Krosinsky. «En efecto, estaba muy interesado en que ambas partes trabajaran juntas para aumentar la energía renovable, en particular en el mundo en desarrollo».
Como la segunda reserva de capital de riqueza más grande del mundo, China debería ser técnicamente un destino de inversión atractivo, argumenta Krosinsky. «Los actores del sector financiero en Occidente siguen tratando de averiguar cómo jugar en China y evaluar elementos como cuánto vale una empresa y si podrán sacar su dinero del país», añade. Para un país con el segundo mayor número de multimillonarios del mundo y un atractivo potencial de crecimiento, hay una carrera para aprovechar eso, a pesar de los desafíos».
Información privilegiada de la EBA sobre DPM 2.0
Los sistemas y procesos de recopilación de datos de la Autoridad Bancaria Europea (EBA) y la Autoridad Europea de Seguros y Pensiones de Jubilación (EIOPA) están siendo objeto de una importante revisión para mejorar su eficiencia y eficacia. En una entrevista en profundidad con la EBA, nos ponemos al día sobre el progreso hasta el momento, aprendemos qué significará la iniciativa para una variedad de partes interesadas y echamos un vistazo al futuro. Sabemos que muchos de nuestros lectores siguen estos acontecimientos con interés, así que no se pierda estas ideas vitales, directamente de la EBA.
La iniciativa actual tiene como objetivo mejorar la flexibilidad, armonizar la presentación de informes y mejorar la eficiencia. La EBA afirma que el metamodelo final del DPM 2.0 ha sido publicado y ahora se está poniendo a prueba en marcos de presentación de informes seleccionados, antes de su implementación en todo el Marco de presentación de informes de la EBA v4.0.
La entrevista también reflexiona sobre la coevolución del DPM y el estándar XBRL para permitir informes más ágiles. La EBA está actualmente en transición del formato xBRL-XML al más compacto xBRL-CSV, con el objetivo de completarlo a finales de 2025, y enfatiza la importancia de XBRL para el regulador: “La EBA subraya su dedicación a mantener un lenguaje de informes comerciales extensible (XBRL) como un componente fundamental de nuestro marco de información regulatoria”.
En el ojo de la tormenta de la IA
La prevalencia de la inteligencia artificial (IA) aumentó en 2023, una tendencia que seguramente continuará este año, pero el crecimiento de la tecnología se ve afectado por los riesgos derivados de la mala gobernanza.
El uso de la IA ya está muy extendido, como lo ilustra una encuesta de la consultora de gestión McKinsey, que encontró que el 79% de los encuestados ha tenido alguna exposición a la IA generativa y el 22% ya la usa regularmente en su trabajo.
El sistema de IA más conocido, ChatGPT, superó los 100 millones de usuarios únicos dos meses después de su lanzamiento en noviembre de 2022, y se estima que fue utilizado por 1.700 millones de personas en un año. Según una investigación de la empresa de TI Infosys, la IA añadirá 14 billones de dólares en valor bruto a las empresas para 2035, mientras que Goldman Sachs estimó que la IA generativa podría aumentar el PIB mundial en un 7% para 2033.
Los gobiernos ya están desplegando sistemas de IA en ámbitos como la vivienda, el empleo, el transporte, la educación, la salud, la accesibilidad y la justicia, y es probable que el uso de la tecnología aumente aún más en 2024.
En los sectores público y privado, podría ser transformador, mejorando la eficiencia, reduciendo los costos para las corporaciones y acelerando la automatización. Esto también significa pérdidas de empleo: un análisis de marzo de 2023 de Goldman Sachs proyectó que la IA podría reemplazar el equivalente a 300 millones de puestos de trabajo a tiempo completo.
Sin embargo, la IA plantea graves riesgos, como facilitar las violaciones de los derechos humanos, exacerbar los desequilibrios de poder de la sociedad, perpetuar la desigualdad racial y perturbar los procesos democráticos.
Estos riesgos son en gran medida evitables y pueden deberse a la mala gobernanza de la tecnología.
¿Es importante la concienciación sobre el medio ambiente y la salud para la elección del combustible en el hogar? Evidencia empírica de Asia Central
Utilizando la encuesta de energía de los hogares que se llevó a cabo en persona en el territorio del valle de Ferganá, que se encuentra en tres países de Asia Central, a saber, el este de Uzbekistán, el sur de la República Kirguisa y el norte de Tayikistán, durante julio y agosto de 2023, este estudio proporciona los siguientes resultados clave y recomendaciones de políticas basadas en evidencia para promover la calefacción limpia entre los hogares.
