Sin categoría Archivos

Inicio " Sin categoría

Antitrust economic consulting is vital in any antitrust case, providing a strong analytical foundation to evaluate competitive dynamics and bolster legal arguments. Economic experts analyze market competition, conduct rigorous data-driven analyses, and deliver objective, evidence-based insights that support legal and regulatory decisions. Their expertise is critical for defining relevant markets, evaluating market power, and understanding the competitive effects of mergers or specific business practices.

Moreover, economic consultants are instrumental in calculating damages and quantifying lost profits, offering courts or regulatory agencies a reliable measure of the harm or impact caused by alleged anti-competitive conduct. This article delves into the essential role of economic experts in antitrust cases and explores how their insights contribute to fair and informed outcomes in complex legal disputes.

What is Economic Consulting?

Economic consulting provides specialized analysis, research, and expert testimony that helps clients navigate complex issues across business, law, and policy. Economic experts work with a wide range of clients—including law firms, corporations, government agencies, and regulatory bodies—to deliver insights that support litigation, compliance, and strategic decision-making. This field spans numerous sectors, from healthcare and financial markets to labor and energy markets.

Using quantitative methods like statistical and econometric modeling, financial analysis, and market research, economists provide data-driven insights that strengthen client cases. Their expertise often includes serving as expert witnesses, preparing expert reports, and offering testimony that explains complex economic concepts in an easy to understand way.

Together, these skills and methodologies make economic consulting indispensable in addressing the complex economic questions central to antitrust and other legal matters.

Understanding Antitrust Cases

Antitrust laws are designed to promote competition, safeguarding consumers from practices that can lead to higher prices, reduced innovation, and limited choices. The Department of Justice (DOJ) and the Federal Trade Commission (FTC) play a key role in enforcing these laws to maintain fair and open markets.

Common antitrust violations include price-fixing, bid-rigging, market allocation, predatory pricing, collusion, and tying and bundling. Each of these practices limits competition or unfairly manipulates market dynamics, ultimately harming consumers and/or other businesses.

Antitrust cases are primarily filed under the Sherman Act and the Clayton Act. Enacted in 1890, the Sherman Act targets anti-competitive practices such as monopolization and collusion, prohibiting agreements that restrict trade or actions that establish monopolies, with the goal of preserving competition.

Passed in 1914, the Clayton Act builds on the Sherman Act by targeting practices like price discrimination, exclusive dealing agreements, and certain mergers and acquisitions that could reduce competition. Together, these laws empower regulatory agencies and companies to prevent and address a broad range of anti-competitive behaviors.

The Role of an Economic Expert in an Antitrust Case

Antitrust cases often hinge on economic data and analysis, with economic experts playing a crucial role in evaluating antitrust liability, market definition, pricing trends, consumer impact, barriers to entry, and other competition matters. Expert economists are well trained to handle economic issues ranging from defining relevant markets to assessing market power and competitive effects, calculating damages, and providing testimony.

These experts are indispensable in navigating the complexities of antitrust litigation. They bring clarity to the competitive effects of the behavior in question, ensuring their work and findings are well grounded in economic theory.

Below, we examine the specific areas and analyses that economic experts often undertake in antitrust cases, including those involving class certification.

Defining a Relevant Market

Defining the relevant market is central to many antitrust cases. Economic experts analyze which products or services consumers see as interchangeable, establishing the scope of competition within the market. They also identify the geographic area where a company’s products or services compete, which can differ significantly by industry. This process is essential for understanding the competitive boundaries for a specific product or service.

To define these boundaries, economic experts often assess how one economic variable, such as demand, responds to changes in another, like price—a concept known as elasticity. This analysis helps reveal if consumers would shift to alternative products in response to a price change. Tools such as the Small but Significant and Non-transitory Increase in Price (SSNIP) test are commonly used to determine whether a hypothetical price increase would lead consumers to consider other options.

Assessing Market Power, Competitive Effects, and Market Dynamics

Economic experts often assess a company’s market share to determine whether it controls a substantial portion of sales, influence, or overall market presence within the relevant market. They also examine barriers that might prevent new competitors from entering, such as high startup costs, regulatory restrictions, or limited access to essential resources. This analysis helps identify potential anti-competitive behavior and provides insight into the broader competitive landscape.

Experts evaluate whether a company has the ability to raise prices without losing customers, a key indicator of market power. They analyze the number and strength of existing competitors to determine if a single firm holds disproportionate influence within the market.

Furthermore, experts assess whether actions such as mergers or agreements are likely to drive up consumer prices by diminishing competition. By examining demand and supply trends, they identify market shifts that could affect competitive dynamics.

Economic Modeling and Data Analytics

Using econometric models, economic experts quantify harm caused by alleged anti-competitive actions, such as lost profits, overcharges, or reduced market access. They develop counterfactual, or “but-for,” scenarios to estimate how the market would operate without the disputed behavior, providing a baseline to assess competitive impact. These models are essential for understanding the full effect of the practices in question.

Experts also leverage statistical and econometric tools to analyze large datasets, uncovering critical insights for antitrust analysis. This rigorous approach builds a clear, data-driven picture of the competitive landscape and related economic issues.

Calculating Damages/Lost Profits

Economic experts estimate the revenue a company would have earned in the absence of alleged anti-competitive actions, using sales data, historical trends, and financial projections. By comparing projected “but-for” profits with actual outcomes, they determine the financial impact of these practices.

To ensure reliable results, experts control for unrelated factors such as economic downturns, regulatory changes, and industry-specific variables. This method yields a credible and defensible estimate of damages or lost profits.

Offer Advice and Insight on Case Strategy

Economic experts also often help legal teams pinpoint the core economic issues, such as market power or barriers to entry, that are most likely to influence the outcome of the case. Providing data-backed insights equips attorneys with quantifiable evidence to support legal arguments, enhancing credibility in areas like competitive harm or consumer impact. This strategic advice is invaluable in litigation matters.

Expert Testimony

Economic experts translate intricate models and data into clear, straightforward language, making complex findings accessible to judges, juries, and other non-experts. They explain the methods and assumptions underlying their analyses, helping the court understand the basis for their conclusions and reinforcing the credibility of their findings. This role is critical in ensuring that economic evidence is effectively communicated at trial.

The ability to present findings clearly and defend methodologies under scrutiny is what makes expert testimony so impactful in antitrust and competition litigation. Often, an economic expert’s testimony becomes a cornerstone of the case, shaping the court’s understanding and influencing its decisions.

How to Choose the Optimal Antitrust Expert for Your Case

When selecting an antitrust expert, look for professionals with a proven track record in antitrust litigation, particularly in areas relevant to your case, such as monopolization, price-fixing, or merger analysis. The expert should be highly skilled in economic modeling, statistical analysis, and data interpretation, as these are essential for producing rigorous, defensible antitrust analyses and reliable economic evidence.

The ideal expert can explain complex economic theories and data insights in straightforward terms, making their findings clear and understandable for judges and juries. Additionally, seek someone with experience presenting findings in court, defending their methodologies, and withstanding scrutiny from opposing counsel—experience that is crucial in high-stakes antitrust cases.

Industry-specific expertise can also be advantageous. An expert with a background in the same or a similar industry will have a deeper understanding of unique market dynamics, the competitive landscape, and the regulatory environment, adding valuable insight to the analysis

Resumen

Economic consulting provides the essential analytical foundation for navigating complex antitrust cases. From defining relevant markets to calculating damages, economic experts play a crucial role in promoting fair competition and protecting consumer interests. Their skill in translating complex economic data into clear, actionable insights is invaluable in legal proceedings.

Engaging an experienced economic expert, like the antitrust experts at Econ One, can make a significant difference in the outcome of an antitrust case. With deep expertise, they isolate the economic impact directly attributable to anti-competitive conduct and deliver clear, data-driven insights that help courts and juries grasp the broader effects of these practices. In today’s evolving antitrust landscape, the role of skilled economic consulting is indispensable.

Preguntas frecuentes

What is the primary role of economic experts in antitrust cases?

Economic experts play a crucial role in antitrust cases by analyzing market dynamics and competitive effects, as well as providing testimony regarding the economic impact of alleged anti-competitive practices. Their expertise is essential for informing legal decisions.

How do economic experts define a relevant market?

Economic experts define a relevant market by analyzing product interchangeability, geographic competition, and elasticity, which together help outline the competitive landscape and establish market boundaries.

Why is economic modeling important in antitrust cases?

Economic modeling is essential in antitrust cases because it quantifies the economic harm from anti-competitive actions, enabling a robust assessment of their competitive impact across various scenarios. This quantitative analysis is critical for supporting legal decisions and promoting fair competition.

How do economic experts calculate damages in antitrust cases?

Economic experts calculate damages in antitrust cases using methods that vary based on the conduct in question. This typically involves analyzing sales data, historical trends, and financial projections to estimate financial harm.

What should you look for when choosing an antitrust expert?

When choosing an antitrust expert, prioritize proven experience in antitrust litigation, proficiency in economic modeling, and the ability to explain complex theories clearly, along with a track record of effectively presenting and defending findings in court. These criteria help ensure you select a knowledgeable and experienced expert for your case.

In a rapidly changing market environment such as the one surrounding cryptocurrencies (“crypto”), it is important to understand the different forces that contribute to shaping it. In this article, I focus on describing some features of a growing subset of the crypto universe known as decentralized finance (henceforth, DeFi). I then provide a brief description of the current regulatory and legal landscape.

Unlike the traditional financial system, DeFi is purported to eliminate or greatly reduce the need for traditional financial intermediaries, such as bankers and brokers, thanks to blockchain technology. Let me first provide some background to put DeFi in context.

Crypto assets generally refer to digital assets that “utilize cryptographic primitives and distributed ledger technology (“DLT”),” also known as blockchain technology.¹In terms of DLTs, these assets generally follow either the Bitcoin or the Ethereum design.²This distinction is relevant because Ethereum’s blockchain, unlike Bitcoin’s, supports additional applications and tokens, as I next explain.

Native tokens, those directly tied to a given blockchain, are generally used for transaction purposes and as a store of value.³ Non-native tokens, on the other hand, can have multiple other purposes. Specifically, they include tokens created by so-called smart contract applications. A smart contract application is executable, automated, open-source software programs run on a permissionless blockchain (Ethereum for the most part).⁴ The tokens created by smart contract applications are similar to native cryptocurrencies in that they can be used to pay for transactions or as a storage of value, but they also are a claim on the platform’s economic value. ^{5, 6}

Tokens from smart contract applications can generally be classified depending upon their use or characteristics. A relevant category in this space are decentralized stablecoins.⁷ Stablecoins generally are designed to maintain a peg to other currencies, either “traditional” currencies such as the U.S. Dollar, or other cryptocurrencies (i.e. “algorithmic stablecoins”). For example, Tether (USDT) is supposed to be pegged to the U.S. Dollar, i.e., one Tether is equivalent to one U.S. Dollar. Decentralized stablecoins in particular, such as DAI, rely on smart contracts to function.

Tokens that do not share the pegging feature described above can then be further classified as: utility tokens, governance tokens, and equity tokens.⁹ Figure 1 below illustrates the crypto asset landscape according to this categorization.

Figura 1: Criptoactivos por categoría

Los tipos de tokens fungibles que acabamos de enumerar son todos relevantes para el segmento DeFi. Las aplicaciones DeFi ofrecen servicios financieros (préstamos, préstamos, comercio, etc.) utilizando contratos inteligentes en lugar de un intermediario financiero tradicional (banco, corredor, etc.). Para dar una idea de la importancia relativa de los diferentes criptoactivos, la Figura 2 muestra la capitalización total del mercado asociada a las plataformas de contratos inteligentes y DeFi, según los sitios web de datos sobre criptodivisas CoinGecko e IntoTheBlock. La capitalización total del mercado asociada a las plataformas de contratos inteligentes representa aproximadamente 1/4 de la capitalización total del mercado de criptomonedas. Los tokens DeFi en su conjunto, identificados por IntoTheBlock, tenían un precio conjunto de 52.000 millones de dólares, o el 2% de la capitalización total del mercado de criptomonedas. El valor total bloqueado combinado de DeFi (o TVL), una métrica comúnmente utilizada en este espacio que se calcula como el valor de todos los activos bloqueados en el protocolo de un contrato inteligente, fue de unos 105.000 millones de dólares.

Figure 2: Smart Contract Platform and DeFi Tokens Market Capitalization ($ U.S. Billion)

Financiación descentralizada

El universo de las aplicaciones DeFi puede describirse a grandes rasgos en función del servicio financiero que ofrecen. Una gran parte de DeFi son bolsas descentralizadas -oDEXs- donde los usuarios pueden intercambiar criptoactivos sin un lugar de negociación centralizado^.10 Una forma en que un DEX logra esto es con creadores de mercado automatizados (AMMs)^.11 Bajo este modelo, el contrato inteligente agrupa criptoactivos de proveedores de liquidez individuales y cualquier orden de "compra" entrante se ejecuta contra ese grupo. Se crean (acuñan) tokens para hacer un seguimiento de los activos que los proveedores de liquidez individuales aportan al pool. Se trata de tokens de utilidad conocidos como tokens LP. La utilidad de estos tokens es que representan la propiedad del pool de activos subyacente. Los tokens de gobernanza también suelen crearse para gestionar la estructura de comisiones que compensa a los proveedores de liquidez y otros aspectos de la bolsa. Los tokens de gobernanza son efectivamente derechos de voto: sus propietarios pueden votar sobre aspectos de diseño, así como sobre modificaciones de los parámetros subyacentes al protocolo^.12

Decentralized lending protocols are also an important part of the DeFi landscape. As with DEXs, lending and borrowing is automated with smart contracts. Since the lender does not know who the borrower is (and there is no bank to intermediate), most of these loans are secured with collateral – typically other crypto assets. The borrowing is not the only aspect that is coded and automated, the interest rate is as well. Here too, tokens are created to represent interest earned/owed. And governance tokens allow their owners to vote on proposals to change the design of the protocol. Economists Makarov and Schoar argue that “similar to DEX, the lending space is dominated by a few large players.”¹³

Additionally, industry experts have emphasized derivatives trading and yield farming as other financial services in the DeFi universe. Derivatives trading protocols are based on tokens whose value is tied to “an underlying asset’s performance, the outcome of an event, or the development of any other observable variable.”¹⁴ Yield farming on the other hand refers to smart contracts that aim to optimize returns by allocating investments across multiple DeFi applications.¹⁵

Otra aplicación descentralizada que se ha vinculado a DeFi, denominada estaca líquida, no tiene contrapartida en las transacciones financieras tradicionales. Proof-of-stake, o "estaca", forma parte de la validación de transacciones en blockchains similares a Ethereum. A diferencia de la validación proof-of-work, que demuestra un esfuerzo computacional superior para certificar las transacciones de blockchain, proof-of-stake ("POS") valida las transacciones demostrando un compromiso superior de recursos financieros. Con la estaca líquida, un poseedor de Ether (el token nativo de Ethereum) puede utilizar sus tenencias con el fin de validar transacciones en la blockchain de Ethereum (y ganar comisiones) sin tener que bloquear esos activos. Lido Staked Ether es un ejemplo de un token creado por el protocolo Lido con el fin de crear liquidez para los tokens Ether utilizados para la estaca.

