A Dynamic 4s-dsdm Framework for Banking Supervision: Evidence From the South Caucasus Banking Sector Transformation

En el mundo de las finanzas, los bancos son los motores que mantienen en movimiento las economías, prestando dinero para construir hogares, iniciar negocios y financiar la vida cotidiana. Pero cuando estos motores se calientan demasiado o se enfrían demasiado, todo el sistema puede estancarse o sobrecalentarse. Durante décadas, los reguladores han intentado mantener estos motores seguros utilizando una lista de verificación estándar, muy parecido a un mecánico que inspecciona un coche. Observan cuánto dinero tiene un banco en reserva, qué tan bien gestiona sus préstamos y cuántas ganancias obtiene. Esta lista de verificación ha funcionado bien cuando todos los bancos de una región se mueven en la misma dirección. Sin embargo, el mundo financiero moderno está cambiando rápidamente. En algunos lugares, los bancos están creciendo de forma desenfrenada, mientras que en otros se están volviendo más conservadores o cambiando sus estrategias por completo. Cuando cada banco es diferente, una lista de verificación única y rígida no logra ver los peligros específicos que enfrenta cada uno. El desafío para los supervisores modernos es encontrar una manera de ver estas diferencias claramente y adaptar sus reglas de seguridad en tiempo real, en lugar de esperar a que una crisis revele un problema.

Un investigador abordó este problema estudiando los sistemas bancarios de tres países vecinos en el Cáucaso Sur: Armenia, Azerbaiyán y Georgia. Entre 2024 y 2026, estas tres naciones experimentaron un período de crecimiento rápido pero muy diferente. Armenia vio que sus bancos prestaban dinero a un ritmo récord, lo que provocó preocupaciones sobre si tenían suficientes colchones de seguridad. Los bancos de Georgia crecieron de manera constante mientras reducían su dependencia de las monedas extranjeras. Los bancos de Azerbaiyán se expandieron más lentamente pero con una fuerza inmensa, lo que llevó a los reguladores a introducir nuevas reglas para frenar el crecimiento del crédito. A pesar de estas diferencias, los bancos centrales de cada país seguían utilizando los mismos métodos antiguos y estáticos para juzgar el riesgo. El investigador argumentó que estos métodos eran como intentar medir el clima en tres climas diferentes con un solo termómetro; no podían capturar el riesgo único de cada sector bancario nacional.

Para resolver esto, el investigador construyó un nuevo marco flexible llamado Dynamic 4S-DSDM. En lugar de depender de expertos para adivinar qué factores eran más importantes, dejó que los datos hablaran por sí mismos. Recopiló información de cada uno de los bancos comerciales en estos tres países —58 bancos en total— durante un período de doce años. Introdujo esta enorme cantidad de información en un sistema informático que utiliza el aprendizaje automático (machine learning), un tipo de inteligencia artificial que aprende patrones a partir de los datos. El sistema analizó cuatro áreas clave: qué tan seguros eran los bancos, qué tan estables eran sus fondos, cuántas ganancias obtuvieron y qué tan grandes eran. Crucialmente, la computadora decidió por sí misma qué áreas importaban más en un momento dado, en lugar de utilizar reglas fijas. Descubrió que la importancia de estos factores cambiaba a medida que los bancos evolucionaban.

Utilizando este sistema de ponderación inteligente, el investigador agrupó a los bancos en tres tipos distintos, o "arquetipos", basados en cómo se comportaban realmente. El primer grupo, llamado "Líderes Estratégicos", consistía en bancos que equilibraban muy bien la seguridad y la ganancia. El segundo grupo, "Ahorradores Tradicionales", eran los bancos cautelosos que priorizaban la estabilidad sobre el crecimiento rápido. El tercer grupo, "Crecimiento Agresivo", incluía a los bancos que estaban tomando grandes riesgos para expandirse rápidamente. El estudio encontró que estos grupos no eran aleatorios; representaban modelos de negocio reales y estables que persistían en el tiempo. El investigador luego probó sus hallazgos para asegurarse de que no fueran una casualidad, utilizando rigurosos controles estadísticos para confirmar que estos grupos permanecían distintos incluso cuando los datos eran mezclados o vistos desde diferentes ángulos.