En primer lugar, los pobres en energía (que comprenden el 66% de la población) son más propensos a utilizar combustible sucio para la calefacción, por lo que los hogares pobres en energía son más propensos a la «acumulación de combustible». Por lo tanto, la transición energética de la calefacción sucia a la limpia requerirá más incentivos y apoyo para los hogares en situación de pobreza energética.
En segundo lugar, los hogares que se preocupan por el daño ambiental son menos propensos a elegir combustible sucio para la calefacción, pero solo entre aquellos que no son pobres energéticamente. La concienciación sobre el daño al medio ambiente no es significativa para la elección del combustible de calefacción entre las personas pobres en energía, por lo que el aumento de la conciencia medioambiental tendrá un impacto limitado en el cambio a una calefacción limpia. Por otro lado, la concienciación sobre los efectos en la salud tiene un efecto significativo en la elección del combustible para calefacción en todos los grupos (pobres y no pobres en energía). Por lo tanto, la sensibilización sobre el medio ambiente para promover el cambio a una calefacción limpia tendrá un impacto limitado (afectará principalmente a las personas que no son pobres en energía y no tendrá ningún impacto en las personas pobres en energía), mientras que la sensibilización sobre los impactos en la salud tendrá un mayor efecto en todos los grupos (pobres y no pobres en energía). Es más probable que las políticas de concienciación sobre los efectos del combustible sucio en la salud tengan un mayor efecto en el cambio de combustible que la concienciación sobre el daño medioambiental.
En tercer lugar, la conciencia ambiental es la principal razón por la que los hogares cambian la calefacción sucia por la limpia; Sin embargo, el uso real de la calefacción limpia se ve afectado por la conciencia ambiental solo para las personas que no son pobres en energía, lo que indica que las personas pobres en energía, aunque podrían ser conscientes de los impactos ambientales, tienen una capacidad limitada para cambiar de calefacción sucia a limpia, lo que podría deberse a otros factores, como el acceso limitado a la financiación para cambiar el sistema de calefacción (o mudarse de casa). o el acceso a la calefacción limpia o su asequibilidad.
En general, nuestros resultados sugieren que aumentar la conciencia ambiental no es suficiente para que los hogares en situación de pobreza energética adopten combustibles modernos. También necesitarán más apoyo político, además de crear conciencia, como mejorar el acceso a la financiación, el acceso a la calefacción limpia y su asequibilidad.
Probando los límites cognitivos de grandes modelos lingüísticos
Las actividades de los bancos centrales son adecuadas para la aplicación del aprendizaje automático y la inteligencia artificial (IA), lo que refleja la amplia disponibilidad de datos estructurados y no estructurados, junto con la necesidad de análisis sofisticados para respaldar las políticas. Incluso antes de que la IA se convirtiera en el centro de atención de los comentarios populares y de la fascinación generalizada, los bancos centrales habían sido los primeros en adoptar métodos de aprendizaje automático en estadística, análisis macroeconómico y regulación/supervisión (véase Araujo et al (2022, 2023)). Los hallazgos de este boletín no restan valor a los avances tangibles y rápidos que se están logrando en estas áreas, así como en las aplicaciones científicas de la IA que han experimentado un rápido progreso.
Sin embargo, nuestros hallazgos sugieren que se debe tener precaución al implementar grandes modelos de lenguaje en contextos que requieren un razonamiento económico cuidadoso y riguroso. La evidencia hasta ahora es que la generación actual de LLM no alcanza el rigor y la claridad en el razonamiento requeridos para los análisis de alto riesgo necesarios para las aplicaciones de banca central. Como se explica en el anexo, la ingeniería rápida y otros métodos para persuadir al LLM para que dé la respuesta correcta no vienen al caso en nuestro experimento.