La Tabla 1 clasifica los tokens DeFi en función de su capitalización de mercado, utilizando datos públicos disponibles de IntoTheBlock. A 25 de octubre de 2024, Lido Staked Ether tenía la mayor capitalización de mercado. En segundo lugar aparece DAI, una stablecoin descentralizada, y en tercer lugar Uniswap, nativa de una de las bolsas descentralizadas más conocidas.

Tabla 1: Tokens DeFi ordenados por capitalización bursátil

Regulatory and Legal Landscape

The traditional financial services sector is highly regulated. The Federal Reserve and the FDIC, for example, are agencies specific to this sector tasked with regulation and oversight. Regulating the financial sector has, at least, three goals: (1) prevent the use of funds for illegal purposes (such as money laundering or terrorism); (2) protect customers against fraud and manipulation; and (3) ensure the overall stability of the payments and financial system.¹⁶ As of now, these two agencies do not directly oversee DeFi. In fact, economists Makarov and Schoar conclude that, at present, “DeFi solutions do not comply with the three goals.”

Against the pursuit of the goals above, economists and legal scholars have argued that the main challenge in regulating cryptocurrencies, including DeFi, is pseudonymity and its “jurisdiction-free nature.”¹⁸ According to the IMF, the “lack of intermediaries [in DeFi applications] means that traditional AML/CFT regulation, in which AML/CFT requirements are imposed on the private sector and compliance is monitored by supervisors, cannot be applied.”¹⁹

Additionally, if financial institutions (or any company for that matter) issue securities and/or engage with securities trading, they are subject to securities laws to protect investors against fraud and manipulation. Enforcement actions by the SEC in the crypto space have led to lawsuits, both on behalf of the agency as well as on behalf of investors. Broadly speaking, efforts have centered around whether a given token is legally a security. If it were, existing securities laws requiring that a security is registered as such with the SEC would apply to them. For example, a notable case concerns XRP, the token issued by Ripple Labs.

Crypto exchanges have also been the object of similar allegations. For example, a 2023 suit alleged that Coinbase, a centralized exchange, failed to register with the SEC despite operating as a national securities exchange, broker and clearing agency with respect to 12 crypto assets on the Coinbase platform. In the DeFi space, another recent example is Lido DAO, which provides liquid staking. Of the 89 crypto lawsuits reported by Stanford Law School’s Securities Class Action Clearing House, approximately 44% (or 39 cases) contain allegations regarding unregistered security violations. Table 2 below lists these cases.

In summary, decentralized finance (DeFi) potentially represents a disruptive shift in financial systems by leveraging blockchain technology to operate without traditional intermediaries. However, as DeFi’s applications proliferate, its “jurisdiction-free” and pseudonymity nature pose regulatory challenges. Policymakers and the legal system face the complex task of protecting investors and maintaining systemic financial stability.

Tabla 2: Lista de casos de criptomonedas sujetos a presuntas violaciones de valores no registrados (litigios privados)

Referencias

¹ Auer, R., B. Haslhofer, S. Kitzler, P. Saggese, and F. Victor, “The Technology of Decentralized Finance,” BIS Working Papers No. 1066, January 2023 (“Auer et al.”), p. 8.

² In technical terms, these designs are known as UXTO- or Account-based DLTs, respectively.

³ Makarov, I., and A. Schoar, “Cryptocurrencies and Decentralized Finance (DeFi),” Brookings Papers on Economic Activity, Conference Drafts, March 24-25, 2022 (“Makarov and Schoar”), p. 21.

⁴ Auer et al., p. 1.

⁵ Makarov and Schoar, p. 22.

⁶ Another distinction is based on their fungibility. Non-fungible tokens (or NFTs) are associated with a claim to a unique digital or physical asset, or a license to use the asset for a specified purpose. Unlike other crypto assets, and as the name indicates, they distinguish themselves because they are non-fungible. In this article, I focus on fungible tokens since they are relevant to DeFi.

⁷ Centralized stablecoins, while using smart contract features, rely on off-chain entities for governance and reserves.

⁸ Makarov and Schoar, p. 20.

⁹ Here I follow the classification chosen in Auer et al. although other classifications exist.

¹⁰ Centralized exchanges are companies that execute trades on behalf of investors. For example, Coinbase, Binance, and others.

¹¹ For a brief discussion of how a typical AMM works on a DEX, see “Decrypting Cryptocurrency by Focusing on Decentralized Exchanges.”

¹² LP tokens can represent both a claim to the pool of assets as well as used for governance purposes.

¹³ Makarov and Schoar, p. 25.

¹⁴ Schar, F., “Decentralized Finance: On Blockchain- and Smart Contract-Based Financial Markets,” Federal Reserve Bank of St. Louis Review, Second Quarter 2021, p. 166.

¹⁵ Makarov and Schoar, p. 26.

¹⁶ See Makarov and Schoar, p. 39.

¹⁷ Ibid.

¹⁸ Ibid.

¹⁹ AML/CFT regulation refers to Anti-Money Laundering and Countering the Financing of Terrorism. International Monetary Fund, “Elements of Effective Policies for Crypto Assets,” IMF Policy Paper, February 2023, p. 27. See also Harvey, C., J. Hasbrouck, F. Saleh, “The Evolution of Decentralized Exchange: Risks, Benefits, and Oversight,” Working Paper, October 2024, pp. 19-20.

Durante mi carrera como profesor de finanzas y consultor económico, a menudo me han preguntado quién está mejor preparado para realizar análisis de valoración: los economistas, los contables o los profesionales de la inversión. El hecho de que los contables sean expertos en valoraciones no debería sorprender a nadie porque, como solía explicar en mis clases de valoración de empresas, las valoraciones suelen comenzar con el análisis de los estados financieros preparados por contables. En este breve artículo, explico por qué los economistas están mejor preparados para realizar análisis de valoración y las ventajas que ofrece un economista, especialmente en el contexto de un litigio.

En los litigios, es necesario contar con un economista como experto en valoración debido a sus conocimientos especializados y a su capacidad para evaluar el impacto económico, analizar datos y comprender las condiciones del mercado. A continuación se exponen cuatro razones clave por las que un economista experto debería ser la elección para las necesidades de valoración específicamente en el contexto de un litigio:

La teoría económica y el análisis del mercado son cruciales

Los economistas están formados para comprender las teorías económicas, que les permiten analizar el comportamiento de los agentes económicos -individuos o empresas- y las condiciones del mercado, incluidos los factores de oferta y demanda. Tanto el comportamiento microeconómico como las condiciones más generales del mercado influyen en el valor de los activos, las empresas o los daños. En los litigios, especialmente en casos complejos como disputas empresariales o asuntos antimonopolio, comprender el comportamiento y las fuerzas más amplias del mercado es esencial para elaborar valoraciones precisas. Esto es especialmente cierto porque el cálculo del impacto económico o de los daños a menudo requiere la valoración de un escenario contrafactual (a menudo conocido como escenario "de no ser por").

La cuantificación de los daños económicos es cada vez más compleja

En los casos relacionados con daños económicos, como el lucro cesante o la disminución del valor de la empresa, el análisis estadístico y los modelos econométricos se están convirtiendo en la norma, debido en parte a la cantidad cada vez mayor de datos recopilados por las empresas en el curso ordinario de sus negocios, y también a la capacidad de analizar esas ingentes cantidades de datos. El análisis estadístico y los modelos econométricos suelen ser necesarios para cuantificar la pérdida de forma precisa, razonable y científica. Los economistas están capacitados para llevar a cabo este tipo de análisis y desarrollar estos modelos, incorporando diversos factores como el rendimiento de la industria, las condiciones generales del mercado y los datos históricos para proporcionar una evaluación exhaustiva e imparcial del impacto económico.

Valoración y testimonios defendibles y basados en datos

Como economistas, a menudo nos basamos en datos y análisis estadísticos para respaldar nuestras conclusiones, como se ha explicado anteriormente. En un litigio, nuestra capacidad para comprender y analizar grandes cantidades de datos y proporcionar una valoración rigurosa, basada en datos, que pueda resistir el posible escrutinio en un contrainterrogatorio, es fundamental. Nuestras metodologías pueden, y deben, basarse en métodos bien establecidos, lo que hace que nuestras conclusiones sean más creíbles y difíciles de desacreditar para el abogado contrario.

Amplia aplicabilidad en todos los casos y sectores

La mayoría de las situaciones de la vida real pueden enmarcarse en principios y teorías económicos generales. Los economistas pueden evaluar las circunstancias del caso teniendo en cuenta esos principios y teorías económicos. Esto significa que están bien equipados para gestionar una amplia gama de necesidades de valoración en diversos asuntos jurídicos: incumplimiento de contrato, defensa de la competencia, propiedad intelectual, daños personales, despido improcedente o casos medioambientales. Del mismo modo, los principios y teorías económicos comunes se aplican a una amplia gama de industrias, ampliando el alcance de la valoración más allá del prisma de una sola industria. La capacidad de los economistas para comprender y cuantificar las implicaciones económicas de un caso los hace valiosos, independientemente del contexto.

En resumen, los economistas aportan una combinación única de experiencia técnica, conocimiento profundo de los principios económicos y capacidad para analizar y comprender grandes cantidades de datos. Todo ello es esencial y una de las principales razones por las que un economista ofrece una ventaja única en escenarios de valoración complejos. Su capacidad para evaluar tanto los factores macroeconómicos como los microeconómicos les permite elaborar valoraciones precisas y defendibles que pueden resistir un riguroso escrutinio jurídico.

La manipulación del mercado socava la integridad del mercado y se refiere a la acción de controlar o influir artificialmente en los precios y, por lo general, es ilegal. Con la aparición de nuevos mercados, como los de criptomonedas y activos digitales en general, se arroja una nueva luz sobre la manipulación del mercado. A pesar de que los mercados de criptomonedas son relativamente jóvenes, no han faltado denuncias de infracciones por manipulación que, en última instancia, podrían afectar a los inversores. Este artículo ofrece una visión general de la manipulación de las criptomonedas, los tipos de manipulación que afectan a las criptomonedas y el impacto que dicha manipulación puede tener en el mercado.

Comprender la manipulación del mercado de criptomonedas

La manipulación del mercado de criptomonedas implica prácticas que están diseñadas para influir en los precios de las criptomonedas y pueden dar lugar a precios artificialmente inflados o desinflados en comparación con los precios que habrían prevalecido en condiciones normales de mercado. Algunas tácticas comunes de manipulación que afectan a los mercados de criptomonedas y a los mercados financieros en general son los esquemas de pump-and-dump, spoofing, wash trading y el uso de información privilegiada. Aunque la aplicación de la ley en los mercados de criptomonedas por parte de la Comisión del Mercado de Valores ("SEC") ha ido en aumento, la regulación y aplicación de la ley en los mercados de criptomonedas va a la zaga de la de mercados financieros más establecidos y maduros, como los mercados de valores. Como resultado, los mercados de criptomonedas pueden ser propensos a la manipulación.

La negociación en los mercados de criptomonedas puede realizarse con un nivel de anonimato que difiere del de otros mercados financieros. Este aspecto facilita aún más la manipulación del mercado, ya que es difícil identificar o rastrear las acciones de los autores. Esto complica la evaluación y detección de cualquier presunta manipulación, tanto en términos de alcance como de impacto. Este anonimato, combinado con la naturaleza descentralizada de muchas transacciones de criptomonedas, permite a los perpetradores operar con un nivel de impunidad que es menos común en los mercados financieros tradicionales. Tales actividades pueden afectar significativamente a los precios y provocar rápidas fluctuaciones que pueden perjudicar a los inversores.

Tipos de manipulación del mercado de criptomonedas

La manipulación del mercado de criptomonedas engloba numerosas estrategias que explotan las vulnerabilidades de las estructuras de mercado y, en última instancia, influyen en el precio de una criptomoneda determinada. Tácticas como las operaciones de lavado y los esquemas de bombeo y descarga están diseñadas para engañar a los inversores creando falsas impresiones sobre las condiciones del mercado en el panorama de las criptomonedas.

Reconocer y comprender estas diversas formas potenciales de manipulación es esencial para detectar posibles riesgos y aplicar medidas de protección contra los intentos de distorsionar la actividad comercial normal dentro del mercado de criptomonedas.

Bombeo y descarga

Los esquemas de pump-and-dump son uno de los tipos más comunes de manipulación que afectan a las inversiones más tradicionales, como las acciones. Estas prácticas manipuladoras suelen surgir durante una Oferta Inicial de Monedas (OIC), en la que las afirmaciones exageradas impulsan la demanda y permiten a los iniciados obtener beneficios. El precio de una criptomoneda puede elevarse artificialmente a través de tácticas promocionales, lo que lleva a las personas con información privilegiada a vender sus participaciones a precios elevados antes de un colapso repentino del mercado.

Los esquemas de pump-and-dump suelen comenzar con esfuerzos para despertar el entusiasmo antes del lanzamiento, que luego se transforma en una venta coordinada que precipita una caída dramática de los precios. Solo en 2023, se informó de que 90.408 tokens fueron marcados como implicados en esquemas de pump-and-dump. Se ha sugerido que estos esquemas generaron 241,6 millones de dólares en beneficios^.1

El proceso de detección para descubrir estas actividades implica el análisis y escrutinio de los datos transaccionales de los libros de contabilidad de blockchain. Esto puede ser un proceso sofisticado y a menudo requiere un experto en criptomonedas bien versado en el análisis de grandes cantidades de datos.

Suplantación de identidad

El spoofing es otra táctica de manipulación del mercado que puede afectar y ha afectado a los mercados de criptomonedas. Esta táctica de manipulación implica la creación de órdenes artificiales para influir en los precios del mercado. Esta táctica implica generar la ilusión de optimismo o pesimismo en el mercado. Esto se puede hacer iniciando órdenes de gran tamaño con la intención de nunca llenarlas para representar la demanda y luego retirar esas órdenes antes de la ejecución. Lo mismo puede decirse de las órdenes de venta. Como resultado, se crea una ilusión de actividad en el mercado que puede atraer a otros operadores a actuar basándose en esta información engañosa.

La suplantación de identidad distorsiona las condiciones del mercado y puede influir en la dinámica de precios de las plataformas de negociación. Esta distorsión no sólo distorsiona las tendencias genuinas del mercado, sino que también erosiona la confianza en la propia criptomoneda o bolsa. Para los inversores en criptodivisas, es importante ser conscientes de las señales de spoofing, como grandes órdenes de compra o venta que no se cumplen. Además, es importante ser consciente de los cambios en los mercados que podrían indicar manipulación del mercado en forma de falsificación.

Detectar con precisión la suplantación de identidad puede ser todo un reto y suele requerir el análisis de grandes cantidades de datos comerciales, incluidos los precios de compra y venta y los volúmenes. Con estos datos, un experto en criptomonedas puede analizar los patrones de oferta y demanda junto con los datos de transacciones para aislar los indicios de falsificación. Además, un experto en criptodivisas debe estar bien versado en cuantificar el impacto en los participantes del mercado debido a la práctica engañosa del spoofing.

Wash Trading

El "wash trading" es otro tipo de esquema de manipulación del mercado que puede afectar al mercado de criptodivisas. El "wash trading" implica que un criptocomerciante compra y vende la misma criptodivisa para crear una actividad engañosa e inflar la demanda percibida en el mercado. Esta práctica implica que un inversor en criptodivisas venda y compre simultáneamente el mismo activo, creando una falsa impresión de actividad en el mercado sin ningún cambio real en la propiedad. El "wash trading" puede emplearse para manipular los precios del mercado, lo que lleva a ganancias potenciales para el autor mientras engaña a otros inversores.

