Etiqueta: XBRL

Los datos estructurados podrían desbloquear el potencial de la IA en las finanzas

Un elemento en particular durante las vacaciones nos llamó la atención. La investigación de Patronus AI destacó los aparentes desafíos que enfrentan los grandes modelos de lenguaje (LLM), como el GPT-4 de OpenAI, al analizar los datos financieros contenidos en las presentaciones de la Comisión de Bolsa y Valores de EE. UU. (SEC).
El estudio, centrado en consultas financieras, encontró que incluso con acceso a archivos extensos, el modelo de mejor rendimiento, GPT-4-Turbo, logró solo una tasa de precisión del 79%. Pero espera… ¡esta es una de las informaciones mejor estructuradas del planeta! ¡Todo ha sido etiquetado con Inline XBRL! ¿Qué salió mal en su investigación? Oh. Lo adivinaste. Los investigadores pasaron por alto la información estructurada y utilizaron {Ed: ¡Whimpers!} versiones en PDF de estos archivos de estados financieros contenidos en sitios web corporativos.
Así que ayer hicimos nuestro pequeño experimento para comprender si el rendimiento de la IA mejoraría cuando se alimentaran con datos estructurados en Inline XBRL mantenidos en la SEC en lugar de archivos PDF. Cuando el equipo de XII profundizó en los datos, descubrimos que los sistemas de inteligencia artificial como el GPT-4 de OpenAI demuestran un rendimiento enormemente mejorado al responder consultas financieras cuando se alimentan con xBRL-JSON convertido a partir de los informes 10K Inline XBRL de la SEC. Aprovechar el análisis de datos estructurados con IA ofreció resultados de consultas en lenguaje natural mucho más precisos en todas las áreas que analizamos, incluidas:
• Estimación del porcentaje del costo de bienes vendidos (COGS)
• Determinación de los dividendos pagados a los accionistas comunes.
• Analizando la concentración de clientes
• Evaluación del crecimiento de las ganancias
• Evaluación de gastos de capital
Los investigadores sugieren (como era de esperar) que los modelos de lenguaje grandes puedan tener problemas con datos no estructurados, a menudo proporcionando respuestas incorrectas o incluso negándose a responder. Aprovechar los datos estructurados existentes, como en el caso de las presentaciones ante la SEC, es clave para un análisis más confiable mediante modelos de IA.
Las presentaciones presentadas a la SEC ya están meticulosamente estructuradas por empresas, con datos XBRL incorporados obligatoriamente por la dirección corporativa en sus divulgaciones. Como extraer información financiera relevante con IA es más eficaz cuando esa información está estructurada, sería prudente utilizar estos datos pre-estructurados.
{Ed: Respetuosamente, comenzar el análisis con versiones PDF de archivos de 10K es ridículo. Es como imprimir fotografías digitales de algunos fuegos artificiales y luego recortar letras individuales con unas tijeras sin punta y pegarlas en la página para deletrear las palabras «Feliz Año Nuevo» en el papel. ¡Es 2024! ¡Despierta y huele los datos estructurados!}
A pesar de las limitaciones actuales, los investigadores creen en el potencial a largo plazo de modelos de lenguaje como Chat-GPT para ayudar a los profesionales de la industria financiera. Sin embargo, subrayan la necesidad de una mejora continua en los modelos de IA.
Desde nuestra perspectiva, agregaríamos algo extremadamente obvio: las mejoras se acelerarán significativamente al aprovechar XBRL para mejorar la precisión y confiabilidad en el análisis financiero basado en IA. Apenas arañamos la superficie, más de una hora o dos… y estamos seguros de que nuestros lectores podrían hacerlo mejor. Comience por convertir Inline XBRL en xBRL-JSON (la mayoría de los procesadores XBRL ahora le permiten hacer esto extremadamente rápido), brinde a la IA algunas sugerencias sobre la estructura y continúe desde allí. Si tenemos tiempo, profundizaremos un poco más e informaremos la próxima semana.

