Implicaciones macroeconómicas del análisis de datos financieros: cuando la fijación de precios del riesgo se industrializa

Introducción: una señal de precio subestimada

El tamaño del mercado global de análisis financiero fue de 9.570 millones de dólares en 2022, y los informes del sector prevén que alcance los 19.800 millones en 2030, con una tasa de crecimiento anual compuesta del 9,8 %. La mayoría de las interpretaciones clasificará esta cifra como una historia de crecimiento del sector del software. Pero desde una perspectiva macroeconómica, se parece más a una señal de precio: el costo unitario de procesar información en el sistema financiero está disminuyendo de manera sistemática.

Y en la historia financiera, el costo de procesar información ha sido siempre una variable subyacente que determina los límites de la expansión crediticia, las formas de la liquidez del mercado y la eficiencia de la transmisión de la política monetaria; está más cerca del núcleo de la lógica de crecimiento a largo plazo que cualquier dato de beneficios de un solo trimestre.

I. La migración de la cadena de decisión: del muestreo al conjunto completo

El análisis financiero tradicional depende del muestreo periódico de datos y del juicio intuitivo humano, y su premisa implícita es que obtener información es costoso y, por tanto, hay que filtrarla. La premisa del análisis de datos financieros moderno es la contraria: conjuntos de datos enormes, procesamiento en tiempo real y modelos complejos; el filtrado mismo pasa a manos de los algoritmos.

La progresión de los cuatro tipos de análisis —descriptivo, diagnóstico, predictivo y prescriptivo— es en apariencia una clasificación metodológica, pero en esencia es una ruta de migración del poder de decisión desde las personas hacia los sistemas: primero responde a «qué ha ocurrido», luego a «por qué», después determina «qué pasará a continuación» y, por último, da directamente «qué debería hacerse».

Cuando la cadena analítica llega al último paso, una parte de las decisiones financieras ya ha sido algoritmizada. Este es el punto de partida para comprender todas las implicaciones macroeconómicas posteriores.

II. La industrialización de la fijación de precios del riesgo y su doble cara

En el material de referencia, una comparación clave es: cierto banco global redujo el tiempo de evaluación del riesgo crediticio de días a minutos, con una mejora de la precisión de aproximadamente el 35 %; al mismo tiempo, el monitoreo automatizado de cumplimiento redujo el tiempo de presentación de informes regulatorios en alrededor del 60 %.

Solo al considerar juntas ambas cifras adquieren significado macroeconómico. La caída del costo marginal de identificación de riesgos amplía teóricamente el rango de actividades económicas que pueden incorporarse al sistema crediticio: más micro y pequeñas entidades, más flujos de efectivo no estandarizados, podrían obtener crédito valorable. Este es el efecto real de inclusión que trae consigo la mejora de la eficiencia.

Pero la otra cara de la misma moneda es la homogeneización de los modelos. Cuando la mayoría de las instituciones depende de fuentes de datos similares, métodos de modelización similares y proveedores similares de datos alternativos, los juicios de riesgo tienden a converger. La convergencia implica que, en periodos estables, las primas de riesgo se comprimen y la volatilidad se subestima; en periodos de tensión, los ajustes pueden producirse de forma sincronizada. Esta prociclicidad no es un problema nuevo; los marcos macroprudenciales han intentado resolverla durante mucho tiempo, y la centralización de la infraestructura de datos podría hacer que reaparezca bajo nuevas formas tecnológicas.

III. Asignación de capital y microestructura de mercado

El material menciona que cierta institución cuantitativa, tras combinar estrategias de aprendizaje automático con datos de mercado tradicionales y datos alternativos, mejoró sus rendimientos ajustados por riesgo en aproximadamente un 22 %; otra institución de gestión de inversiones ajustó activamente su cartera mediante predicciones de volatilidad entre clases de activos, logrando un exceso de rendimiento de alrededor del 1,8 % en condiciones de mercado turbulentas y reduciendo la volatilidad.Este tipo de narrativa suele simplificarse como «la IA supera a los humanos», pero el cambio estructural más importante se produce en el plano de la microestructura del mercado: aumenta la proporción de los precios generada por máquinas, y la elasticidad y la fragilidad de la oferta de liquidez se reescriben al mismo tiempo. Un cambio más profundo es que, cuando la propia volatilidad se convierte en una señal predecible y negociable, la volatilidad deja de ser solo un riesgo que hay que soportar y pasa a ser una variable de entrada a la que se le puede poner precio.

La importancia de esta transformación para los bancos centrales y los reguladores radica en que tanto los desfases temporales en la transmisión de la política como las funciones de reacción del mercado podrían estar cambiando, y esos cambios no se reflejan en las estadísticas tradicionales de balance.

IV. Segmentación de clientes: el mismo mecanismo de inclusión y exclusión

En el material, una entidad prestamista fintech analiza más de 1000 puntos de datos de cada solicitante, con lo que atiende a clientes que el análisis crediticio tradicional rechazaría, al tiempo que mantiene una tasa de incumplimiento inferior al promedio del sector; además, un proyecto de análisis de clientes generó un aumento de alrededor del 18 % en la tasa de retención y de alrededor del 23 % en los activos bajo gestión.