El "wash trading" ha afectado a algunos nombres de alto perfil en el espacio de las criptomonedas, incluida la plataforma de negociación Binance, que según la SEC engañó a los inversores debido en parte al supuesto "wash trading". Según la SEC, Binance.US declaró falsamente que contaba con protocolos para supervisar y evitar el "wash trading" cuando, de hecho, uno de sus propios creadores de mercado, Sigma Chain, una entidad controlada por los propietarios de Binance, participó en operaciones de "wash trading"^.2

Al igual que ocurre con otras formas de manipulación del mercado, detectar y regular las operaciones de lavado en el espacio de las criptomonedas plantea importantes retos. Los operadores de lavado intentan aumentar artificialmente la liquidez para atraer el interés de los inversores en una bolsa y/o criptomoneda con el fin de manipular los precios. Detectar el "wash trading" requiere analizar los datos sobre los volúmenes de negociación que pueden no estar sincronizados con las métricas de liquidez, como los diferenciales entre precios de compra y venta o la profundidad del libro de órdenes. La evidencia de una posible desalineación debe impulsar la recopilación y el examen de datos de transacciones más detallados sobre los participantes de la bolsa para determinar si la anomalía está siendo impulsada por inversores activos con posiciones netas nulas.

Información privilegiada

El uso de información privilegiada a menudo ha plagado los mercados financieros, por lo que no debería sorprendernos que el uso de información privilegiada también pueda ocurrir en los mercados de criptodivisas. El uso de información privilegiada se produce cuando los individuos comparten y utilizan información no pública sobre un criptoactivo para manipular el mercado. Esta conducta surge del uso de conocimiento privilegiado sobre eventos significativos que mueven el mercado, como anuncios de nuevos listados de criptodivisas o noticias importantes que afectan a una criptodivisa.

Como parte de sus esfuerzos para abordar el uso de información privilegiada en las divisas digitales, las autoridades reguladoras han comenzado a procesar a los implicados mediante la presentación de cargos no sólo específicos de las leyes de valores, sino también incluyendo otras infracciones penales como el fraude electrónico. Un ejemplo es el de un gestor de mercado de una plataforma de NFT que se enfrentó a acusaciones de haber explotado información no pública sobre las NFT que se mostrarían a continuación y de haberlas negociado basándose en esa información^.3

El uso de información privilegiada puede ser extremadamente difícil de detectar para el inversor típico. En muchos casos, es necesaria una investigación para detectar las operaciones con información privilegiada y su repercusión en el mercado. La investigación requiere recopilar y analizar el historial detallado de la actividad de negociación de la presunta persona con información privilegiada, separando las operaciones basadas en información pública y no pública, así como información sobre los precios de mercado para evaluar la rentabilidad de sus operaciones.

Algunos casos recientes de manipulación del mercado de criptomonedas

En mayo de 2023, Ishan Wahi se convirtió en la primera persona condenada por uso de información privilegiada relacionada con las criptomonedas tras filtrar información sobre las próximas listas de criptomonedas en Coinbase. Este caso histórico puso de relieve los esfuerzos regulatorios para frenar el uso de información privilegiada en el mercado de^{criptomonedas4.}

Otro caso significativo de manipulación del mercado se produjo en diciembre de 2022, cuando la SEC acusó a los dirigentes de Alameda Research y FTX de manipular el precio del token FTT de FTX mediante grandes compras en el mercado^.5 Este caso puso de relieve los riesgos de la manipulación de precios y la importancia de la supervisión reguladora para mantener la integridad del mercado.

En octubre de 2022, la manipulación del oráculo de precios al que hace referencia Mango Markets permitió a un operador expropiar 115 millones de dólares en activos digitales, lo que puso de manifiesto las vulnerabilidades de las plataformas de intercambio descentralizado ("DEX", por sus siglas en inglés)^.6 Una DEX permite a los participantes del mercado negociar una amplia variedad de criptodivisas y utiliza complejos algoritmos matemáticos para la fijación de precios (véase la entrada del blog de Econ One "Decrypting Cryptocurrency by Focusing on Decentralized Exchanges").

En el caso de Mango Markets, el operador manipuló los precios del token de gobernanza MNGO de Mango Market manipulando los precios que alimentaban un oráculo de precios, un algoritmo utilizado por Mango Markets para ayudar a fijar el precio de su token MNGO recopilando precios de fuentes externas, como otras bolsas.

Estos casos notables demuestran las diversas tácticas y la complejidad utilizadas en la manipulación del mercado y los esfuerzos continuos de los reguladores para abordar estas cuestiones y proteger a los inversores.

Impacto de la manipulación del mercado de criptomonedas en los inversores

Los inversores pueden sufrir graves pérdidas debido a las fluctuaciones de precios causadas por la manipulación, lo que agrava la volatilidad de los mercados de criptomonedas. Estas prácticas manipuladoras pueden erosionar la confianza en el mercado de criptomonedas, obstaculizando la realización de un sistema financiero descentralizado y que funcione correctamente.

Dado que la manipulación puede ser difícil de detectar y cuantificar el impacto potencialmente enorme que puede tener en los mercados (recordemos el escándalo de la manipulación del índice de referencia de tipos de interés LIBOR, que tardó años en destaparse), los inversores pueden sufrir perjuicios financieros a pesar de llevar a cabo su propia investigación y diligencia debida.

Los expertos financieros y económicos de Econ One han ayudado a los inversores a descubrir, cuestionar y cuantificar los efectos de la manipulación de precios (incluida la manipulación de índices de referencia) en muchos mercados, incluidos los productos financieros.

El papel de un experto en criptomoneda para evaluar el impacto

Los expertos en criptodivisas son fundamentales para detectar y examinar las tácticas de manipulación del mercado que pueden socavar el descubrimiento de precios legal y eficiente en las bolsas de criptodivisas. Pueden aplicar su conocimiento de las estrategias convencionales de manipulación del mercado al ámbito de los activos digitales y el comercio blockchain. Utilizando sofisticados métodos analíticos y análisis de datos, así como modelos económicos y financieros, un experto puede descubrir indicios de prácticas manipuladoras que pueden plantear riesgos para los inversores. Además de descubrir la manipulación real, un experto en criptomonedas puede diseñar modelos y analizar grandes cantidades de datos para cuantificar el daño asociado a la manipulación ilícita.

Los expertos en criptodivisas de Econ One cuentan con una experiencia única en finanzas, informática, análisis de datos, inteligencia artificial y aprendizaje automático. Utilizamos herramientas analíticas modernas y conocimientos de programación para evaluar conjuntos de datos muy grandes y dar sentido incluso a los datos de negociación de criptodivisas más complejos.

Resumen

La manipulación del mercado de las criptomonedas adopta muchas formas, desde los esquemas de pump-and-dump hasta el uso de información privilegiada y el wash trading. Estas prácticas distorsionan la dinámica del mercado, provocando importantes pérdidas financieras a los inversores desprevenidos y socavando la confianza en los mercados de criptomonedas. Comprender estas tácticas manipuladoras y los esfuerzos reguladores para combatirlas es crucial para cualquiera que participe en el sector de las criptomonedas.

A medida que el panorama normativo sigue evolucionando, el papel de los expertos en criptodivisas es cada vez más importante. Al proporcionar información relevante sobre la dinámica del mercado y la actividad comercial, un experto puede ayudar a analizar las acusaciones de manipulación de criptomonedas y cuantificar el impacto de la manipulación.

Preguntas frecuentes

¿Qué es la manipulación del mercado de criptomonedas?

La manipulación del mercado de criptomonedas consiste en distorsionar el valor de las criptomonedas mediante tácticas fraudulentas, como las operaciones de lavado, la suplantación de identidad y los sistemas de bombeo y descarga. El resultado es que los inversores reciben indicadores falsos sobre los movimientos de los precios. Estas prácticas engañosas comprometen la legitimidad del mercado al perturbar su función eficiente de descubrimiento de precios y la capacidad de los inversores para tomar decisiones de inversión óptimas.

¿Cuáles son algunos ejemplos de casos notables de manipulación del mercado de criptomonedas?

Entre los casos de manipulación del mercado de criptomonedas que han acaparado la atención figuran la condena de Ishan Wahi por uso de información privilegiada en Coinbase, las acusaciones de la SEC contra Alameda Research y FTX por manipular el precio de su token FTT, y un incidente en el que un operador manipuló un oráculo de precios en Mango Markets para asegurarse un beneficio de 115 millones de dólares.

¿Por qué es difícil detectar la manipulación del mercado?

Los autores de las tramas de manipulación del mercado suelen estar profundamente arraigados en la negociación del mercado y pueden buscar formas de eludir la vigilancia y la detección incluso por parte de las autoridades de supervisión más sofisticadas. Recordemos que el escándalo del LIBOR no se demostró hasta años después de que se detectara inicialmente mediante un análisis minucioso de los datos de los precios de referencia y las tendencias del mercado. En la criptomoneda, como en muchos valores y productos financieros complejos, los inversores que confían en la integridad del mercado no tendrían necesariamente la habilidad, los recursos o el tiempo para descubrir comportamientos indebidos, que es una función en la que los expertos en criptomoneda se especializan cada día.

Referencias

[1] https://blockworks.co/news/chainalysis-rug-pull-report

[2] https://www.sec.gov/newsroom/press-releases/2023-101

[3] https://www.bakerlaw.com/insights/jury-finds-former-nft-marketplace-manager-guilty-of-insider-trading-wire-fraud-scheme-and-money-laundering/

[4] https://www.justice.gov/usao-sdny/pr/former-coinbase-insider-sentenced-first-ever-cryptocurrency-insider-trading-case

[5] https://www.coindesk.com/markets/2022/12/22/first-mover-americas-ftt-token-at-center-of-new-us-charges-in-ftx-case/

[6] https://blockworks.co/news/mango-markets-mangled-by-oracle-manipulation-for-112m

Imagine que está construyendo un vehículo autónomo. Su sistema de inteligencia artificial ("IA") se basa en un amplio conjunto de datos de imágenes para identificar peatones, señales de tráfico y obstáculos. Si los datos de entrenamiento se ven empañados por imágenes mal etiquetadas o imprecisas, la capacidad de la IA para navegar con seguridad se vuelve dudosa. Esta es la esencia del principio "basura dentro, basura fuera" (GIGO). En el universo de la IA y el ML, la calidad de los datos de entrada dicta e influye directamente en la calidad del resultado. Unos datos de alta calidad, coherentes y fiables garantizan que los sistemas de IA puedan aprender con eficacia, realizar predicciones precisas y ofrecer resultados empresariales óptimos.

Una estrategia de calidad de datos es crucial. Es la base de cualquier sistema de IA fiable. Pero, ¿qué ocurre cuando los datos son defectuosos? El caos. He visto proyectos desmoronarse debido a una integridad deficiente de los datos. Es una lección que nadie olvida. Hay varios ejemplos notables en los que la mala calidad de los datos y la falta de diversidad en los conjuntos de datos de entrenamiento han dado lugar a resultados sesgados y poco fiables en los sistemas de IA. Por ejemplo, se descubrió que el algoritmo COMPAS (Correctional Offender Management Profiling for Alternative Sanctions) utilizado en el sistema de justicia penal de Estados Unidos tenía un sesgo en contra de los afroamericanos. Un artículo publicado por ProPublica en 2016 reveló que el algoritmo asignaba de forma desproporcionada puntuaciones de riesgo más altas a los acusados negros en comparación con los blancos, prediciendo que tenían más probabilidades de reincidir. Este sesgo se debía a que el algoritmo se había entrenado con datos históricos sobre delincuencia, lo que reflejaba sesgos sistémicos en el sistema judicial. Un ejemplo similar existe con Tay, el chatbot de IA de Microsoft, lanzado como un bot de Twitter en 2016, que fue diseñado para aprender de las interacciones con los usuarios. Sin embargo, en 24 horas, Tay comenzó a publicar tuits ofensivos y racistas, lo que obligó a Microsoft a cerrar Tay solo 16 horas después de su lanzamiento. Esto se debió a que el algoritmo de aprendizaje de Tay fue manipulado por usuarios que lo alimentaron con datos sesgados e inapropiados, lo que demuestra cómo la mala calidad de los datos y la entrada maliciosa pueden conducir a un comportamiento de IA poco fiable y perjudicial. Estos ejemplos subrayan la importancia de mantener la calidad y coherencia de los datos para los sistemas de IA que pueden tener un impacto de gran alcance en los resultados del mundo real.

En este blog, profundizaremos en la cuestión crítica de la calidad y la coherencia de los datos, cómo pueden socavar los sistemas de IA y debatiremos estrategias de mitigación con ejemplos ilustrativos.

Calidad y coherencia de los datos

¿Qué es la calidad de los datos? La calidad de los datos se refiere al estado de un conjunto de datos y a su idoneidad para servir a los fines previstos. Unos datos de mala calidad, aunque se combinen con los modelos más avanzados y sofisticados, seguirán arrojando resultados inadecuados para los fines previstos. Las decisiones basadas en los datos más pertinentes, completos, precisos y oportunos tienen más posibilidades de avanzar hacia los objetivos previstos.

Quizá se pregunte cómo distinguir entre datos buenos y malos. A continuación se indican algunos de los principales identificadores de los datos de alta calidad:

Pertinencia: Los datos se ajustan estrechamente a las necesidades y objetivos de la tarea en cuestión.

Exhaustividad: Los datos contienen toda la información necesaria para el entrenamiento del modelo.

Precisión: Los datos son correctos y no contienen errores que puedan introducir sesgos en los modelos.

Puntualidad: Los datos están actualizados y disponibles cuando se necesitan.

Fiabilidad: Los datos son fiables debido a su estabilidad y coherencia a lo largo del tiempo, lo que hace que los resultados del modelo sean más fiables.

¿Por qué es importante la coherencia de los datos? La coherencia de los datos garantiza que los datos de diferentes bases de datos o sistemas sean los mismos. Además, esto significa que los datos reflejan con precisión los valores del mundo real en cualquier momento. Evaluar la coherencia de los datos es sencillo. Consiste en

Uniformidad: Mismo formato y estructura de datos.

Sincronización: Los datos se actualizan simultáneamente en todos los sistemas.

Coherencia: Coherencia lógica en los valores y relaciones de los datos.

Ahora que ya sabemos qué es un buen dato, veamos qué ocurre si no cumple alguno de los parámetros de calidad y coherencia antes mencionados.

El impacto de la mala calidad y la incoherencia de los datos

La mala calidad y la incoherencia de los datos pueden obstaculizar gravemente las iniciativas de IA. Algunos de los problemas más comunes son:

Predicciones inexactas

Los modelos de IA dependen en gran medida de los datos con los que se entrenan. Cuando estos datos son de mala calidad -contienen errores, imprecisiones o información irrelevante- es probable que los modelos resultantes produzcan resultados poco fiables. Las predicciones imprecisas pueden conducir a una toma de decisiones errónea, lo que puede tener importantes repercusiones financieras. Por ejemplo:

- Finanzas: Un modelo de IA utilizado para la calificación crediticia puede evaluar erróneamente el riesgo de los solicitantes de préstamos, lo que conduce a malas decisiones de crédito y pérdidas financieras para la institución.

- Sanidad: Un sistema de diagnóstico de IA entrenado con datos médicos erróneos podría diagnosticar mal a los pacientes, lo que daría lugar a tratamientos incorrectos y daños potenciales.