En términos más generales, nuestros hallazgos se suman al debate sobre si las limitaciones de la generación actual de grandes modelos lingüísticos simplemente reflejan los límites contingentes planteados por el tamaño del texto de entrenamiento y el número de parámetros del modelo, o si los límites reflejan límites más fundamentales del conocimiento adquirido solo a través del lenguaje. Por un lado, Wei et al (2022) muestran que los LLM muestran «capacidades emergentes» (nuevas capacidades que no están presentes en modelos más pequeños) a medida que el tamaño de la red neuronal se eleva por encima de un umbral crítico. Los LLM suficientemente grandes son capaces de realizar tareas como la suma de tres dígitos, responder a preguntas intrincadas y exhibir capacidades generalizadas de lenguaje natural, una hazaña inalcanzable por modelos más pequeños con datos limitados. Del mismo modo, en su trabajo seminal, Bubeck et al (2023) exploran las competencias multifacéticas de los LLM. Si bien reconocen las limitaciones, los autores siguen siendo optimistas sobre el potencial del modelo para superar el rendimiento humano en ciertos dominios y argumentan que términos como «razón», «conocimiento», «habilidades», «planificación» y «aprendizaje» se aplican correctamente a dichos modelos.
¿Qué tan bien entienden los modelos de IA como GPT-4 los datos XBRL?
Hace un par de semanas comentamos desfavorablemente sobre el uso de versiones PDF de presentaciones de la SEC como entradas para modelos de lenguaje grande (LLM). Estamos mucho más interesados en cómo se pueden aprovechar estas herramientas para examinar datos estructurados.
Los ejemplos incluyen las presentaciones estructuradas con formato Inline XBRL proporcionadas a la SEC por todas las empresas que cotizan en bolsa en los Estados Unidos.
Así que pensamos que deberíamos hacer algunos experimentos por nuestra cuenta. En un nuevo blog, nuestro director de orientación, Revathy Ramanan, profundiza en lo que es posible con algunos enfoques muy simples para el análisis basado en LLM que se basa en estados financieros XBRL estructurados en lugar de archivos PDF no estructurados.
Este blog explica nuestro proceso y establece algunos hallazgos iniciales tentativos. Usamos Chat GPT 4 para este trabajo (incluso XBRL International puede permitírselo). Para ser honesto, estamos mucho más interesados en lo que se puede hacer con estas herramientas. Parece que se está abriendo un capítulo completamente nuevo, pero será necesaria una amplia gama de experimentación, utilizando LLM personalizados.
En pocas palabras, cuanto más hacemos en este espacio, más nos convencemos de que la divulgación de datos estructurados y confiables en XBRL (de los cuales la administración es responsable) produce una única fuente de verdad y una mina de oro analítica para la inteligencia artificial. Los datos están en todas partes. Los datos confiables no tienen precio. Por supuesto, el hecho de que la IA pueda consumirlo fácilmente es muy positivo, pero todavía estamos en el punto más temprano de este viaje.
Aprender de las crisis – nuestro nuevo marco para las líneas de liquidez en euros
El BCE puede prestar euros a los bancos centrales no pertenecientes a la zona del euro para reducir el riesgo de que las tensiones financieras se extiendan a la zona del euro. Piero Cipollone, Philip Lane e Isabel Schnabel explican cómo hemos hecho que estas líneas de liquidez sean más efectivas y ágiles.
Las perturbaciones financieras durante la pandemia de coronavirus y la invasión rusa de Ucrania han vuelto a poner de relieve la importancia de las líneas de liquidez en euros. Las tensiones en los mercados provocadas por estas crisis redujeron la liquidez en euros en un número significativo de países no pertenecientes a la zona del euro. En respuesta, el BCE amplió las líneas de liquidez en euros a los bancos centrales pertinentes, lo que les permitió aliviar las tensiones de financiación de sus instituciones financieras nacionales. Proporcionar liquidez en euros a los países no pertenecientes a la zona del euro protege la transmisión de la política monetaria en la zona del euro y minimiza los riesgos de bucles de retroalimentación adversos, lo que hace que la zona del euro sea más resiliente.
Recientemente ajustamos nuestro Marco de referencia para la provisión de liquidez en euros a través de los fondos del BCE Operaciones de swap y repo para que estos instrumentos sean lo más eficaces y ágiles posible.[1] El marco conserva los elementos fundamentales ya existentes e integra los mecanismos de repo existentes en un marco permanente unificado denominado mecanismo de repo del Eurosistema para bancos centrales (EUREP). Estos cambios entraron en vigor el 16 de enero de 2024.
