Modelos de lenguaje DL para la caracterización de consejeros independientes de empresas cotizadas en bolsa

Abstract

La figura del consejero independiente es una figura fundamental dentro de la gobernanza de las empresas cotizadas en bolsa. La propia CNMV reconoce a esta figura como algo fundamental en grandes momentos de crisis o disrupciones. Por lo cual, un análisis de esta figura es vital para conocer información de las necesidades de estas empresas. Durante este trabajo se utilizan datos no estructurados extraídos de la web de la CNMV sobre las biografías de los diferentes consejeros independientes a lo largo de unos años. Una parte de estas biografías han sido etiquetados por un experto en economía como es el Dr.Fernando Tejerina Gaite. Donde asigna un valor continuo entre 0 y 1 para los 6 diferentes perfiles principales y 8 subperfiles. Se plantea la pregunta de clasificar estas biografías de forma automática sin necesidad de un experto humano. Para ello se plantean dos modelos de deep learning con arquitecturas LSTM y Transformes para abordar esta clasificación. Posteriormente se tratará de mejorar estos modelos mediante técnicas de data augmentation. Con este trabajo se pretende obtener y comparar como diferentes arquitecturas y técnicas de aumento de datos procesan las biografías de los consejeros independientes con el objetivo de tener una visión general de los diferentes perfiles y subperfiles que buscan estas empresas.

The figure of the independent director represents a fundamental aspect of the governance of listed companies. The CNMV itself acknowledges the significance of this figure in times of crisis or disruption. Consequently, an analysis of this figure is essential to gain insight into the needs of these companies. This paper employs unstructured data extracted from the CNMV website on the biographies of the different independent directors over a number of years. A portion of these biographies have been labelled by an expert in economics, such as Dr. Fernando Tejerina Gaite, who assigns a continuous value between 0 and 1 for the six different main profiles and eight sub-profiles. The question then arises of classifying these biographies automatically without the need for a human expert. In order to address this classification, two models of deep learning with LSTM and Transforms architectures are proposed. Subsequently, these models will be improved by means of data augmentation techniques. The objective of this study is to ascertain and contrast the manner in which distinct architectures and data augmentation techniques process biographies of independent directors, thereby gaining insight into the diverse profiles and sub-profiles that these companies are seeking to identify.