Modelos sesgados

Los datos incompletos o sesgados pueden introducir sesgos en los modelos de IA. Si los datos de entrenamiento no representan la diversidad de la población del mundo real, el sistema de IA puede perpetuar e incluso exacerbar los sesgos existentes. Esto puede afectar negativamente a la equidad y la inclusión. Algunos ejemplos son:

- Contratación: Un sistema de IA utilizado para la contratación que esté entrenado con datos históricos de contratación sesgados puede favorecer a ciertos grupos demográficos en detrimento de otros, dando lugar a prácticas discriminatorias.

- Aplicación de la ley: Los modelos de predicción policial basados en datos sesgados sobre la delincuencia pueden afectar de forma desproporcionada a comunidades específicas, exacerbando las desigualdades sociales.

Ineficiencias operativas

La mala calidad de los datos requiere mucho tiempo y recursos para limpiarlos y corregirlos. Esto puede retrasar los plazos de los proyectos y reducir la productividad general. A menudo, las organizaciones tienen que asignar importantes recursos humanos y técnicos a la limpieza de datos, lo que puede desviar la atención de tareas más estratégicas. Algunos ejemplos son:

- Comercio minorista: Una empresa minorista con datos de productos incoherentes podría tener problemas con la gestión de inventarios, lo que provocaría situaciones de falta de existencias o exceso de stock.

- Logística: Una empresa de logística con problemas de calidad de datos puede enfrentarse a dificultades en la optimización de rutas, lo que se traduce en retrasos y mayores costes operativos.

Riesgos de cumplimiento de la normativa

Los datos incoherentes pueden provocar el incumplimiento de las normas legales, exponiendo a las organizaciones a sanciones reglamentarias y dañando su reputación. A menudo se requieren datos precisos y coherentes para cumplir los requisitos normativos, y los fallos en este ámbito pueden tener graves consecuencias. Algunos ejemplos son:

- Finanzas: Las instituciones financieras deben cumplir normativas estrictas como la Ley Sarbanes-Oxley (SOX) y el Reglamento General de Protección de Datos (GDPR). Los datos incoherentes pueden dar lugar a errores en los informes y a cuantiosas multas.

- Sanidad: Los proveedores de servicios sanitarios deben cumplir normativas como la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA). La falta de coherencia en los datos de los pacientes puede dar lugar a infracciones y repercusiones legales.

Buenos datos equivalen a buenos resultados. ¿Malos datos? Bueno, ya te haces una idea. Sin embargo, hay formas de mitigar los riesgos asociados a los datos malos antes de que todo se vaya al garete.

Estrategias de mitigación

Para garantizar la calidad y coherencia de los datos y/o mejorar su calidad, las organizaciones deben adoptar estrategias integrales de gestión de datos. Esto incluye un proceso de recopilación de datos regulado y revisado periódicamente. He aquí algunas prácticas clave:

1. Perfilado y limpieza de datos:

- Elaboración de perfiles: Analizar los datos para comprender su estructura, contenido y calidad. Esto implica examinar las distribuciones de datos, detectar valores atípicos y evaluar la integridad de los datos.

- Limpieza: Corregir o eliminar imprecisiones, rellenar valores que faltan y resolver incoherencias. Esto puede implicar herramientas automatizadas para identificar y rectificar errores, así como procesos de revisión manual.

Ejemplo: Una empresa minorista utiliza herramientas de perfilado de datos para evaluar su base de datos de clientes. Descubren numerosos registros duplicados y direcciones obsoletas. Al limpiar los datos, mejoran la segmentación de sus clientes y las campañas de marketing dirigidas, lo que se traduce en un aumento del 15 % en la participación de los clientes.

2. Normalización de datos:

- Las organizaciones deben establecer formatos y definiciones comunes para los datos en toda la organización con el fin de garantizar la uniformidad. Esto incluye el establecimiento de normas para la introducción, el almacenamiento y el uso de los datos.

- Utilizar protocolos estándar de introducción de datos para garantizar la uniformidad. Para ello, puede ser necesario formar al personal en buenas prácticas y utilizar reglas de validación para garantizar la coherencia.

Ejemplo: Un proveedor sanitario estandariza los historiales de los pacientes adoptando un sistema de codificación uniforme para diagnósticos y tratamientos. Esto garantiza la coherencia de los datos de los pacientes en varias clínicas, lo que mejora la atención al paciente y agiliza las operaciones. Como resultado, el proveedor reduce en un 20% los errores administrativos.

3. Integración y sincronización de datos:

- Integre datos de fuentes dispares en un repositorio central, garantizando que toda la información relevante esté disponible en un único lugar.

- Implementar la sincronización en tiempo real para mantener la coherencia de los datos. Esto puede lograrse mediante canalizaciones de datos automatizadas y herramientas de integración continua.

Ejemplo: Una entidad financiera integra los datos de los clientes de varios departamentos (préstamos, ahorros, seguros) en una base de datos unificada. La sincronización en tiempo real garantiza que cualquier actualización en un departamento se refleje en todos los sistemas, lo que mejora el servicio al cliente y reduce los errores. El resultado es una mejora del 25% en las puntuaciones de satisfacción del cliente.

4. Gobernanza de datos:

- Establecer un marco de gobernanza de datos para supervisar los parámetros de calidad y coherencia de los datos. Esto incluye definir la propiedad de los datos, las políticas y los procedimientos para su gestión.

- Definir funciones y responsabilidades para la gestión de datos. Esto garantiza la rendición de cuentas y fomenta una cultura de calidad de los datos en toda la organización.

Ejemplo: Una empresa de fabricación crea un consejo de gobernanza de datos responsable de establecer normas de datos, supervisar la calidad y resolver problemas. Este enfoque proactivo mejora la precisión de los datos y la eficiencia operativa, lo que se traduce en un aumento del 10 % en la eficiencia de la producción.

5. Controles de validación automatizados:

- Implemente herramientas automatizadas para supervisar continuamente la calidad de los datos y detectar incoherencias. Estas herramientas pueden detectar anomalías y alertar a los administradores de datos de posibles problemas.

- Utilice algoritmos de aprendizaje automático para detectar anomalías y patrones indicativos de problemas con los datos. Estos algoritmos pueden aprender de datos históricos para identificar desviaciones que podrían indicar errores.

Ejemplo: Una plataforma de comercio electrónico despliega modelos de aprendizaje automático para analizar los datos de las transacciones en busca de anomalías. Estos modelos identifican patrones inusuales, como picos repentinos en las devoluciones o discrepancias en los niveles de inventario, lo que permite una rápida acción correctiva. Este enfoque permite reducir en un 30 % las actividades fraudulentas.

Última palabra

Garantizar la calidad y coherencia de los datos no es una tarea puntual, sino un esfuerzo continuo que requiere un enfoque estratégico y las herramientas adecuadas. Mediante la aplicación de prácticas sólidas de gestión de la calidad de los datos, las organizaciones pueden aprovechar todo el potencial de la IA, obtener mejores resultados empresariales y mantener una ventaja competitiva.

Esté atento a nuestro próximo blog de la serie, en el que exploraremos otro aspecto crítico de la validación de datos de IA.

¿Qué es la validación de datos y por qué es importante para Al?

En pocas palabras, la validación de datos se refiere a la práctica de comprobar la exactitud y calidad de cualquier fuente de datos que se planee utilizar. Aunque esto parece bastante sencillo, muchas personas se encuentran confundidas acerca de cómo se aplica a la IA.

Lo primero en lo que piensa la mayoría de la gente cuando oye "inteligencia artificial" o "IA" es en uno de los grandes modelos lingüísticos (como ChatGPT) que se mencionan con frecuencia en las noticias. Si esos modelos se entrenan con "datos de todo Internet", como se suele afirmar, ¿cómo entra en juego la validación de datos? Pues bien, la mayoría de los LLM requieren una formación específica adicional para que las empresas puedan aprovechar al máximo sus funciones. Esto implica introducir en los modelos datos de entrada específicos de la empresa y del sector. Estos datos deben ser validados antes de ser utilizados para entrenar el modelo. La validación de datos desempeña un papel crucial a la hora de garantizar la calidad, la pertinencia y la precisión de los datos utilizados para entrenar modelos de IA a medida, ayudando a filtrar la información errónea, los sesgos y las incoherencias de la enorme cantidad de datos no regulados disponibles en Internet.

Pero esos no son los únicos modelos de IA disponibles: hay muchos modelos de aprendizaje automático y de IA creados específicamente para diversas tareas o para empresas concretas. A la hora de implantar uno de estos modelos, las empresas deben tener cuidado con los datos de entrenamiento utilizados, comprobando su precisión, calidad y sesgo. Por ejemplo, un modelo entrenado únicamente en los perfiles de los empleados actuales para seleccionar a los candidatos ideales para un puesto de trabajo podría aprender inadvertidamente y perpetuar los sesgos de contratación existentes.

Cómo detectar problemas de validación de datos en los modelos de Al

Está claro que el proceso de validación de datos es vital, pero comprobar la "calidad" y la "precisión" es una tarea imprecisa. ¿Qué tipo de problemas de validación de datos deben buscar los modelizadores? ¿Cómo se identifican estos problemas en los modelos de IA?

A continuación analizamos con más detalle los problemas más comunes, pero en general la respuesta es: probar, probar y probar. Es fundamental emplear diversas metodologías de prueba, como la validación cruzada y las pruebas de retención, para detectar problemas como el sobreajuste, el sesgo y la fuga de datos. Una validación de datos sólida y eficaz también implica la supervisión y actualización continuas del modelo a medida que se dispone de nuevos datos, lo que garantiza que el rendimiento del modelo se mantenga constante a lo largo del tiempo y se adapte a la evolución de las condiciones. Por lo tanto, la pieza más importante del rompecabezas para evitar problemas de validación de datos en los modelos de IA son los empleados con experiencia en el dominio de los datos, es decir, personas que conocen los datos en profundidad y en detalle. Las empresas también se benefician de la experiencia externa: consultores con experiencia en el diseño y despliegue de modelos de IA, que pueden aportar una perspectiva diferente a la hora de cuestionar los datos de entrenamiento.

Problemas comunes de validación de datos de Al

Así que, vamos a discutir brevemente los problemas de validación de datos más comunes.

Calidad y coherencia de los datos

Este es el problema más común de los datos que se utilizan para el modelado o la exploración en general. Se recopila una enorme cantidad de datos de manera ad hoc, sin un verdadero diseño o propósito para la recopilación. El resultado es una IA de mala calidad, con muy poca señal dentro del ruido. Estos datos también suelen tener lagunas en la recopilación de datos o han sufrido cambios en su estructura sin una buena documentación en torno a esos cambios. La calidad de un modelo depende de la calidad de sus datos: la clave es una buena gobernanza y gestión de los datos.

Sesgos y representatividad

Supongamos que sus datos son de alta calidad y completos, con una documentación clara. Aún así, hay que comprobar que los datos no sean sesgados ni representativos, en función del uso que se les vaya a dar. El uso previsto es clave: Si está entrenando un algoritmo de contratación a partir de los currículos de sus empleados actuales, pero su plantilla carece de diversidad en términos de raza o género, el modelo puede replicar involuntariamente este sesgo favoreciendo a candidatos similares, excluyendo así a individuos de razas o géneros diferentes. Sin embargo, supongamos que es una empresa de juegos que intenta atraer a a usuariode usuarios similar a la actual base de usuarios - incluso si su base de usuarios actual es relativamente homogénea, no importa, porque no está intentando crear un modelo que comprenda los deseos de todos los clientes potenciales, sólo de los que son similares a los clientes a los que ya sirve. Ros problemas de representatividad pueden suscitar preocupaciones éticas o sociales más amplias por el trato que reciben los distintos grupos. Merece la pena destacar algunas cuestiones relacionadas con la representatividad y la parcialidad:

Desequilibrios de datos

Suponiendo que su modelo defina diferentes clases, los datos desequilibrados sugieren que la representación de las muestras en esas clases es desigual. Esto puede dar lugar a resultados sesgados y poco fiables - el modelo puede funcionar mal para la categoría infrarrepresentada. El desequilibrio de los datos puede corregirse cambiando la metodología de muestreo o la técnica de selección de datos. de datos o generando datos sintéticos, pero esto debe hacerse con extrema precaución.

Cambio de dominio y deriva conceptual

El cambio de dominio se produce cuando los datos sobre los que se ha entrenado el modelo no reflejan con exactitud los datos sobre los que se despliega el modelo. Un ejemplo de ello sería entrenar el modelo en campañas publicitarias que han tenido éxito en la base de clientes actual y luego utilizarlo para diseñar un modelo publicitario que se despliegue en un país diferente. Como los usuarios objetivo son diferentes de los usuarios entrenados, el modelo arrojará malos resultados. La deriva conceptual es una idea similar, pero se refiere a la incapacidad de los modelos para actualizarse en tiempo real. incapacidad de los modelos para actualizarse en tiempo real, lo que conduce a una desconexión entre la información actual y la información que se utilizó para entrenar el modelo. Esto se observa actualmente en casi todos los principales LLM, que advierten a los usuarios de cuál era el límite de datos para el conjunto de datos de entrenamiento.

Ataques adversarios

Los ataques adversarios se refieren a los ataques a los modelos de IA. Los ataques pueden adoptar muchas formas, como los ataques de envenenamiento de datos que buscan contaminar los datos utilizados para el entrenamiento de los modelos (ejemplo: campañas de desinformación en las redes sociales).. Otro ataque adversario es la evasión, que encuentra lagunas para eludir el modelo (por ejemplo, escribir mal las palabras para evitar los filtros de spam).

Integridad y coherencia de las normas

Al diseñar el modelo, el conjunto de reglas debe ser completo y coherente. Sin embargo, esa exhaustividad y coherencia deben construirse teniendo en cuenta los datos utilizados para entrenar el modelo: lo que se considera completo y coherente cambia en función de las dimensiones y limitaciones de los datos utilizados para entrenar el modelo. Por ejemplo, si los datos carecen de cobertura en ciertas áreas (por ejemplo, faltan grupos demográficos o condiciones subrepresentadas), puede que las reglas deban tener en cuenta estas lagunas y evitar el ajuste excesivo a información incompleta. Del mismo modo, la complejidad de las reglas debe corresponderse con la riqueza de los datos: unas reglas demasiado complejas para datos escasos o limitados pueden llevar a un ajuste excesivo, mientras que unas reglas demasiado simplistas para datos complejos pueden reducir el rendimiento del modelo en términos de precisión y generalización.

Pertinencia de la base de conocimientos

Es fundamental asegurarse de que la aplicación del modelo coincide con la base de conocimientos utilizada para entrenarlo. Esto es similar al cambio de dominio: if un modelo se entrenado en comunicados de prensa sobre física pero es utilizad para analizar artículos académicos sobre literatura francesalos resultados seráne cercanos a la basura.

Incertidumbre y excepciones

Como ocurre con cualquier diseño de modelos, la incertidumbre y las excepciones son un problema en los modelos de IA. Los datos ruidosos de baja calidad crean estimaciones con una gran incertidumbre que puede propagarse a través de iteraciones continuas del modelo hasta que el propio modelo se colapsa. Del mismo modo, el modelo debe ser consciente de las excepciones de datos y de cómo manejarlas, ya que de lo contrario las integrará en las estimaciones del modelo y producirá resultados sesgados.

