Segun arXiv q-fin, un nuevo enfoque de explicabilidad se presenta para evaluar el capital regulatorio mediante modelos de inteligencia artificial. Este avance se centra en superar la limitación inherente de los algoritmos de aprendizaje automático, conocidos como "cajas negras", que no permiten a autoridades supervisores comprender cómo llegan sus resultados. A pesar de que técnicas como el Regresión por Procesos Gaussianos (GPR) ofrecen mejores predicciones que métodos tradicionales, su uso en procesos como el ICAAP o CCAR se ve obstaculizado por la falta de transparencia. Para resolver esta brecha, se desarrolla SHARC, una herramienta que aplica el método SHAP —basado en teoría de juegos cooperativos— al análisis de riesgos bajo escenarios estresantes. Este marco se aplica específicamente a la medición del Valor en Riesgo estresado (SVaR), considerando tres situaciones macroeconómicas: conflicto en el Medio Oriente, riesgos climáticos y una posible burbuja tecnológica o carga regulatoria.
SHARC descompone el SVaR en tres elementos: un componente base, uno impulsado por la media de retornos y otro por la volatilidad. Esta desagregación permite ver claramente cómo cada escenario influye en los resultados finales del capital requerido. Los hallazgos indican que, independientemente del escenario, los modelos logran una relación clara entre los resultados de riesgo y las variables de entrada, validando así la precisión del sistema. En condiciones de estrés, el componente de retorno medio —que mide el tamaño del posible deterioro— supera al componente de volatilidad, lo que sugiere que las pérdidas en dirección y magnitud son más determinantes que el grado de variabilidad del mercado. Este hallazgo tiene implicaciones directas en la definición de límites de capital, en la gestión de posiciones y en la selección de estrategias de cobertura.
Para los inversores y gestores de activos en el Perú, este desarrollo es significativo. Aunque el contexto latinoamericano no incluye directamente escenarios como una burbuja de inteligencia artificial, la necesidad de transparencia en el cálculo de riesgos se vuelve urgente. Las entidades financieras peruanas, al alinearse con normas internacionales como el FRTB o los requisitos de transparencia del ICAAP, deben garantizar que sus modelos no solo predigan riesgos, sino que también puedan ser explicados y revisados por supervisores. SHARC ofrece un marco que, aunque aún en fases iniciales, podría servir como referencia para implementar sistemas más verificables y responsables. En un entorno donde los mercados se vuelven más volátiles y las decisiones más complejas, la capacidad de auditar los fundamentos de un modelo de riesgo no es una ventaja, sino una necesidad operativa.