Los cambios introducidos en el marco reflejan tres lecciones clave de las experiencias recientes. En primer lugar, que los riesgos de efectos negativos sobre la transmisión de la política monetaria aumenten en caso de condiciones de mercado desordenadas fuera de la zona del euro. En segundo lugar, que el BCE debe ser capaz de reaccionar rápidamente a los acontecimientos que se desarrollan rápidamente. Y tercero, que la mera existencia de una línea de liquidez impide que se materialicen las tensiones financieras. El marco revisado ofrece a los países con estrechos vínculos económicos y financieros con la zona del euro, ya sea permanente o a plazo fijo, acceso a nuestras líneas de liquidez en tiempos normales. También amplía el acceso a un conjunto más amplio de países en tiempos de crisis o de mayor riesgo de crisis. Al mismo tiempo, se refuerza el papel de las líneas de liquidez como «mecanismo de protección» con recargos apropiados sobre los tipos de interés. Estos recargos ayudan a preservar los incentivos para que las entidades de crédito no pertenecientes a la zona del euro intenten primero obtener préstamos en el mercado privado antes de recurrir a las líneas de liquidez. También limitan el margen de efectos secundarios adversos no deseados, como el endeudamiento externo excesivo en euros.
Inflación, política fiscal y desigualdad
En este documento se evalúa el impacto distributivo del repunte de la inflación en la zona del euro desde 2021 y las MCI adoptadas por las administraciones de la zona del euro. Aplica el modelo de micro simulación de la UE EUROMOD y su extensión ITT para evaluar cómo la inflación y las medidas gubernamentales de apoyo a los hogares han afectado al poder adquisitivo y al bienestar en toda la distribución de la renta. Los resultados se presentan para un indicador aproximativo del agregado de la zona del euro y por separado para Alemania, Grecia, España, Francia, Italia y Portugal. El documento muestra que el shock inflacionario tuvo un impacto más perjudicial en los hogares de menores ingresos que en los de mayores ingresos. Al mismo tiempo, y a pesar de que las medidas no estaban fuertemente dirigidas a los hogares de menores ingresos, las medidas gubernamentales contribuyeron significativamente a reducir la pérdida de bienestar debido al aumento de la inflación.
Nuestro análisis pone de relieve una serie de mensajes políticos importantes. En primer lugar, las diferencias en los patrones de consumo entre los hogares más ricos y los más pobres a menudo significaron que estos últimos sufrieron tasas efectivas de inflación más altas en 2022. Sin embargo, el impacto desproporcionado de la inflación en los hogares más pobres se atribuyó principalmente a su mayor participación en los ingresos de consumo. La elevada proporción de los ingresos de consumo significaba que el ingreso nominal total que los hogares más pobres habrían necesitado para sostener el consumo anterior a la inflación a menudo superaba sus ingresos reales, lo que daba lugar a grandes pérdidas de bienestar. Por lo tanto, nuestro análisis subraya la importancia de tener en cuenta los patrones de ahorro a la hora de evaluar el impacto de la inflación en los hogares. En segundo lugar, el uso de medidas no selectivas no era en gran medida eficaz en función de los costos. En el conjunto de la zona del euro, estimamos que el efecto compensatorio sobre nuestra medida de la desigualdad, es decir, la reducción de la brecha de desigualdad, lograda por las medidas de renta fue tres veces mayor que la lograda mediante las medidas de precios. En tercer lugar, si bien las medidas de precios eran igualmente ineficientes en los distintos países, la eficacia en función de los costos de las medidas del lado de los ingresos variaba drásticamente. Esto sugiere que el debate político debería ir más allá del debate sobre las medidas selectivas frente a las no selectivas y centrarse más en la mejor manera de diseñar medidas específicas.
Las limitaciones de nuestro análisis se relacionan principalmente con la naturaleza ceteris paribus del ejercicio, el enfoque en el sector de los hogares y la disponibilidad de datos. En primer lugar, dado que EUROMOD es un simulador estático de beneficios fiscales, no tiene en cuenta las reacciones de los hogares a las variaciones de los precios, ni las respuestas de las empresas a cualquier aumento de los costes de producción o de las subvenciones gubernamentales, salvo una transferencia total. Para comprender todas las implicaciones macroeconómicas de las medidas gubernamentales para compensar la alta inflación, es necesario emplear un modelo de equilibrio general. En segundo lugar, el análisis se limita a la ayuda que se pone directamente a disposición de los hogares. Sin embargo, muchas de las medidas adoptadas por los gobiernos estaban dirigidas a las empresas. Estas medidas también afectaron a los hogares, aunque de forma indirecta, pero no forman parte de este análisis. En tercer lugar, el documento se enfrenta a algunas limitaciones de datos.