Adaptación dinámica a normas o condiciones cambiantes

Por último, si se espera que los datos cambien de tal forma que alteren las reglas o condiciones del modelo, habrá que tenerlo en cuenta en el diseño del mismo. Los modelos pueden diseñarse de forma que se adapten dinámicamente a los cambios de las reglas o condiciones. condiciones, pero esto debe hacerse en las primeras fases, con cierta visión de cómo podrían cambiar los datos con el tiempo.

Tácticas para resolver problemas de validación de datos Al

Planificación y pruebas, ad nauseum. El viejo dicho "Más vale prevenir que curar"."se aplica en este caso: la mayoría de los problemas mencionados pueden resolverse con una planificación cuidadosa y pruebas exhaustivas antes de implantar el modelo. Si se descubren problemasSi se descubren problemas a posteriori, hay varias soluciones para cada uno de ellos, que un profesional experimentado puede ayudar a aplicar y probar..

Métodos para garantizar unI Los modelos tienen datos coherentes y precisos

El mejor método para garantizar que los modelos de IA tengan datos coherentes y precisos es contar con una sólida gobernanza de datos. La gobernanza de datos se refiere a la capacidad de garantizar una alta calidad de los datos a lo largo del ciclo de vida de los datos en su empresa. Esto incluye disponibilidad, coherencia, facilidad de uso, seguridad, integridad y conformidad. Sin una gobernanza de datos sólida, los modelos de IA pueden ser difíciles de implementar, ya que dependen en gran medida de los datos utilizados para el entrenamiento.

Resumen

Como cualquier modelo de datos, los modelos de IA dependen de la calidad de los datos utilizados para el entrenamiento. Sin datos de alta calidad, los modelos son difíciles de aplicar y producen resultados sesgados o poco fiables. Por lo tanto, la validación de los datos antes de la aplicación de la IA es un paso fundamental. Cuando se descubren deficiencias en los datos, hay varias posibilidades

posibles soluciones más fáciles de aplicar en la fase de planificación de modelos. Antes de embarcarse en un impulso a gran escala de la IA, las empresas deben centrar su atención en contar con una sólida gobernanza de los datos.

En el próximo blog de esta serie, profundizaremos en el primer aspecto de la validación de datos (calidad y coherencia de los datos), que constituye la base de la integridad de los datos en los modelos de IA. Permanezca atento.

Las tarjetas de crédito de marca compartida son desde hace tiempo una valiosa herramienta tanto para las aerolíneas como para los consumidores. Para las aerolíneas, estas asociaciones suponen una fuente de ingresos adicional y una forma de recompensar a sus clientes fieles. Para los consumidores, las tarjetas de crédito de marca compartida ofrecen atractivas ventajas, como vuelos gratuitos, subidas de clase y otras ventajas relacionadas con los viajes. Sin embargo, un problema persistente que ha frustrado a los consumidores a lo largo de los años es la devaluación de las recompensas.

El problema: La devaluación de las recompensas perjudica a los consumidores

Los consumidores obtienen recompensas como puntos o millas a través de las compras realizadas con tarjetas de crédito de marca compartida, con la esperanza de utilizarlas para viajes u otras ventajas. Esto es especialmente cierto en el caso de los viajeros frecuentes que participan en programas de recompensas de aerolíneas como el de American Airlines' AAdvantage de American Airlines. Sin embargo, el valor de estas recompensas puede reducirse drásticamente sin previo aviso. El programa' SkyMiles de Delta Air Lines es un ejemplo de devaluación. Esto suele ocurrir cuando los emisores o los comerciantes deciden aumentar el número de puntos o millas necesarios para el canje, lo que se conoce comúnmente como "devaluación".

Desde la perspectiva del consumidor, esto parece injusto. La gente pasa años acumulando puntos, sólo para descubrir que la misma recompensa cuesta ahora muchos más puntos. Lo que antes era un vuelo gratuito ahora puede requerir miles de millas más, lo que hace más difícil canjearlas por las recompensas que se prometieron en un principio.

Los consumidores también alegan que los emisores de tarjetas no les protegen de las decisiones tomadas por los socios de marca compartida (es decircompañías aéreas o cadenas hoteleras). Los cambios en los programas de fidelización, incluidos los de viajero frecuente, como la reducción de los beneficios disponibles a través de puntos o el aumento de los umbrales para el estatus de élite, erosionan aún más el valor de estas recompensas. En resumen, los consumidores sienten que están perdiendo valor por las recompensas que ya han ganado, y hay poco que puedan hacer al respecto.

Una tendencia de rescate masivo antes de la devaluación

Un fenómeno interesante que suele acompañar a la devaluación es el aumento de los canjes. Cuando las aerolíneas o los comerciantes anuncian una devaluación, suele haber prisa por canjear los puntos antes de que entren en vigor las nuevas condiciones, menos favorables. United Airlines y su programa MileagePlus suelen experimentar una oleada de canjes antes de la devaluación, con miembros que se apresuran a canjear millas en el marco de Star Alliance. Esto puede interpretarse como un intento de los consumidores de rescatar el máximo valor posible antes de que disminuyan sus recompensas.

Para las aerolíneas, este repentino aumento de los canjes puede plantear problemas. La afluencia de solicitudes de canje puede afectar a la disponibilidad de plazas, la gestión del inventario y la satisfacción general de los clientes, especialmente si estos no pueden encontrar vuelos disponibles u otros premios que deseen antes de que se produzca la devaluación.

Las aerolíneas pueden mitigar el impacto

Puede que las aerolíneas no tengan pleno control sobre las decisiones de devaluación de las tarjetas de crédito de marca compartida tomadas por sus socios emisores, pero pueden tomar medidas proactivas para mitigar el impacto. Una de ellas consiste en hacer un seguimiento de los cambios en el comportamiento de los canjes cuando se anuncian devaluaciones o cambios de política (como modificaciones de la caducidad).

Por ejemplo, mediante el seguimiento en tiempo real de los patrones de canje de los clientes, las aerolíneas pueden prepararse mejor para los canjes masivos que se producen antes de que se produzca la devaluación. Pueden ajustar el inventario en consecuencia, garantizando una mejor experiencia del cliente y minimizando las interrupciones operativas. Las aerolíneas también pueden analizar los índices de rotura (recompensas que no se canjean) para comprender cómo afectan las políticas de devaluación o caducidad al comportamiento de los clientes a lo largo del tiempo.

Una solución basada en datos para las aerolíneas

Uno de los principales retos para las aerolíneas es identificar las tendencias en el comportamiento de los clientes en relación con los canjes de recompensas, las roturas y las reservas de vuelos en épocas de devaluación. Con la ayuda de la analítica de datos, las aerolíneas pueden hacer un seguimiento de estos cambios y ajustar sus estrategias de programas de recompensas para adaptarse mejor a las necesidades y expectativas de los consumidores.

Por ejemplo, las aerolíneas podrían utilizar modelos predictivos para prever cuándo es probable que se produzcan grandes volúmenes de canjes y ajustar la disponibilidad de las recompensas en consecuencia. También podrían supervisar los índices de rotura para saber con qué frecuencia los clientes pierden recompensas por caducidad o devaluación y adaptar los esfuerzos de comunicación para fomentar los canjes a tiempo. Los mejores y más eficientes programas de recompensas de las aerolíneas utilizan el análisis de datos para mejorar la satisfacción del cliente optimizando los procesos de obtención y canje de puntos, garantizando una experiencia fluida a los viajeros.

Este tipo de enfoque basado en datos puede ayudar a las aerolíneas a equilibrar los beneficios financieros de la devaluación de las recompensas con la necesidad de mantener la satisfacción del cliente. Aunque la devaluación puede ser inevitable en algunos casos, las aerolíneas pueden al menos asegurarse de que están preparadas para los cambios y minimizar las reacciones negativas de los clientes.

Conclusiones: Proteger a los consumidores y mejorar la estrategia de las aerolíneas

La devaluación de las tarjetas de crédito de marca compartida sigue siendo un problema persistente, que hace que muchos consumidores se sientan defraudados y frustrados. Aunque las aerolíneas no tengan un control total sobre estos cambios, pueden desempeñar un papel fundamental a la hora de mitigar su impacto. Si siguen de cerca los patrones de canje, las tasas de rotura y el comportamiento de los clientes durante los periodos de devaluación, las aerolíneas podrán anticiparse y adaptarse mejor a estos cambios, proporcionando una experiencia más fluida a sus clientes.

En una época en la que la fidelidad del cliente es cada vez más frágil, ser capaz de ajustarse a las tendencias de devaluación y mejorar la comunicación con los consumidores ayudará a las aerolíneas a conservar la confianza y la fidelidad. Tanto las aerolíneas como los consumidores se beneficiarán de un enfoque más transparente y basado en datos para gestionar las recompensas de las tarjetas de crédito de marca compartida.

La elaboración y aplicación de principios y criterios ASG (medioambientales, sociales y de gobernanza) se ha convertido en una tendencia normativa inevitable a escala mundial. Lo que comenzó en el sector financiero ha trascendido a una amplia variedad de sectores económicos, impulsado por la creciente demanda de prácticas empresariales sostenibles y transparentes. Estos criterios ASG se han establecido como un estándar esperado para cualquier entidad con actividad empresarial, guiando a las organizaciones hacia un desempeño que no sólo genere valor económico, sino que también promueva un impacto positivo en la sociedad y el medio ambiente.

En México, como en muchas otras economías, se ha producido un notable aumento de la atención prestada a la regulación ESG. Este movimiento refleja un creciente reconocimiento del impacto que las prácticas empresariales tienen sobre el medio ambiente y la sociedad. En los últimos años se ha acelerado la promulgación de regulaciones en esta materia, con varias leyes en proceso de aprobación y otras que han sido publicadas recientemente^.1 Estas regulaciones abordan aspectos como la transparencia en la divulgación de información ambiental, social y de gobierno, así como la adopción de prácticas sustentables dentro de las empresas.

Para las empresas que operan en México, es crucial estar al tanto de estas nuevas regulaciones, ya que tienen implicaciones significativas para la forma en que llevan a cabo sus negocios. Las leyes pendientes y las disposiciones recientes exigen un mayor nivel de responsabilidad y compromiso con los principios ASG. Este marco regulatorio no sólo busca promover prácticas más sustentables, sino también posicionar a México como un país comprometido con los estándares internacionales de sustentabilidad.

En resumen, la integración de criterios ASG en las estrategias empresariales no sólo responde a un requisito normativo, sino que también representa una oportunidad para que las empresas contribuyan positivamente al desarrollo sostenible, mejorando su reputación y competitividad en el mercado mundial.

Introducción

Toda actividad humana, por elemental y primitiva que sea, repercute en el medio ambiente.

Las acciones humanas siempre se manifiestan de formas que pueden ser positivas, negativas o neutras con respecto a la naturaleza, pero siempre habrá un efecto que, a corto, medio o largo plazo, surgirá como impacto ambiental.

Desde hace algún tiempo, las diferentes organizaciones multilaterales y estatales han decidido actuar en este asunto y analizar qué actividades pueden dañar el medio ambiente, cómo mitigar estas acciones y, finalmente, implantar límites y controles.

Daños medioambientales

La legislación sobre daños ambientales siempre ha ido con cierto retraso respecto a los acontecimientos y aunque se han aplicado políticas en materia de evaluación de impacto ambiental previas a un proyecto importante, esto ha generado conflictos entre las partes, bien entre particulares, bien entre particulares con las administraciones, bien por interpretaciones de la legislación, por normativas dictadas tardíamente, o por entender tardíamente que una actividad legalmente contratada va a producir efectos contrarios al bien común.

Los intereses empresariales también suelen verse afectados, no sólo por sus efectos sobre el medio ambiente, sino por el daño que pueden causar a las comunidades implicadas e incluso a la sociedad en su conjunto.

Diferencias en los términos españoles de sostenibilidad: Sustentabilidad y Sostenibilidad

Antes de profundizar en el tema, hay que tener en cuenta que en español 'sustenibilidad' y 'sostenibilidad', no son lo mismo y aunque muchos autores que traducen textos del inglés los utilizan como sinónimos, en realidad no lo son.

^{Sustentabilidad2}: Se refiere al uso racional de los recursos naturales.

Sostenibilidad: Es un concepto mucho más amplio y busca generar un cambio en los siguientes aspectos:

Medio ambiente
Social
Económico
Cultural

El desarrollo sostenible se produce cuando confluyen los aspectos sociales, medioambientales y económicos.³

Informes ESG no financieros

Desde hace varios años, distintas entidades, tanto de la Comunidad Europea como de Estados Unidos, han empezado a evaluar la necesidad de informar a las partes interesadas sobre cómo actúan las empresas en términos de sostenibilidad.

La ^CRSD4 (Directiva sobre Informes de Sostenibilidad Corporativa), en Europa, y las ^NIIF5 (Normas Internacionales de Información Financiera) a través del ^ISSB6 (Consejo de Normas Internacionales de Sostenibilidad) han establecido normas para que las empresas informen, junto con sus Informes Financieros, de sus actuaciones en el ámbito Medioambiental, Social y de Gobierno Corporativo (ESG).

Esta información pretende compartir con todas las partes interesadas sus acciones en términos de impactos sostenibles.

Estrategias ESG

Cuando una empresa adopta una estrategia de sostenibilidad, está estableciendo una estrategia de valor. Esto implica tomar decisiones relacionadas con la inversión, la financiación, las fusiones y adquisiciones, la planificación fiscal, los aspectos jurídicos y los procesos de producción. Por ejemplo, una empresa puede modificar su cadena de suministro para alinearla con su estrategia de sostenibilidad y reducir las emisiones de gases de efecto invernadero (GEI).

Hoy en día, con la inclusión en los estados financieros de información que antes se consideraba no financiera, las cuestiones de sostenibilidad han adquirido una gran relevancia en la agenda de los directores financieros, los consejos de administración, los inversores, los reguladores y otros agentes del ecosistema empresarial mundial.

Esto implica que las empresas deben desarrollar estrategias de sostenibilidad si quieren generar valor a largo plazo. Sin embargo, se enfrentarán a retos como adoptar una nueva cultura organizativa, recopilar y proteger la información no financiera necesaria para sus informes de sostenibilidad.

Aplicación de la información no financiera ESG

Objetivos

En los últimos años se ha definido con mayor precisión la información que deben contener las memorias de sostenibilidad.

La información ASG que divulgan las empresas suele incluirse en informes de sostenibilidad e informes integrados, que abarcan tanto aspectos financieros como no financieros, presentaciones a inversores y comunicaciones externas dirigidas al público en general^.7

Las empresas están elaborando y presentando informes ESG o de sostenibilidad que van más allá de simples campañas de comunicación externa sobre acciones medioambientales o de responsabilidad social. Según la Encuesta Global de Inversores 2023 de PwC Global, el 87% de los inversores cree que los informes corporativos contienen afirmaciones sin fundamento sobre el desempeño sostenible de una^empresa8.

Las memorias de sostenibilidad existen desde 1997 y poco a poco diversas organizaciones internacionales han colaborado para añadir valor a la información, coherencia y garantizar que esta información sea auditada.

De este modo, los informes ESG han ganado credibilidad y han favorecido la transparencia de las empresas.