Los resultados revelaron una historia fascinante sobre cómo está evolucionando el sistema bancario de cada país. En Armenia, el sector bancario mostraba signos de diversidad estructural, con más bancos alejándose del modelo tradicional hacia estrategias nuevas y variadas. Sin embargo, el estudio también encontró que el sistema de Armenia era altamente sensible a los choques externos. Cuando ocurrió un evento geopolítico importante en 2022, los bancos armenios reaccionaron rápida y dramáticamente, desplazándose en masa hacia el modelo más seguro de "Ahorrador Tradicional". Esto era una señal de un sistema que podía ser frágil bajo presión. En contraste, el sistema bancario de Azerbaiyán era una mezcla de los tres tipos, mostrando un alto nivel de diversidad que parecía hacerlo más resiliente a los choques. Sus bancos no se movieron todos en la misma dirección cuando surgieron los problemas; en cambio, los diferentes tipos de bancos coexistieron, proporcionando un amortiguador natural. El sistema de Georgia mostró un tipo diferente de fortaleza, caracterizado por la "elasticidad estructural". Se había asentado en un patrón estable antes que sus vecinos, con una gran parte de sus bancos operando ya como "Líderes Estratégicos", lo que le permitió absorber el estrés sin colapsar o congelarse.

El investigador también desarrolló una nueva forma de medir qué tan "maduro" o estable es un sistema bancario, utilizando un concepto llamado entropía, que en este contexto mide qué tan mezclados o uniformes son los bancos. Un sistema donde todos los bancos son iguales tiene una entropía baja, mientras que un sistema con muchos tipos de bancos tiene una entropidad alta. El estudio mostró que, si bien los tres países tenían puntos de partida diferentes, todos reaccionaron al choque de 2022 de una manera similar, con sus sistemas volviéndose más uniformes a medida que los bancos corrían hacia la seguridad. Esta reacción sincronizada sugirió que los eventos regionales afectan a los tres países, independientemente de sus estructuras bancarias individuales.

El resultado más importante de este trabajo es una nueva herramienta para los reguladores llamada Puntuación de Intensidad de Supervisión (Supervisory Intensity Score). Esta puntuación le dice a un banco central exactamente cuánta atención necesita un tipo específico de banco. Para los "Líderes Estratégicos", la puntuación es baja, lo que significa que pueden ser monitoreados con controles estándar. Para los "Ahorradores Tradicionales", la puntuación es moderada, requiriendo pruebas de estrés periódicas. Pero para los bancos de "Crecimiento Agresivo", la puntuación es alta, señalando que estas instituciones necesitan auditorías constantes y dirigidas, así como reglas más estrictas. Este enfoque permite a los reguladores dejar de usar una estrategia de "talla única". En lugar de tratar a cada banco por igual, ahora pueden aplicar el nivel de supervisión adecuado al banco adecuado, basándose en su comportamiento real y su perfil de riesgo.

El estudio concluye que la vieja forma de supervisar los bancos ya no es suficiente para un mundo donde los sistemas financieros cambian tan rápidamente. Al usar los datos para entender el carácter único de cada banco y de cada país, los reguladores pueden ser más proactivos. Pueden detectar un banco que se está volviendo demasiado riesgoso antes de que cause un problema, y pueden apoyar a los bancos que están haciendo lo correcto. La investigación sugiere que para el Cáucaso Sur, y potencialmente para otros mercados emergentes, el futuro de la seguridad bancaria reside en la flexibilidad. Se trata de alejarse de las reglas rígidas y avanzar hacia un sistema que aprende, se adapta y responde a la complejidad real y viva del mundo financiero. Los hallazgos no son solo un ejercicio teórico; ofrecen un camino práctico y basado en evidencia para mantener los motores de la economía funcionando de manera segura, incluso cuando el camino se vuelve accidentado.