La SEC actualiza el conjunto de pruebas de datos interactivos

La Comisión de Bolsa y Valores de EE. UU. (SEC) ha lanzado una actualización de su Interactive Data Test Suite, accesible aquí.
El objetivo principal de Interactive Data Test Suite es ayudar a los desarrolladores de software a validar los datos interactivos antes de enviarlos a EDGAR. Esta suite comprende numerosas instancias pequeñas de datos interactivos, esquemas y bases de enlaces.
En la última versión (23.4), el sistema EDGAR ahora admitirá la nueva taxonomía FND con las versiones 2022 y 2023. Además, nuevos tipos de envío, a saber, S-6, S-6/A, N-8B-2, N-8B. -2/A y 487 se han añadido a la lista de documentos Inline XBRL aceptados.
Se anima a los desarrolladores y declarantes a explorar estas actualizaciones y utilizar Interactive Data Test Suite para identificar y corregir oportunamente posibles errores antes del envío real a EDGAR.

¿Necesita crear una taxonomía XBRL? ¡Empieza aquí!

Hay una gran cantidad de orientación increíblemente útil disponible sobre el desarrollo de taxonomías XBRL, pero esa misma riqueza de información también puede resultar un poco abrumadora al comenzar. Estamos encantados de anunciar que la Junta de Mejores Prácticas (BPB) de XBRL International ha publicado un borrador de revisión de su nueva Taxonomía XBRL – Guía de inicio rápido.
La nueva guía ayudará a los nuevos creadores de taxonomías a lo largo del proceso y la serie típica de decisiones que deben tomar.
Esta guía está dirigida a recopiladores de datos (incluidos propietarios, arquitectos y autores de taxonomías) que han tomado la decisión de recopilar informes en XBRL y buscan orientación sobre cómo desarrollar una taxonomía. Las taxonomías XBRL son la base de los informes digitales y proporcionan un diccionario estandarizado de definiciones digitales para los hechos que se recopilan, sus atributos y sus interrelaciones.
Para cada una de las preguntas clave involucradas en el proceso de desarrollo de la taxonomía, la guía proporciona una lista de aspectos a considerar, vinculando cuando sea posible con orientación más detallada en cada paso. Esperamos que la guía sea un recurso muy útil para organizaciones como reguladores, bancos centrales y otras que se embarcan por primera vez en el viaje de la presentación de informes digitales.
La guía se basa en la experiencia práctica de los miembros de BPB en el desarrollo de taxonomía, junto con los comentarios que han recibido de otros usuarios.

Taxonomías de códigos de país y moneda confirmadas como recomendaciones propuestas

Nos complace anunciar que el Consejo de Estándares Internacionales (XSB) de XBRL ha elevado las nuevas taxonomías de Código de País y Código de Moneda al estado de Recomendación Propuesta. Estas taxonomías proporcionan listas de códigos ISO para países y monedas, simplificando la incorporación de códigos estándar en informes XBRL, según lo dispuesto en varias presentaciones regulatorias.
Al utilizar las taxonomías Moneda y País, los implementadores pueden beneficiarse de las actualizaciones automáticas de los cambios del código ISO, lo que reduce el riesgo de utilizar información obsoleta y minimiza los costos de mantenimiento. Esto agiliza el proceso regulatorio, aliviando a los reguladores de la carga de definir y administrar estas listas en sus taxonomías, al tiempo que mejora la coherencia y comparabilidad de los informes XBRL.
En el futuro, las taxonomías de códigos de país y moneda se actualizarán de acuerdo con las actualizaciones de la lista de códigos de país o moneda ISO subyacente. Para adaptarse rápidamente a tales cambios, hay dos versiones de las taxonomías disponibles. Las versiones «actuales» facilitan actualizaciones automáticas sin necesidad de cambios de versión por parte del usuario, mientras que las versiones «anticuadas» requieren actualizaciones manuales, ofreciendo control total del proceso.
Esta última iteración ya ha salido a la luz, con el borrador de taxonomía del EFRAG publicado recientemente que incorpora la versión de recomendación propuesta de la taxonomía de código de país, lo que subraya su relevancia y aplicabilidad. ¡Los futuros diseñadores de taxonomías tomen nota!
Para obtener más información y acceso a las taxonomías y documentos de respaldo, visite los siguientes enlaces:
• Taxonomía de códigos de país versión 1
• Taxonomía de códigos de país versión 2
• Taxonomía de códigos de moneda versión 1
• Taxonomía de códigos de moneda versión 2