Algunas de las normas que establecen marcos para la presentación de informes son:

Iniciativa Mundial para la Elaboración de Informes (GRI)
Marco Internacional de Informes Integrados (IIR).
IFRS (Normas Internacionales de Información Financiera) a través del IASB (Consejo de Normas Internacionales de Contabilidad) & ISSB (Consejo de Normas Internacionales de Sostenibilidad).
Consejo de Normas de Divulgación sobre el Clima (CDSB)

Asimismo, la forma de ganar credibilidad y uniformidad en los informes será que las empresas nombren a un auditor especializado en la materia, con el fin de asegurar el valor de la empresa y reducir los riesgos en términos de conflictos con terceros.

Arbitraje ESG

Las Naciones Unidas en su Agenda 2030 determinaron los Objetivos de Desarrollo Sostenible (ODS), que buscan establecer estrategias y directrices para garantizar un equilibrio entre el desarrollo económico, social y^ambiental9.

Los ODS son fundamentales para entender los criterios ASG y cómo están influyendo en las decisiones de las empresas, los inversores y las políticas gubernamentales, entre otros actores.

Es importante señalar que la Unión Europea ha sido pionera en la aplicación de estos objetivos a través de diversas estrategias y planes y, sobre todo, de Reglamentos y Directivas, como:

El Pacto Verde^Europeo10: un conjunto de iniciativas políticas cuyo objetivo último es lograr la neutralidad climática para 2050.
El Reglamento de Taxonomía: que pretende informar a los inversores sobre la sostenibilidad medioambiental de una actividad económica.
La Directiva sobre Sostenibilidad Empresarial (Directiva 2022/2464)¹¹: cuyo objetivo es mejorar la elaboración de informes de sostenibilidad por parte de las empresas, estableciendo criterios comunes para toda la Unión Europea (UE).

Estos Reglamentos y Directivas, junto con los mencionados en los puntos anteriores, indican que las Organizaciones Internacionales están abordando activamente estas cuestiones con el objetivo de cumplir la Agenda 2030. Sin embargo, también es previsible que estos objetivos puedan dar lugar a un aumento de los litigios relacionados con posibles incumplimientos normativos.

Los expertos jurídicos reconocen las numerosas ventajas del arbitraje para resolver litigios relacionados con los ASG, como la flexibilidad procesal, el alto nivel de especialización de los árbitros y la posibilidad de obtener medidas cautelares, especialmente cruciales en casos de riesgos medioambientales o violaciones de los derechos humanos. Sin embargo, también señalan varios aspectos que pueden representar barreras significativas para la resolución de disputas ASG en arbitraje, como el potencial desequilibrio de recursos entre las partes y las dificultades para establecer el sometimiento de las cláusulas ASG a arbitraje.

ESG Daños y perjuicios

Independientemente de que los litigios se resuelvan en arbitraje o en los tribunales, una cuestión relevante será el impacto de los criterios y políticas ASG en la eventual valoración de los daños ASG.

Los casos de ESG pueden relacionarse en primer lugar con:

Reclamaciones en las que los factores ASG son relevantes para determinar los daños, incluso si el objeto del litigio no está directamente relacionado con consideraciones ASG. Por ejemplo, daños ASG debidos a información errónea u ocultación de riesgos medioambientales, que pueden causar pérdidas a accionistas, inversores o terceros (caso típico de lavado verde).
Casos de reclamaciones no directamente relacionadas con cuestiones medioambientales, pero en los que, sin embargo, los aspectos medioambientales pueden ser importantes para la determinación de los daños. Por ejemplo, un caso en el que se produce una disputa entre un inversor y un gobierno por la expropiación de unas minas de carbón. En sí mismo, el caso no implica daños medioambientales, pero el valor de los activos puede ser relevante a la hora de determinar la cuantía de los daños.

Valoración ESG

La determinación de los daños suele implicar un proceso de valoración, para el que existen diferentes métodos, que pueden clasificarse del siguiente modo:

Método de los flujos de tesorería: con arreglo a este método, los flujos de ingresos futuros se proyectan para un determinado periodo de tiempo, debidamente justificado, y se ajustan con arreglo a determinados parámetros hacia el futuro. Estos flujos de tesorería se descuentan a un determinado tipo de descuento (por ejemplo, el WACC), con el fin de valorar estos flujos futuros en el momento presente, es el denominado Valor Actual Neto (VAN). En otras palabras, este método se compone de dos elementos: Flujos de Caja y Tasa de Descuento. Cada uno de estos componentes puede reflejar determinados impactos ASG.
Método del valor de mercado: Normalmente se aplica a empresas comparables, ya sea si cotizan en bolsa, o a transacciones comparables entre empresas privadas que no cotizan en el mercado. Normalmente, estas valoraciones se verán afectadas por los impactos ASG que pueden valorarse por "múltiplos" o valores comparables con empresas que informan regularmente de los impactos socioambientales. En relación con la determinación de los "múltiplos", éstos también se verán influidos por los impactos ASG causados por la empresa.
Método del coste o del activo menos el pasivo: Por último, cuando se aplica este método, los valores se toman al coste menos la depreciación acumulada. Esta metodología está fuertemente influenciada por consideraciones ESG, ya que los costes originales pueden haber cambiado considerablemente en la fecha de valoración. Este es el caso de las industrias mineras o extractivas, en las que el impacto y las consideraciones medioambientales tienen una influencia significativa en su valoración.

Conclusión

Aunque los temas relacionados con la ASG son amplios y diversos, ya disponemos de metodologías para informar, valorar y calcular los daños que pueden aplicarse a los aspectos medioambientales y sociales.

En materia de Gobierno Corporativo, instituciones internacionales como las NIIF, a través de sus áreas ISSB e IASB, han desarrollado y continúan trabajando en la emisión de recomendaciones para lograr una mayor claridad, homogeneidad y transparencia en la información reportada por las empresas, con el objetivo de reducir el llamado efecto greenwashing.

Dada la creciente importancia de los conceptos ASG, los expertos jurídicos prevén un aumento de los litigios relacionados con la sostenibilidad a corto y medio plazo.

El arbitraje ofrece importantes ventajas comparativas para resolver estas disputas. La flexibilidad en las reglas, que permite a las partes acordar ciertas pautas para resolver sus diferencias, junto con la preparación de los árbitros y el apoyo de expertos conocedores de la materia, garantizan procesos más rápidos y resultados satisfactorios para las partes implicadas.

El equipo de Arbitraje Internacional de EconOne cuenta con una amplia experiencia en la gestión de asuntos ESG complejos ante Tribunales Internacionales de Arbitraje. Nuestra experiencia abarca litigios relacionados con el cumplimiento de la normativa medioambiental, las responsabilidades socioeconómicas, el gobierno corporativo y las iniciativas de sostenibilidad, en los que proporcionamos orientación estratégica y una sólida representación en litigios internacionales.

Referencias

[1] El 13 de mayo de 2024, el Consejo Mexicano de Normas de Información Financiera y Sustentabilidad (CINIF) publicó las dos primeras Normas de Información Sustentable (NIS) de sus series A y B.
8Propuestas de Regulación en Materia de Sustentabilidad y ESG (greendates.com.mx)

[2] ¿La diferencia entre sustentabilidad y sostenibilidad?

En la urgente y necesaria preocupación global por el cuidado del medioambiente, así como en las diferentes acciones puestas en marcha por gobiernos y entidades privadas, el uso de los términos sustentabilidad y sostenibilidad parece indistinto, sin embargo, cuentan con características que los hacen diferentes. ¿Cuál es la diferencia entre sustentabilidad y sostenibilidad? (bbva.com)

[3] Comisión Mundial sobre el Medio Ambiente y el Desarrollo. (1987). Nuestro futuro común (Informe Brundtland). https://sustainabledevelopment.un.org/content/documents/5987our-common-future.pdf

[4] Directiva - 2022/2464 - ES - Directiva CSRD - EUR-Lex (europa.eu)

[5] https://www.ifrs.org/

[6] https://www.ifrs.org/news-and-events/news/2021/11/ifrs-foundation-announces-issb-consolidation-with-cdsb-vrf-publication-of-prototypes/

[7] PWC Global Investor Survey 2023 https://www.pwc.com/gx/en/issues/c-suite-insights/global-inhttps://www.pwc.com/gx/en/issues/c-suite-insights/global-in

[8] Comisión Federal de Comercio de los Estados Unidos. (2012) "Guías Verdes - Comisión Federal de Comercio ". https://www.ftc.gov/news-events/topics/truth-advertising/green-guides.

[9] Las Naciones Unidas establecieron los Objetivos de Desarrollo Sostenible (ODS) como parte de su Agenda 2030, con el fin de hacer frente a desafíos globales como la pobreza, la desigualdad, el cambio climático, la degradación del medio ambiente , la paz y la justicia. Organización de las Naciones Unidas. (2015). Transformar nuestro mundo: la Agenda 2030 para el Desarrollo Sostenible https://www.un.org/sustainabledevelopment/es/agenda-2030/

[10] Comisión Europea. (2019). The European Green Deal.
https://ec.europa.eu/info/strategy/priorities-2019-2024/european-green-deal_es

[11] Parlamento Europeo y Consejo de la Unión Europea. (2022). Directiva (UE) 2022/2464 del Parlamento Europeo y del Consejo, de 14 de diciembre de 2022, relativa a la elaboración de informes de sostenibilidad por las empresas. https://eur-lex.europa.eu/legal-content/ES/TXT/?uri=CELEX%3A32022L2464

Bibliografía

Regulación ESG en México: tendencias regulatorias y leyes en la materia en trámite. Écija México. "Regulación ESG en México: tendencias regulatorias y leyes en la materia ...." https://ecija.com/wp-content/uploads/2021/12/ECIJA_MX_RegulacionESG-MX2021_ESP.pdf.
Taxonomía de la UE para actividades sostenibles - Comisión Europea - Finanzas https://finance.ec.europa.eu/sustainable-finance/tools-and-standards/eu-taxonomy-sustainable-activities_en
Objetivos de Desarrollo Sostenible | Programa De Las Naciones Unidas ... https://www.undp.org/es/sustainable-development-goals
NIIF S1 y NIIF S2 | Deloitte Perú https://www2.deloitte.com/pe/es/pages/audit/articles/normas-internacionales-de-sostenibilidad-y-clima-NIIF-S1-y-NIIF-S2.html
Daños relacionados con cuestiones medioambientales, sociales y de gobernanza https://globalarbitrationreview.com/guide/the-guide-damages-in-international-arbitration/6th-edition/article/damages-relating-environmental-social-and-governance-issues
Von Wobeser y Sierra - El rol del arbitraje en disputas ESG https://www.vonwobeser.com/index.php/publicacion?p_id=1651

La creciente importancia de los expertos en criptomoneda y de quienes entienden la tecnología blockchain, junto con el comercio de criptomoneda en general, se ve impulsada por la necesidad de que estos mercados sigan avanzando. Al mismo tiempo, existe una necesidad urgente de resolver cuestiones críticas sobre las estructuras de gobernanza pública y legal adecuadas para lograr el mejor resultado para los participantes del mercado, los reguladores y los sistemas legales.

Este blog analiza cómo los expertos en criptomoneda con experiencia en finanzas y economía pueden ayudar a los clientes en asuntos de criptomoneda, especialmente en disputas con importantes cantidades de dinero en juego y resultados judiciales inciertos. Seleccionar al mejor experto preparado para estos retos ayudará a los clientes a prepararse y alcanzar resultados más exitosos. Se describen formas específicas en las que los expertos de Econ One han ayudado en asuntos antimonopolio, de valores y de criptomoneda.

Peritaje económico antimonopolio en casos de criptomoneda

Los economistas especializados en defensa de la competencia son expertos en comprender cómo funcionan los mercados o, en algunos casos, cómo no funcionan a la hora de ofrecer ventajas a los consumidores a través de precios más bajos, más opciones y una mayor competencia.

Las tecnologías de las criptomonedas se basan en un principio de transacciones abiertas, descentralizadas y entre iguales, lo que le confiere un aura de mercado en rápida evolución y altamente competitivo para las nuevas monedas digitales y productos financieros.

Sin embargo, como ha señalado otro experto de Econ One, la naturaleza descentralizada de la criptomoneda para facilitar los pagos (o la variedad de funciones a las que sirve) es, en cierto modo, sorprendentemente menos descentralizada de lo que comúnmente se entiende^.1

Por ejemplo, el Dr. Martos Vila demostró que la mayoría de todas las transacciones de blockchain fueron verificadas por un pequeño número de "mineros". En 2015, cinco operadores de pool de minería representaron el 40 por ciento de las verificaciones de blockchain. En 2018, este porcentaje aumentó al 71 por ciento. Hoy se sitúa en el 82 por ciento, como se muestra en la siguiente figura.

Aplicando la fórmula del índice Herfindahl-Hirschman ("IHH") a estos datos, el IHH se sitúa en 1.850 (por encima del umbral para ser considerado un mercado altamente concentrado)^.2

Litigio antimonopolio sobre criptoactivos Tether y Bitfinex

Un caso antimonopolio de criptomoneda actualmente activo implica una demanda colectiva presentada por inversores que alegan que los demandados conspiraron para inflar artificialmente el precio del bitcoin inundando el mercado con tokens Tether, una stablecoin vinculada a una moneda fiduciaria como el dólar estadounidense^.3

Se supone que una criptodivisa stablecoin, como Tether ("USDT") respaldada por dólares estadounidenses, está respaldada por suficientes dólares estadounidenses como para que los titulares de USDT puedan canjear con confianza sus stablecoins a cambio de la misma cantidad de dólares estadounidenses. En lugar de ello, los demandados crearon o "acuñaron" en secreto USDT degradados (no totalmente respaldados por dólares estadounidenses) y los inyectaron en el mercado a través de la bolsa de criptomonedas Bitfinex (también supuestamente controlada por los demandados)^.4 Esto dio la impresión de que el bitcoin valía mucho más de lo que valía.

Los acusados pudieron entonces explotar las oportunidades de arbitraje de precios, ya que el bitcoin cotizaba con prima en Bitfinex en relación con otras bolsas de criptomonedas. El caso pone de relieve no sólo la importancia de las cuestiones de estructura de mercado (USDT representa una gran parte de las criptomonedas stablecoin), sino también la capacidad de lograr el apalancamiento del impacto del precio a través del engaño.

^El uso de una stablecoin supuestamente degradada, USDT, para manipular los precios de los activos de criptomoneda en el mercado al contado tiene paralelismos con la manipulación del LIBOR^.5 Los tipos LIBOR cotizados presentados por los grandes bancos no estaban respaldados por transacciones reales de préstamos interbancarios a corto plazo, lo que otorgaba a los bancos contribuyentes una ventaja sobre los participantes del mercado que desconocían (y no podían verificar en tiempo real) que el LIBOR no estaba vinculado a los costes reales de los préstamos interbancarios y que estaba siendo manipulado.

La mala conducta descrita en la demanda colectiva de inversores Tether-Bitfinex apunta a mecanismos específicos de oferta y demanda que fueron manipulados de forma colusoria por los demandados en violación de las leyes antimonopolio Sherman y que causaron precios de mercado artificiales en violación de la Ley de Intercambio de Materias Primas^.6

Los expertos en finanzas y economía de Econ One han examinado este tipo de acusaciones en otros casos de manipulación de precios de materias primas y de defensa de la competencia utilizando técnicas econométricas financieras de series temporales para detectar si los precios de mercado se fijaron de forma colusoria y/o artificial.