Las pruebas de eficiencia e inclusión son reales. Pero los problemas de externalidades son igualmente reales: cuando la accesibilidad al crédito depende de la «huella de datos» y no de los ingresos y las garantías, las personas sin huella digital pueden quedar sistemáticamente excluidas; y los datos de comportamiento histórico en los que se basan los modelos también pueden consolidar los patrones de estratificación existentes.

En otras palabras, el mismo conjunto de mecanismos tecnológicos abre nuevas vías de crédito y, al mismo tiempo, define nuevas fronteras de exclusión. Esta doble cara es una cuestión de largo plazo para evaluar el costo social de la digitalización financiera.

V. Eficiencia operativa y reconfiguración de las formas institucionales

En el material también hay un conjunto de cifras micro que se pasa fácilmente por alto: tras integrar más de 20 sistemas en una plataforma de datos unificada, el tiempo de preparación de datos se redujo alrededor de un 70 %; el proceso de aprobación de préstamos hipotecarios se acortó alrededor de un 40 % y el volumen de solicitudes procesadas con la misma dotación de personal aumentó alrededor de un 35 %; un banco minorista optimizó su red de sucursales mediante análisis prescriptivo, con lo que sus costos operativos cayeron alrededor de un 15 % mientras mantenía la satisfacción del cliente.

Se trata de cifras de eficiencia a nivel de institución, pero su significado macroeconómico reside en el cambio de la estructura de costos fijos y de la forma de los rendimientos de escala. La capacidad de análisis de datos tiene características de costo marginal decreciente y cobertura creciente, lo que tiende a reforzar la ventaja competitiva de las grandes instituciones; las instituciones pequeñas y medianas dependen más del suministro externo de tecnología. El resultado es que la concentración del sistema financiero y la dependencia tecnológica aumentan al mismo tiempo, lo que influye tanto en la política de competencia como en la forma en que se distribuye el riesgo sistémico.

VI. Tres tensiones estructurales en el plano global

Primera: soberanía de datos y fragmentación regulatoria. La automatización del cumplimiento puede reducir el tiempo de elaboración de informes en un 60 %, pero las divergencias en las normas sobre flujos transfronterizos de datos se están ampliando. Que el cumplimiento sea más barato no significa que el entorno de cumplimiento sea más uniforme.

Segunda: divergencia regional. Las diferencias en la velocidad de adopción tecnológica pueden profundizar la brecha de productividad entre mercados maduros y mercados emergentes; pero los modelos ligeros, los datos móviles y la evaluación crediticia alternativa también podrían permitir que algunos mercados emergentes logren una convergencia acelerada por saltos. Ambas trayectorias coexisten y dependen de la madurez de la gobernanza de datos local y de la infraestructura financiera.Tercero, la naturaleza sistémica del riesgo de modelo. Cuando el análisis predictivo y prescriptivo se convierte en la vía predeterminada para la concesión de crédito, la negociación y la fijación de precios, las variables clave de la estabilidad financiera se desplazan en parte de los indicadores explícitos del balance a la consistencia implícita de los supuestos de los modelos, los canales de datos y la dependencia de proveedores. Este tipo de riesgo es difícil de caracterizar con indicadores regulatorios tradicionales.

VII. Juicio desde una perspectiva de largo plazo

Al ampliar la escala temporal a más de diez años: la tasa de crecimiento compuesto del 9,8 % está ligeramente por encima de la tendencia central de largo plazo del crecimiento nominal mundial, lo que indica que no se trata de una sustitución tecnológica puntual, sino de una curva de penetración continua. Lo que realmente debe determinarse no es «cuán alta será la tasa de penetración», sino «hasta qué capa ha penetrado».

Cuando el análisis se queda en el nivel de los informes y las operaciones, es una herramienta de eficiencia; cuando entra en los ámbitos centrales de decisión de la fijación de precios, la concesión de crédito y la asignación de activos, se convierte en infraestructura del sistema financiero. El problema de la infraestructura nunca es solo la eficiencia; también incluye la estabilidad, la equidad y la estructura de gobernanza.

Desde una perspectiva de ciclos económicos más largos, esta ronda de cambios guarda isomorfismo con la aparición del telégrafo, las cámaras de compensación y la negociación electrónica: en todos los casos, se trata de cómo la reducción del costo de procesamiento de información reconfigura los límites y las formas de la actividad financiera. Entenderlo como una actualización de software ordinaria llevaría a subestimar sistemáticamente sus implicaciones macroeconómicas.

Conclusión: dos líneas que deben seguirse simultáneamente

Para los investigadores de políticas y los inversores institucionales, en los próximos años será necesario seguir en paralelo dos líneas: una es la mejora de la eficiencia que aporta el análisis de datos —las mejoras de dos dígitos que se repiten en los casos ya han demostrado que es cuantificable—; la otra es cómo esta eficiencia redistribuye el riesgo y el poder —más difícil de cuantificar y también más difícil de ponerle un precio—.

El primero determina la curva de costos de corto plazo; el segundo, la estructura financiera de largo plazo. La reconfiguración del sistema financiero global probablemente esté desarrollándose a lo largo de esta curva poco visible.