La SEC publica preguntas frecuentes sobre informes personalizados para accionistas

La Comisión de Bolsa y Valores (SEC) ha publicado una serie de preguntas frecuentes sobre informes personalizados para accionistas (TSR), que ofrecen información sobre aspectos clave del cumplimiento. Esta última actualización proporciona orientación en anticipación a la próxima fecha límite de cumplimiento el 24 de julio de 2024.
Esta regla, introducida en octubre de 2022, exige que los fondos abiertos preparen informes anuales y semestrales que sean simplificados, concisos, visualmente atractivos y, en particular, etiquetados con Inline XBRL. Dirigida a abordar el desafío de comprender informes extensos para los accionistas, que a menudo superan las 100 páginas, la norma es un esfuerzo encomiable para ayudar a los inversores minoristas a tomar decisiones informadas.
El año pasado se publicó una nueva taxonomía, la taxonomía OEF (fondos abiertos), para respaldar la regla.
En este último blog, la SEC ha abordado una serie de cuestiones, incluidas preguntas sobre la fecha en que los requisitos relacionados con Inline XBRL entran en vigor para diversos escenarios de presentación de informes y las formas específicas a las que afectan los requisitos de Inline XBRL. ¡Vale la pena echarle un vistazo a cualquiera que tenga próximos requisitos de presentación de informes!

¿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.

FASB presenta taxonomías 2024 con integración de Calc 1.1

La Junta de Normas de Contabilidad Financiera de EE. UU. (FASB) ha lanzado la Taxonomía de informes financieros (GRT) GAAP de 2024. La nueva taxonomía integra la especificación Calculations 1.1, que XBRL International finalizó a principios de este año. La FASB también publicó la nueva Taxonomía de informes de la SEC de 2024 y la Taxonomía de las reglas DQC de 2024; en conjunto, las tres se conocen como Taxonomías FASB.
El GRT 2024, un componente clave de las Taxonomías FASB, incorpora actualizaciones para alinearse con los últimos estándares contables. Las mejoras notables incluyen disposiciones para las versiones 33-11070 y 34-95025 de la Comisión de Bolsa y Valores (SEC), que introdujeron importantes requisitos de presentación electrónica, incluidos los relacionados con la presentación de estados financieros en Inline XBRL, así como reglas relacionadas con áreas tan diversas. como criptoactivos, informes de segmentos, mejoras en la divulgación de impuestos sobre la renta, formación de empresas conjuntas y más.
Cálculos 1.1 mejora la función de cálculo de XBRL respecto a números redondeados, ayudando a evitar que aparezcan errores de cálculo cuando cifras de miles o millones se han redondeado hacia arriba, es decir, que no suman exactamente. Está diseñado para reducir los errores de cálculo de «falsos positivos», que distraen la atención de otros errores de validación que podrían estar resaltando problemas reales de calidad de los datos.

Encendido – Revisión del sistema uniforme de cuentas por parte de la FERC

La Comisión Federal Reguladora de Energía de EE. UU. (FERC) aprobó una actualización del Sistema Uniforme de Cuentas para reflejar mejor el panorama cambiante de la industria energética. Dado que la energía renovable representa una proporción cada vez mayor de la red, las modificaciones de informes y contabilidad son esenciales para garantizar la uniformidad, coherencia y transparencia en los informes sobre fuentes y almacenes de energía eólica, solar y otras energías renovables relacionadas.
Tras la adopción de XBRL por parte de la FERC para los informes de servicios públicos en 2019, estos cambios de adaptación a los informes de energías renovables irán acompañados (a su debido tiempo) por el etiquetado XBRL y una taxonomía asociada. Esto proporcionará claridad adicional, fomentando una mayor transparencia en los informes financieros dentro de la industria energética.
Estos cambios no solo brindarán claridad regulatoria, sino que también ayudarán a evaluar el desempeño y la inversión en estas tecnologías. El sistema de cuentas revisado tiene como objetivo acomodar estos cambios sin dictar resultados específicos en la fijación de tarifas, fomentando así una mayor transparencia en la información financiera dentro de la industria energética.
Los cambios se implementarán antes del 1 de enero de 2024, y se espera que las empresas de servicios públicos cumplan con los requisitos de prácticas contables revisadas de la FERC para esa fecha límite.