Expertos del mercado de valores ayudan en casos de criptomonedas

Un segundo ámbito importante del derecho y la regulación de las criptomonedas en el que los expertos en finanzas y economía de Econ One están desempeñando un papel activo es la cuestión de si las criptomonedas son o no valores y, en caso afirmativo, cómo y cuánto podrían haberse visto perjudicados los inversores.

Si una criptomoneda es un valor (como las acciones o los bonos emitidos por empresas estadounidenses), entonces la criptomoneda debe registrarse en la Comisión de Bolsa y Valores de Estados Unidos ("SEC") para poder emitirse y negociarse legalmente en mercados públicos, como una bolsa.

Además, una bolsa que cotice con una criptodivisa debe estar registrada en la SEC si la criptodivisa en cuestión es un valor. Como ya comentamos en nuestro blog anterior sobre demandas colectivas de inversores en criptodivisas, los inversores que negocien con una criptodivisa no registrada podrían presentar demandas por pérdidas potencialmente elevadas, hasta el importe total del precio de mercado de la criptodivisa^.7

Se examinan dos ejemplos de casos de valores actualmente activos con formas en que los expertos pueden ayudar a los clientes^.8

En el litigio Ripple Labs Inc. Litigio

Ripple Labs opera una cadena de bloques utilizada para pagos y liquidaciones respaldada por la moneda nativa "XRP"^.9 El precio de la moneda subió a finales de 2017^,10 impulsado en parte por lo que un grupo de inversores ha alegado que fue un esquema fraudulento para inflar el precio de mercado^.11 A principios de 2018, el precio de mercado de XRP retrocedió rápidamente desde su valor máximo. Ripple Labs y XRP también son objeto de una acción de ejecución de la SEC que alega que es un valor no registrado, una reclamación que el grupo de inversores también afirma en su demanda colectiva.

Los casos han divergido curiosamente en la cuestión de la definición de valores, con las consiguientes implicaciones para el cálculo de los daños a los inversores. En la acción de ejecución de la SEC, el juez dictaminó que el XRP era efectivamente un valor (no registrado), pero solo cuando lo compraban inversores institucionales. Sin embargo, en el mismo caso, el juez dictaminó que el XRP era un valor (no registrado) para otros inversores que compraron XRP en un centro de negociación abierto, como una bolsa digital^.12

En la demanda colectiva de los inversores, por el contrario, el juez falló a favor de los demandantes al desestimar la moción del demandado de que XRP no era un valor bajo la Prueba Howey^.13 La Prueba Howey es la norma actual para decidir si un instrumento financiero o activo es o no un valor, como se discutió en nuestra entrada de blog anterior sobre cómo las reclamaciones de pérdidas de los inversores de criptodivisas podrían apilarse rápidamente^.14

En el caso de la SEC, el juez interpretó que la ausencia de una conexión suficiente entre los inversores no institucionales y Ripple, el emisor de XRP, indicaba que no tenían un contrato de inversión con Ripple y, por tanto, para ellos, XRP no era un valor. La medición de los daños a los inversores necesitaría, por tanto, separar las transacciones de criptodivisas por tipos de inversores.

Como ya se comentó en un blog anterior sobre la criptomoneda, los métodos para estimar los daños a los inversores por tipo de inversor incluyen modelos de valores de múltiples operadores que pueden aplicarse de forma fiable y científica a los casos de criptomoneda^.15 Estos modelos pueden anclarse empíricamente a las transacciones de inversores individuales rastreadas por las bolsas a través de su énfasis en el "conozca a su cliente". Más concretamente, el registro para operar en una bolsa requiere información específica del usuario final, como direcciones de correo electrónico, información del monedero y otras pruebas de identificación que pueden utilizarse para analizar las ganancias o pérdidas de los inversores individuales en las operaciones.

Aceves y otros contra Coinbase Global

La bolsa de criptomonedas Coinbase es actualmente objeto de una acción ejecutiva de la SEC y de una demanda colectiva de inversores que alegan que opera como una bolsa de valores no registrada^.16

Según su sitio web, Coinbase es una bolsa para negociar criptomonedas^.17 Coinbase proporciona a los operadores de activos digitales y criptomonedas una plataforma de libro de órdenes con límite centralizado o "CLOB" en la que los operadores pueden publicar órdenes con límite de oferta y demanda^.18 Un CLOB es uno de los tipos de bolsa más comunes del mundo, en el que se suelen negociar valores como acciones y derivados como futuros. Coinbase es la segunda mayor bolsa de criptomonedas después de Binance^.19

Coinbase, una empresa que cotiza en bolsa y cuyas acciones cotizan en el NASDAQ, obtiene sus ingresos principalmente de las comisiones por transacción que cobra a sus miembros por ejecutar operaciones en su plataforma. Como entidad que cotiza en bolsa, Coinbase publica informes financieros trimestrales y anuales en la SEC, conocidos como informes 10-Q y 10-K^.20 Este tipo de información financiera puede ser muy valiosa en un litigio y no debe pasarse por alto como fuente de datos e información sobre una empresa.

El descubrimiento de datos en el litigio de Coinbase producirá sin duda grandes cantidades de datos granulares sobre operaciones bursátiles. La experiencia en otros litigios sobre mercados financieros sugiere que una forma útil de ayudar a gestionar grandes conjuntos de datos complejos es establecer puntos de referencia conocidos y cuantificables para garantizar que los datos se entienden correctamente y están listos para el análisis.

Por ejemplo, los documentos 10-Q y 10-K de Coinbase presentados ante la SEC contienen partidas para los ingresos de intercambio que genera, así como los segmentos de clientes de los que proceden estos ingresos de intercambio. En la medida en que los inversores pudieran reclamar como pérdidas las comisiones de negociación incurridas por negociar en una bolsa no registrada, sus pérdidas agregadas podrían compararse con los ingresos de negociación declarados por Coinbase a lo largo del tiempo, por segmento y en diferentes condiciones del mercado de criptomonedas para proporcionar un límite superior a los cobros excesivos a los inversores.

Selección del perito adecuado para casos de criptomoneda

¿Quién es un experto en criptomoneda y qué directrices hay que seguir para elegir al experto adecuado? Este blog ha puesto de relieve la necesidad de expertos en finanzas y economía de la moneda digital y de aquellos que entienden los conceptos de la criptomoneda en medio de los cambiantes contornos de los resultados judiciales de la criptomoneda y la realización de complejos cálculos de daños utilizando herramientas y datos alternativos.

El enfoque multidisciplinar de Econ One se basa en la experiencia en los mercados financieros y de valores y en las últimas investigaciones en economía, estadística y finanzas sobre la criptomoneda. Los expertos en finanzas y economía de Econ One tienen el conocimiento de las relaciones de comportamiento en los mercados financieros y qué tipos de comportamientos podrían constituir violaciones de las leyes de valores y/o antimonopolio.

La reconocida experiencia de Econ One en defensa de la competencia es profunda y abarca las disciplinas de las finanzas y la economía. Para el sector de las criptomonedas, los expertos de Econ One han logrado resultados satisfactorios para sus clientes en mercados como los de contado, derivados, instrumentos negociados en bolsa y no negociados en bolsa y mercados de los que se derivan precios de referencia.

El equipo de Econ One tiene experiencia en economía, finanzas, informática y análisis de datos que puede aplicarse a complejas transacciones de criptomonedas, incluidas las transacciones de bitcoins, junto con datos de mercado más generalizados. Econ One ha proporcionado asistencia en la evaluación de conjuntos de datos a gran escala extraídos de la tecnología blockchain, las bolsas de criptomonedas y el trabajo con proveedores especializados en la recopilación de estos datos y su puesta a disposición de forma accesible y fácil de usar.

Referencias

[1] Marc Martos-Vila, "3 Reasons Cryptocurrency May Raise Antitrust Issues", Law360, 29 de enero de 2019.

[2] Véase el "Índice Herfindahl-Hirschman" de la División Antimonopolio del Departamento de Justicia de EE.UU. en https://www.justice.gov/atr/herfindahl-hirschman-index.

[3] Véase In re Tether and Bitfinex Crypto Asset Litigation, Caso nº 19-cv-09236-KPF.

[4] Véase In re Tether and Bitfinex Crypto Asset Litigation Second Amended Consolidated Class Action Complaint, ¶141.

[5] Para más información sobre el LIBOR y la manipulación de índices de referencia en otros mercados, véase Dr. Jeff Armstrong "How Deep is Your Bench? Recent Benchmark Manipulation Antitrust Cases", 5 de marzo de 2024 en https://econone.com/resources/blogs/benchmark-manipulation/.

[6] Véase In re Tether and Bitfinex Crypto Asset Litigation Second Amended Consolidated Class Action Complaint ¶¶407 - 443.

[7] Véase Dr. Jeff Armstrong "Cryptocurrency Investor Claims Could Quickly Stack Up", 9 de julio de 2024 en https://econone.com/es/resources/blogs/cryptocurrency-investor-claims-could-quickly-stack-up/.

[8] En el momento de redactar este blog, los expertos de Econ One no han sido contratados para trabajar en ninguno de estos dos casos.

[9] Véase https://www.ripple.com

[10] Fuente: CoinMarketCap en https://coinmarketcap.com/currencies/xrp/

[11] Véase la primera demanda modificada consolidada presentada el 25 de marzo de 2020 In re Ripple Labs Inc. Litigio

[12] Véase la Orden de la Juez de Distrito de EE.UU. Analisa Torres de fecha 13 de julio de 2023 en el caso Securities and Exchange Commission contra Ripple Labs, Inc. et al.

[13] Ver Order on Motion for Summary Judgment by US District Judge Phyllis J. Hamilton dated June 2024 In re Ripple Labs Inc. Litigation. El juez también dictaminó que el caso no podía seguir adelante como demanda colectiva. Anteriormente, el mismo juez había concedido la certificación de clase. Véase Order Granting Motion for Class Certification by US District Judge Phyllis J. Hamilton dated June 30, 2023 Vladi Zakinov, et al., v. Ripple Labs, Inc, et al.

[14] Véase Dr. Jeff Armstrong "Cryptocurrency Investor Claims Could Quickly Stack Up", 9 de julio de 2024 en https://econone.com/es/resources/blogs/cryptocurrency-investor-claims-could-quickly-stack-up/.

[15] Op cit.

[16] Véase Securities and Exchange Commission contra Coinbase, Inc. y Coinbase Global, Inc. 23-cv-04738 y Aceves et al. contra Coinbase Global, Inc., Coinbase Asset Management y Brian Armstrong, 24:cv-02663-MMC.

[17] Véase https://www.coinbase.com/exchange

[18] Véase https://exchange.coinbase.com/trade/BTC-USD

[19] Basado en las estadísticas de volumen de operaciones de CoinMarketCap. Véase https://coinmarketcap.com/rankings/exchanges/

[20] Como se ha señalado anteriormente, Coinbase opera una plataforma de negociación de órdenes limitadas. Según los documentos de Coinbase presentados a la SEC, "los ingresos por transacciones se basan en las comisiones por transacción, que pueden ser una comisión fija o un porcentaje del valor de cada transacción. En el caso de nuestro producto de negociación para consumidores, también cobramos un diferencial para garantizar que podemos liquidar las compras y ventas al precio que cotizamos a los clientes." Véase el formulario 10-K de la Comisión de Bolsa y Valores presentado por Coinbase Global Inc para el año 2023 en https://investor.coinbase.com/financials/sec-filings.

Una de las principales controversias en torno al mercado de criptomonedas, que mueve miles de millones de dólares, gira en torno a la cuestión de si las criptomonedas (y otros activos digitales) son valores y si se les aplica la legislación sobre valores. La Comisión de Bolsa y Valores ("SEC") ha expresado la opinión de que muchas, si no la mayoría, de las criptomonedas son valores sujetos a las normas y reglamentos de la SEC.

También dependen de si las criptomonedas son valores los intereses de miles de inversores. ^Los inversores que han sufrido pérdidas podrían reclamar daños y perjuicios en virtud de las leyes de valores estadounidenses de 1933 y 1934^.1 Por ejemplo, los inversores podrían alegar que una criptomoneda es un valor no registrado vendido por un emisor en violación de las leyes federales de valores estadounidenses. Sus pérdidas podrían dar lugar a reclamaciones por daños y perjuicios equivalentes a una fracción significativa del mercado de criptomonedas de aproximadamente 2,5 billones de dólares.

Este blog presenta estimaciones de las posibles magnitudes de las reclamaciones por pérdidas en dólares de determinados criptoactivos que podrían considerarse valores en virtud de la legislación federal estadounidense sobre valores. Por ejemplo, las criptomonedas conocidas como tokens de gobernanza confieren derechos de control organizativo a los inversores de forma análoga a como lo hacen las acciones.

^El enfoque adoptado aquí se basa en la larga historia de las demandas colectivas de valores presentadas por los participantes del mercado en acciones que cotizan en bolsa^.2 Observando la capitalización bursátil de las acciones objeto de las demandas colectivas de los inversores en relación con las reclamaciones de pérdidas de los inversores en estos casos se puede utilizar para extrapolar las posibles reclamaciones de pérdidas a las criptomonedas (en caso de que se consideren valores).

Además, los modelos económicos conocidos como "Modelos de Negociación" que se han utilizado comúnmente en las demandas colectivas de inversores en acciones pueden aplicarse fácilmente a las demandas colectivas de inversores en criptomoneda que están en curso o que aún no se han presentado.

No está claro qué parte del mercado de criptomonedas se considerará valores. Teniendo en cuenta los billones de dólares en juego y las grandes fluctuaciones de precios de muchas criptomonedas que podrían provocar pérdidas a los inversores, vale la pena considerar la magnitud en dólares de las pérdidas que los inversores podrían reclamar en virtud de la legislación estadounidense sobre valores. Como se demuestra a continuación, la magnitud potencial en dólares podría superar fácilmente los cientos de millones o miles de millones de dólares, incluso para un criptoactivo individual^.3

Las criptomonedas corren el riesgo de ser objeto de demandas por infracción de valores

Quienes siguen el debate saben que la norma jurídica clave para designar un instrumento financiero como valor de un contrato de inversión es la sentencia del Tribunal Supremo de EE.UU. de 1946 conocida como la prueba Howey. La prueba Howey especifica tres condiciones que deben cumplirse para que un contrato de inversión sea un valor: (a) una inversión de dinero; (b) en una empresa común; y (c) con la expectativa de beneficios derivados de los esfuerzos de personas distintas del inversor.

Un tipo de criptodivisa que podría encajar en la definición Howey de valor es lo que se conoce como tokens de gobernanza. Estos tokens otorgan a sus titulares derechos formales para proponer y votar sobre las decisiones tomadas por la Organización Autónoma Descentralizada ("DAO") responsable de gestionar la criptodivisa. Los tokens también pueden proporcionar a los titulares una participación o derecho sobre los beneficios generados por la DAO.

Los tokens de gobernanza son un subconjunto de una clase mucho mayor de criptomonedas conocidas como "Altcoins". Las altcoins pueden definirse como fichas distintas de Bitcoin (BTC)^.4 La capitalización de mercado agregada de todas las altcoins se representa anualmente en el siguiente gráfico.

