Hechos Relevantes (HRs) publicados por entidades reguladas por CNV (Comisión Nacional de Valores) en las 5 secciones del portal: EMPRESAS, FONDOS, AGENTES, FIDEICOMISOS, AGENTES_PIC.
Pueden invalidar un análisis ingenuo. Documentadas como parte del control de calidad.
El XML del PublicView trae fecha_filing_xml como fecha
calendaria sin hora (ej. 2026-05-07) — no sirve para ranking
cronológico fino dentro del día. La fuente de verdad de
freshness es fecha_publicacion_art, derivada del timestamp
del landing HTML (incluye hora ART). Para "última hora" o
"últimas 24h" usar siempre fecha_publicacion_art.
La sección AGENTES_PIC es una vista re-categorizada del
portal: comparte publicview_guid con HRs ya emitidos en
EMPRESAS o AGENTES. No es una fuente independiente. Para
conteos únicos por HR, hacer DISTINCT por publicview_guid o
filtrar seccion != 'AGENTES_PIC' si solo se quieren las
fuentes originales.
Los HRs de fideicomisos financieros no se categorizan con los
códigos CNV oficiales 231/233 sino con un catálogo propio
ligado al programa/serie. En el schema unificado se preserva
tipo_label (texto libre) pero tipo_codigo queda . Si
un análisis filtra por se pierden todos
los HRs de FIDEICOMISOS — preferir (multi-label,
semántico) o filtros por .
NULLtipo_codigo IN (...)tagsseccionAlgunos emisores escanean documentos a PDF en lugar de exportar
desde Word/Excel. pdfplumber no hace OCR, así que body_text
queda NULL para esos casos. Para esos HRs, las únicas señales
son descripcion (del XML) + tipo_label + categorización
derivada de descripción. Roadmap v0.2 evalúa OCR via Tesseract
o servicio cloud cuando justifique el costo.
El portal CNV cambia ocasionalmente el wording de los títulos
de las 5 secciones (ej. "Empresas listadas" vs "Empresas
con oferta pública"). El parser identifica cada sección por la
estructura del tab pane (orden, atributo data-section), no
por substring exact del título. Si CNV reordena las pestañas o
agrega una 6ta, hay que actualizar el mapeo.
El score 0-100 combina urgencia × magnitud × tipo de evento con pesos fijos. Es útil para triage y digest automático, pero NO es un veredicto financiero. Un HR con score 30 puede ser crítico para un analista que sigue al emisor — no descartar a ciegas. Roadmap v0.2 incluye LLM cross-validated scoring fact-grounded.
El landing CNV expone solo los últimos ~80-100 HRs por sección — no hay archivo histórico paginable masivamente. Almanac no tiene forma de recuperar HRs anteriores al primer scrape salvo crawling de IR pages de top emisores (out of scope v0.1). Para análisis pre-mayo 2026, el dataset NO es útil. Para HRs forward-looking sí: cada scrape suma 1-3 nuevos por sección.
Si el body_text + descripcion no matchean ninguna de las ~150
reglas, el HR queda solo con tags=[cnv_tipo_X] (el código
CNV oficial). Para casos edge (HRs novedosos, lenguaje
ambiguo), una búsqueda full-text sobre body_text_tsv
complementa el filtro por tags. Roadmap v0.2 usa LLM con
grounding para cubrir esos casos.
Un HR puede tener múltiples tags simultáneamente (ej.
[dividendos, asamblea_ordinaria, balance_anual]). En Postgres
filtrar con tags @> ARRAY['dividendos'] (contención). En
DuckDB/Parquet usar 'dividendos' = ANY(tags) o
array_contains(tags, 'dividendos'). Para listar HRs por tag,
UNNEST(tags) AS tag antes de agrupar.
El scraper escribe a R2 silver/ un snapshot por ejecución (5/día
weekdays). Un mismo publicview_guid puede aparecer en N
snapshots consecutivos hasta caer del landing. Para histórico
real, query la tabla snapshots ordenada por created_at y
tomar el último por GUID, o hacer DISTINCT ON (publicview_guid)
ordenando por created_at DESC.
El descubrimiento empírico de que GetPublicValetKey + POST
form-encoded acepta requests anónimos no está documentado por
CNV. Si el regulador cierra ese flow (forzando ADFS), el
pipeline pierde body_text para HRs nuevos. El scraper degrada
grácil: emite filas con body_text=NULL y categorización solo
desde descripción. Monitorear ratio de NULL en body_text post
cada scrape como early warning.