Cводка событий в XBRL сообществе (от 12.12.2019)

ef2e0394-0066-4c9a-a1ef-2ee21c6b006c.jpg

Комиссия по ценным бумагам и биржам США предлагает использовать структурированные данные для расчета комиссионных сборов

24 октября 2019 года Комиссия по ценным бумагам и биржам США (Комиссия SEC) опубликовала новое предложение, направленное на то, чтобы вся информация для расчета комиссионных сборов была представлена в структурированном формате с использованием Inline XBRL.

Предложение требует внесения изменений в формы, графики и отчеты. Таблица, содержащая информацию о комиссионных сборах, и пояснительные примечания к таблице должны быть представлены в формате Inline XBRL.

Текущие методы, с помощью которых компании и сотрудники Комиссии SEC проверяют информацию о комиссионных сборах в системе EDGAR, являются ручными и трудоемкими. Вычисление размеров комиссионных сборов может быть сложным процессом, что создает трудности для корректировки, требует повторного ввода информации и может привести к ошибкам.

Введение структурированных данных в расчеты комиссионных сборов должно сделать процесс проверки комиссионных сборов более эффективным, быстрым и точным. Необходимость вводить дублирующую информацию также будет устранена, что снизит вероятность появления несоответствий.

Поправки повысят эффективность процесса оплаты комиссионных сборов и распространят структурированные данные на новые элементы финансовой отчетности.

Комментарии приветствуются и должны быть опубликованы в Федеральном реестре в течение 60 дней.

Подробнее здесь.


1.jpg

Внедрение LEI поможет банкам сэкономить миллиарды

Исследование показывает, что более широкое использование кода идентификации юридического лица (LEI) банками может привести к ежегодной экономии примерно 2-4 миллиарда долларов США в мировом банковском секторе.

Коды LEI уже давно доказывают свою полезность для идентификации в среде регулирования. Расширение использования кода LEI за пределами нормативной отчетности может привести к значительной экономии средств и времени.

Исследование, проведенное международной консалтинговой компанией McKinsey по заказу Фонда GLEIF, позволяет предположить, что внедрение кодов LEI может сэкономить глобальной банковской индустрии 2-4 миллиарда долларов США в год только за счет идентификации клиентов. Учитывая, что общие затраты отрасли на идентификацию клиентов равны 40 миллиардам долларов в год, это означает повышение производительности на 5-10% в год за счет использования кодов LEI.

Потенциал массового внедрения кодов LEI для упрощения доступа к данным, уменьшения дублирования данных, ручного поиска и более простого подключения внутренних и внешних источников данных означает значительное повышение производительности. Другие аспекты, такие как актуализация информации о клиентах, сопоставление документов, соблюдение требований и оценка рисков, также будут улучшены, и в будущем появится большой потенциал для дальнейшей экономии средств.

В мае 2019 года в результате проведения анализа в части внедрения кодов LEI Совет по финансовой стабильности признал, что преимущества использования данных кодов являются значительными, однако для достижения большего потенциала требуется гораздо более глубокий уровень внедрения. Экономия затрат, выявленная в ходе этого исследования, может и должна стимулировать более широкое добровольное распространение кодов LEI.

Более подробная информация, включая презентацию и инфографику, представлена на сайте Фонда GLEIF.

 

3.jpg

XBRL и аналитика

Председатель Совета по стандартам финансовой отчетности США (Совет FASB) Рассел Голден выступил с речью о полезности и будущем потенциале данных в формате XBRL в рамках форума инвесторов, посвященного вопросам анализа данных.

Рассел Голден начал работу в Совете FASB в начале запуска программы Комиссии по ценным бумагам и биржам США (SEC), целью которой было добровольное представление отчетности в формате XBRL. Он видел эволюцию данных XBRL с момента запуска программы до настоящего момента и широкого использования данных в формате XBRL сегодня. За время работы в Совете FASB Рассел Голден наблюдал, как улучшаются данные в формате XBRL, становятся более сфокусированными и более полезными - теперь это неотъемлемая часть финансовой отчетности и стандартизации. И это только начало использования потенциала XBRL в части предоставления инвесторам более полной, последовательной и своевременной информации.

Сегодня большие данные везде. Чтобы оставаться актуальной, финансовая отчетность должна быть частью новой цифровой реальности.

Структурированные данные позволяют компаниям рассказывать свои собственные истории, не связанные агрегатами. Это означает, что данные финансовой отчетности можно проследить непосредственно до источника, что повышает доверие к ним. Компании, которые используют XBRL в своем бизнесе, видят результаты: улучшение внутреннего контроля, коммуникации, координации и процесса оценки.