Extrapolación de las pruebas de reclamación de pérdidas en dólares de los casos de valores bursátiles a las criptodivisas

Un punto de vista para evaluar las posibles demandas por pérdidas de valores presentadas por grupos de inversores contra criptomonedas es examinar la historia de las demandas por daños y perjuicios en acciones colectivas de inversores de valores. Hay una rica historia de demandas colectivas de inversores que alegan violaciones de la ley de valores de Estados Unidos^.5

El siguiente gráfico muestra la capitalización bursátil total de los valores que han sido objeto de infracciones de la legislación federal estadounidense sobre valores. En un año normal, están en juego entre 1 y 3 billones de dólares de capitalización bursátil. Debido a su carácter público, también se dispone de estimaciones de las reclamaciones por daños y perjuicios en estos casos^.6

Las fuentes del gráfico anterior informan de dos cálculos de las reclamaciones de daños y perjuicios de los inversores^.7 Un enfoque estima las pérdidas agregadas en dólares de los inversores suponiendo que el precio de mercado experimentó una revelación correctiva sobre la presunta violación ("Corrección del precio de mercado"). En otras palabras, la revelación por sorpresa de la presunta violación de la legislación sobre valores por parte de una empresa provoca un descenso inmediato de su capitalización bursátil. Otro enfoque examina de forma más general el precio máximo de mercado de la empresa durante el período en que se produjo la presunta infracción y, a continuación, compara este precio máximo con el precio más bajo tras la presentación de una demanda colectiva formal de los inversores ("Precio de mercado pico a través de").

En relación con las capitalizaciones bursátiles mostradas en el gráfico anterior, el método de corrección del precio de mercado da lugar a una proporción de reclamaciones por pérdidas de los inversores en relación con la capitalización bursátil de aproximadamente 0,15 o el 15% de la capitalización bursátil, y el método del precio de mercado máximo a mínimo de aproximadamente el 56%^.8

Una clase de criptomonedas que podría considerarse un valor al que aplicar estos ratios son los tokens de gobernanza comentados anteriormente. Los 25 principales tokens de gobernanza por capitalización bursátil se obtuvieron de CoinMarketCap^.9 Estos 25 tokens representan colectivamente alrededor del 87% de la capitalización bursátil total de los tokens de gobernanza.

Antes de aplicar los anteriores ratios de reclamación de pérdidas/capitalización de mercado a los datos de criptodivisas, debe reconocerse que los tokens negociados fuera de EE.UU. pueden no ser elegibles para reclamaciones de pérdidas por daños en virtud de las leyes de valores estadounidenses. El análisis de los 25 tokens de gobernanza muestra que 17 de ellos cotizan en Coinbase o Kraken, dos de las principales bolsas de criptomonedas con sede en Estados Unidos. A falta de datos más precisos que los listados, se parte de la hipótesis de que los inversores estadounidenses podrían tener una demanda procesable sobre el 25% de la capitalización bursátil de una^{criptomoneda10.}

Aplicando los ratios de reclamación de pérdidas anteriores y el supuesto de una base procesable del 25% en EE.UU. a las 25 criptomonedas gobernantes, la tabla siguiente ofrece una gama de posibles reclamaciones por daños y perjuicios en dólares en conjunto, así como en promedio por criptomoneda y por^token11. Con las posibles reclamaciones agregadas de los inversores de entre 1.200 y 4.500 millones de dólares (mostradas en la fila superior), y las reclamaciones específicas por criptomoneda de entre 100 y 380 millones de dólares (mostradas en la segunda fila), los inversores podrían potencialmente reclamar daños y perjuicios considerables por un pequeño número de tokens.

Los tokens de gobernanza son un subconjunto de un universo mucho mayor de Altcoins, muchas de las cuales podrían considerarse valores. El gráfico anterior muestra que la capitalización agregada del mercado Altcoin oscilaba entre aproximadamente 0,2 y 1,4 billones de dólares. Los 25 tokens de gobernanza representaban una pequeña fracción de este total, menos del 5%. La magnitud de las posibles reclamaciones de pérdidas en caso de que estas u otras Altcoins se consideren valores sobre la base de la aplicación de las estimaciones de la relación de capitalización de mercado anteriores o la pérdida estimada por token (la fila inferior de la tabla) podría ser muchas veces mayor que las estimaciones agregadas que se muestran en la tabla.

Un enfoque de modelo económico comercial para las reclamaciones por pérdidas de los inversores en criptodivisas

El último tema de este blog son los modelos de negociación, que se han aplicado con éxito en demandas colectivas de inversores en valores bursátiles para estimar los daños agregados de todo el grupo. Los modelos de negociación, como el Modelo de Negociación Proporcional ("PTM", por sus siglas en inglés), se hicieron populares en parte porque podían estimar los daños y perjuicios de todo el grupo sin disponer de información completa sobre los registros de negociación de cada uno de los miembros del grupo.

Una forma sencilla de ajustar los rangos de reclamación de pérdidas de los inversores en la tabla anterior es ajustando la cantidad de tokens negociados durante el periodo sobre el que se calculan los daños. Si los volúmenes diarios son grandes en relación con los tokens en circulación (denominados "float" en la nomenclatura de modelos de ^{negociación12}), entonces es más probable (en igualdad de condiciones) que un mayor número de tokens hayan sido adquiridos por los miembros del grupo de inversores durante el periodo de la demanda colectiva^.13

En otras palabras, puede haber muchos tokens en circulación, pero es el subconjunto de los que fueron comprados por los inversores durante el periodo de la demanda colectiva el que puede optar a una reclamación por pérdidas. Esto depende del número de tokens negociados cada día (en relación con el float), que puede obtenerse de fuentes públicas como CoinMarketCap.

A partir de la información más reciente sobre los volúmenes de negociación diaria y el float de cada uno de los 25 tokens de gobernanza mencionados, se ejecutó un modelo de negociación PTM para cada token suponiendo un periodo de clase hipotético de 100 días^.14

En la mayoría de las 25 fichas de gobernanza, entre el 80% y el 90% del capital flotante se negoció en 100 días. En otros casos, el porcentaje fue inferior. Aplicando estos porcentajes como recortes a las estimaciones de reclamaciones de pérdidas de la tabla anterior, la magnitud de las reclamaciones de pérdidas potenciales disminuye ligeramente, como se muestra en la última columna "Modelo de negociación ajustado". Esto es de esperar, dado que los 25 principales tokens de gobernanza son los más populares (por capitalización bursátil) y los más negociados, lo que es coherente con una mayor proporción de su capital flotante que entra en el grupo de tokens sobre los que los inversores podrían reclamar daños por pérdidas.

Como se ha mostrado en este blog, la aplicación de estas estimaciones de la magnitud de las reclamaciones por pérdidas a otros tokens o monedas criptográficas -en caso de que se consideren valores- puede realizarse utilizando información fácilmente disponible sobre las miles de criptodivisas que existen actualmente en el mercado.

Las cuestiones de qué define un valor y si los criptoactivos son o no un valor se han abordado principalmente a través del sistema judicial^.15 Como se ha señalado anteriormente, la prueba Howey ha sido la norma jurídica rectora al responder a la pregunta de si el dinero fue pagado por un inversor para obtener rendimientos de una organización gestionada por otros.

Resulta interesante y no es casualidad que, a medida que los criptoactivos han dado lugar a nuevas formas de organizar la actividad económica, las cuestiones centrales para los economistas, incluidos los premios Nobel, que son paralelas a las preguntas del test Howey adquieren mayor importancia y relevancia. Estos temas incluyen la economía de cómo se definen las empresas y los modelos económicos de las relaciones principal-agente entre los inversores y "otros" que gestionan la empresa. Esta investigación económica y financiera publicada puede ser de gran ayuda para evaluar la situación de los criptoactivos y medir su impacto en los mercados y los inversores.

Econ One cuenta con expertos en finanzas, economía, estadística y análisis de datos a gran escala. Los doctores, economistas expertos y personal técnico cualificado de Econ One aportan un enfoque multidisciplinar basado en la experiencia en mercados financieros y de valores y en las últimas investigaciones económicas y financieras sobre criptomonedas.

Referencias

[1] Muchas criptomonedas que los inversores estadounidenses alegan que son valores no registrados ya se enfrentan a demandas colectivas, como el token XRP de Ripple, el token LDO de Lido y el token COMPound de Compound. La cuestión de si las bolsas de criptomonedas en las que cotizan las criptomonedas tampoco están registradas ante la SEC podría agravar las posibles pérdidas de los inversores, ya que una sola bolsa de criptomonedas cotiza numerosas criptomonedas. Por ejemplo, la bolsa Coinbase, con sede en EE.UU., es actualmente objeto de una acción de aplicación de la SEC y de una demanda colectiva de inversores. Véase "Coinbase Operates As Unregistered Broker, Investors Say", Law360, 6 de mayo de 2024.

[2] Los datos sobre demandas colectivas de accionistas pueden consultarse en el sitio web de Stanford Law School Securities Class Action Clearinghouse: https: //securities.stanford.edu/.

[3] La capitalización de mercado de Bitcoin (BTC) en el momento de escribir este blog era de aproximadamente 1,3 billones de dólares. Véase CoinMarketCap.com.

[4] Basado en las capitalizaciones de mercado comunicadas por CoinMarketCap a finales de mayo de 2024.

[5] Las alegaciones en algunas de estas demandas colectivas incluyen reclamaciones por valores no registrados (cubiertas por la Sección 12(a) de la Ley de Valores de 1934), aunque de forma más general afirman fraude o tergiversaciones que inflaron el precio de las acciones de la empresa emisora (cubiertas por la Sección 10, Regla 10b-5 de la Ley de Intercambio de Valores de 1934).

[6] La información que figura a continuación procede de la Stanford Securities Class Action Clearinghouse, que publica informes con estimaciones de daños y perjuicios elaborados por Cornerstone Research. Véase https://securities.stanford.edu/

[7] Los dos enfoques son el "Disclosure Dollar Losses" y el "Maximum Dollar Losses". Véase https://securities.stanford.edu/

[8] Estos porcentajes son los valores medios de las estimaciones de pérdidas anuales de 2011 a 2023 comunicadas por las fuentes citadas en la nota 7.

[9] CoinMarketCap ofrece un menú para elegir criptomonedas que son tokens de gobernanza emitidos por DAO. Los 25 principales tokens por capitalización de mercado a mediados de mayo de 2024 incluyen tokens como Uniswap (UNI), Lido DAO (LDO) y Compound (COMP), donde se han alegado violaciones de la ley de valores de Estados Unidos. El autor tiene a su disposición una lista completa de los tokens de gobernanza utilizados para este análisis.

[10] La empresa de análisis de criptomonedas "IntoTheBlock" realiza un seguimiento de la actividad global de la cadena de bloques de criptomonedas individuales y divide las transacciones en "Este y Oeste" en función del momento de la transacción. Para los 25 tokens de gobernanza analizados, la división es aproximadamente 50/50 Este-Oeste. La definición de "Oeste" abarca Europa y las horas de mercado de Estados Unidos. Para simplificar, se supone la mitad de EE.UU., es decir, el 25% de la actividad mundial. Véase https://app.intotheblock.com/

[11] Las medias están ponderadas por las capitalizaciones de mercado de los tokens de gobernanza. Las capitalizaciones de mercado de las 25 criptomonedas oscilaban entre 330 millones y 6.000 millones de dólares. Los precios de los tokens oscilaron entre 2 céntimos y más de 2.700 dólares. Para reducir el efecto de los precios extremos, se indica la pérdida media por ficha.

[12] Para estos cálculos se asumió que la flotación de cada criptomoneda era fija. Se obtuvo a partir de los datos de CoinMarketCap dividiendo la capitalización de mercado actual en dólares por el precio de mercado vigente de la criptomoneda.

[13] Los tokens en circulación o "float" generalmente excluyen las tenencias de inversores que no pueden reclamar daños y perjuicios, como los directivos de empresas y otras personas con información privilegiada. Este ajuste no se recoge aquí, aunque dicha información está disponible públicamente a través de los proveedores de seguimiento de criptomonedas.

[14] El PTM aplica métodos estadísticos de probabilidad a datos reales sobre la flotación de criptomonedas y los volúmenes de negociación para estimar el número de tokens negociados durante el periodo de la demanda colectiva. Para obtener más información sobre el PTM y otros modelos de negociación utilizados en demandas colectivas de valores, póngase en contacto con el autor.

[15] Para obtener una lista de todas las criptomonedas que están siendo litigadas por acciones federales, estatales, civiles y locales, consulte el "Cryptocurrency Litigation Tracker" compilado por Morrison Cohen en https://www.morrisoncohen.com/insights/the-morrison-cohen-cryptocurrency-litigation-tracker.

Servicios

Industrias

Recursos

Índice

What is Economic Consulting?

Understanding Antitrust Cases

The Role of an Economic Expert in an Antitrust Case

Defining a Relevant Market

Assessing Market Power, Competitive Effects, and Market Dynamics

Economic Modeling and Data Analytics

Calculating Damages/Lost Profits

Offer Advice and Insight on Case Strategy

Expert Testimony

How to Choose the Optimal Antitrust Expert for Your Case

Resumen

What is the primary role of economic experts in antitrust cases?

How do economic experts define a relevant market?

Why is economic modeling important in antitrust cases?

How do economic experts calculate damages in antitrust cases?

What should you look for when choosing an antitrust expert?

Financiación descentralizada

Regulatory and Legal Landscape

Índice

La teoría económica y el análisis del mercado son cruciales

La cuantificación de los daños económicos es cada vez más compleja

Valoración y testimonios defendibles y basados en datos

Amplia aplicabilidad en todos los casos y sectores

Índice

Comprender la manipulación del mercado de criptomonedas

Tipos de manipulación del mercado de criptomonedas

Bombeo y descarga

Suplantación de identidad

Wash Trading

Información privilegiada

Algunos casos recientes de manipulación del mercado de criptomonedas

Impacto de la manipulación del mercado de criptomonedas en los inversores

El papel de un experto en criptomoneda para evaluar el impacto

Resumen

Preguntas frecuentes

¿Qué es la manipulación del mercado de criptomonedas?

¿Cuáles son algunos ejemplos de casos notables de manipulación del mercado de criptomonedas?

¿Por qué es difícil detectar la manipulación del mercado?

Índice

Calidad y coherencia de los datos

El impacto de la mala calidad y la incoherencia de los datos

Predicciones inexactas

Modelos sesgados

Ineficiencias operativas

Riesgos de cumplimiento de la normativa

Estrategias de mitigación

1. Perfilado y limpieza de datos:

2. Normalización de datos:

3. Integración y sincronización de datos:

4. Gobernanza de datos:

5. Controles de validación automatizados:

Última palabra

Índice

¿Qué es la validación de datos y por qué es importante para Al?

Cómo detectar problemas de validación de datos en los modelos de Al

Problemas comunes de validación de datos de Al

Calidad y coherencia de los datos

Sesgos y representatividad

Desequilibrios de datos

Cambio de dominio y deriva conceptual

Ataques adversarios

Integridad y coherencia de las normas

Pertinencia de la base de conocimientos

Incertidumbre y excepciones

Adaptación dinámica a normas o condiciones cambiantes

Tácticas para resolver problemas de validación de datos Al

Métodos para garantizar unI Los modelos tienen datos coherentes y precisos

Resumen

Índice

El problema: La devaluación de las recompensas perjudica a los consumidores

Una tendencia de rescate masivo antes de la devaluación

Las aerolíneas pueden mitigar el impacto

Una solución basada en datos para las aerolíneas

Conclusiones: Proteger a los consumidores y mejorar la estrategia de las aerolíneas

Índice

Introducción