¿Cómo debería crecer el estándar XBRL para soportar la recopilación de datos a gran escala? 

UBPartner ofrece interesantes elementos de reflexión en un artículo reciente sobre la mejora de XBRL para el modelado de datos, preguntando cómo podemos ayudar a los autores de taxonomía a desarrollar y gestionar grandes sistemas de informes.
El artículo considera el enfoque adoptado por la Autoridad Bancaria Europea (EBA) y la Autoridad Europea de Seguros y Pensiones de Jubilación (EIOPA) de generar taxonomías XBRL a partir de otro formato, en lugar de utilizar una taxonomía XBRL como punto de partida. Utiliza las cuestiones planteadas por la EBA, la EIOPA y las autoridades nacionales competentes (NCA) como lente para considerar los requisitos clave de los grandes marcos de presentación de informes, el estado de las especificaciones XBRL y los avances para cumplirlas, y las mejoras necesarias para garantizar que XBRL puede modelar más fácilmente sistemas de recolección a gran escala.
Los autores sostienen que la mayoría de las características buscadas por la EBA y la EIOPA están o estarán disponibles bajo el Modelo de Información Abierto (OIM), la iniciativa internacional XBRL para modernizar el estándar XBRL y desacoplarlo de cualquier sintaxis específica, permitiendo el desarrollo de múltiples formatos intercambiables, incluido xBRL-CSV, que está diseñado para manejar de manera eficiente grandes conjuntos de datos. También discuten en profundidad los principales desarrollos en curso en el estándar XBRL relacionados con la validación de la calidad de los datos, una fortaleza particular de XBRL.
Sin embargo, encuentran que aún quedan ciertas preocupaciones por abordar, por ejemplo, en torno a los requisitos de versiones. También sugieren que la comunidad XBRL necesita reflexionar más sobre cómo las dimensiones, las tablas, los cálculos y las fórmulas pueden trabajar juntos para ayudar a ofrecer mejores modelos XBRL. Otra idea clave es que los proveedores de software parecen carecer de incentivos para crear el tipo de herramientas de modelado de datos que necesitan los grandes autores de taxonomías XBRL.
«El verdadero problema que la EBA revela para la comunidad XBRL es que definir marcos de informes a gran escala en XBRL es un proceso en gran medida manual y complejo”, argumentan los autores. “OIM es un paso crucial para garantizar el futuro al admitir formatos alternativos; sin embargo, el XSB [XBRL Standards Board] también debe centrarse en recomendaciones que simplifiquen y requieran menos recursos para diseñar y desarrollar una taxonomía XBRL que sea consistente y eficiente”, concluyen.

Ley de Transparencia de Datos Financieros – Infórmese sobre las finanzas de los gobiernos locales

En conclusión, los hallazgos de nuestro estudio han demostrado que es posible crear una taxonomía para las entidades gubernamentales. Esta investigación reveló información valiosa sobre la aplicación de la FDTA desde una perspectiva humana y técnica. Recibimos reacciones limitadas al producto final por parte de las entidades con las que hemos trabajado, lo cual es similar a la respuesta inicial que discutimos al principio de este trabajo.
El camino a seguir incluye un estudio más profundo, no solo en nuestra propia localidad, sino comparando estos resultados con uno o dos estados más. Este análisis comparativo nos permitirá identificar similitudes y diferencias tanto en la aceptación humana como en los desafíos técnicos.
Esta investigación es un paso hacia una mejor comprensión de lo que se necesita para lanzar con éxito la FDTA. Es evidente la necesidad de un apoyo más amplio, un mayor desarrollo de la taxonomía y un esfuerzo colectivo. Con el respaldo de organizaciones gubernamentales profesionales y la investigación en curso entre estados, podemos trabajar hacia soluciones significativas para todos los afectados por este mandato apremiante requerido por la FDTA.