Данные XBRL также помогают при принятии инвестиционных решений, так как инвесторы могут тратить меньше времени на сбор данных и уделять больше времени анализу ценных бумаг.

Рассел Голден также отметил, что данные в формате XBRL помогли Совету FASB эффективно исследовать и понять, как компании применяют новые стандарты, и определить, где необходимо оказывать дополнительную поддержку.

С текстом выступления можно ознакомиться здесь.


2.jpg

Рост применения машинного обучения в области финансовых услуг

Банк Англии опубликовал отчет, в котором говорится о росте применения машинного обучения (machine learning) в области финансовых услуг. Отчет основан на исследовании, которое провел Банк Англии совместно с Управлением по финансовому регулированию и надзору (FCA) в 2019 году среди 106 компаний.

Экономика Великобритании все больше опирается на большие данные, причем финансовые услуги особенно подвержены изменениям, обусловленным этими данными. Машинное обучение – это класс методов искусственного интеллекта, которые направлены на разработку моделей прогнозирования и выявления закономерностей на основе данных без вмешательства человека. Оно имеет широкий спектр возможностей для применения в области финансовых услуг.

В последние годы увеличивающиеся объемы данных (включая структурированные, машиночитаемые данные) ускорили темпы разработки машинного обучения. Финансовый сектор применяет машинное обучение и надеется, что оно поможет анализировать большие массивы данных и выявлять закономерности. Однако несмотря на то, что две трети респондентов опроса уже используют машинное обучение в той или иной форме, в среднем оно применяется только в нескольких областях бизнеса - чаще всего в управлении рисками и в области соблюдения нормативных требований, а также в приложениях для работы с клиентами.

Компании не считают, что действующее регулирование ограничивает использование машинного обучения. Скорее, внутренние проблемы, такие как нехватка данных и устаревшие ИТ-системы, были определены в качестве препятствий для его дальнейшего распространения. Более широкое использование структурированных данных поможет преодолеть барьер нехватки данных и позволит развивать технологии машинного обучения.

Риски могут увеличиться, если управление и регулирование не будут успевать за развитием технологий. Остаются вопросы об использовании данных, сложности методов и автоматизации процессов, систем и возможности отследить или объяснить принятие решения.

Отчет размещен здесь.


4.jpg

Совет по урегулированию несостоятельности опубликовал таксономию на 2020 год

Европейский Совет по урегулированию несостоятельности (Совет SRB) предпринимает шаги по защите налогоплательщиков от банкротства банков. Совет SRB опубликовал таксономию для облегчения полного перехода к отчетности в формате XBRL в 2020 году.

Совет SRB был сформирован в ответ на финансовый кризис 2008 года. В случае вероятного банкротства банка, Совет SRB может использовать акционерный капитал банка, а также другие обязательства, такие как определенные типы гибридных инструментов и облигаций, для покрытия убытков вкладчиков банка. В конечном счете, в сферу компетенции Совета SRB входит механизм единого урегулирования (SRM) - основа для упорядоченного прекращения деятельности неплатежеспособных банков Европейского союза. В дополнение к упомянутым выше средствам Совет SRB может предоставлять денежные средства, полученные от других банков, которые входят в Единый европейский фонд урегулирования несостоятельности.

В рамках своих полномочий Совет SRB собирает огромные объемы данных от банков для оценки их платежеспособности, проектов планов по урегулированию несостоятельности и, при необходимости, инициирования процедуры урегулирования. С 2020 года эта информация будет собираться исключительно в формате XBRL, что позволит повысить качество и сопоставимость данных.

В рамках подготовки к переходу на формат XBRL в 2020 году Совет SRB опубликовал таксономию, подготовленную на базе технических стандартов Европейского управления банковского надзора (ЕВА) версии 2.9. Внесены незначительные изменения в таксономию EBA и правила валидации, которые считаются необходимыми для повышения эффективности сбора данных в формате XBRL в 2020 году.

Более подробная информация о таксономии Совета SRB и других документах, относящихся к отчетности для Совета SRB, размещены здесь.


5.jpg

Европейское управление банковского надзора опубликовало таксономию XBRL v2.9.1

5 ноября 2019 года Европейское управление банковского надзора (ЕБА) опубликовало обновленную версию датацентричной модели данных версии 2.9.1, соответствующую таксономию XBRL и обновленный список бизнес-правил.

Обновления вступят в силу в разные даты в зависимости от нормативных требований.

Обновления и сопроводительные документы размещены здесь.



 

Новости

Все новости

События

Регистрация

This registration is for Members of XBRL International to gain access to the members only content.

     
     
*–обязательное поле