CREDIT SCORING

 

Módulo -1: Computación Cuántica y algoritmos (Opcional)

 ​

• Futuro de la computación cuántica en la banca

• ¿Es necesario saber mecánica cuántica ?

• Aplicaciones y hardware de QIS

• Operaciones cuánticas

• Representación de Qubit

• Medición

• Superposición

• Multiplicación de matrices

• Operaciones de Qubits

• Múltiples Circuitos cuánticos

• Entanglement

• Algoritmo de Deutsch

• Transformada cuántica de Fourier y algoritmos de búsqueda

• Algoritmos híbridos cuánticos-clásicos

• Quantum annealing, simulación y optimización de algoritmos

• Algoritmos cuánticos de machine learning

• Ejercicio 1: Operaciones cuánticas 

​

CREDIT SCORING

​

Módulo 0: Análisis Exploratorio 

​

• Exploratory Data Analysis EDA

• Fuentes de datos

• Revisión del dato

• Definición del Target

• Horizonte temporal de la variable objetivo

• Muestreo

  • Muestreo Aleatorio

  • Muestreo Estratificado

  • Muestreo Rebalanceado

• Análisis Exploratorio:

  • Histogramas

  • Q-Q Plot

  • Análisis de momentos

  • Box Plot

• Tratamiento de los valores Missing

  • Modelo Multivariante de Imputación

• Técnicas avanzadas de detección de Outliers y tratamiento

  • Técnica univariante: winsorized y trimming

  • Técnica Multivariante: Distancia de Mahalanobis

​

Módulo 1: Feature engineering

​

• Feature engineering

• Estandarización de los Datos

• Categorización de variables

  • Equal Interval Binning

  • Equal Frecuency Binning

  • Prueba Ji-Cuadrada

• Binary Coding

• WOE Coding

  • Definición WOE

  • Análisis Univariante con variable Target

  • Selección de variables

  • Tratamiento de Variables continuas

  • Tratamiento de Variables Categóricas

  • Gini

  • Information Value

  • Optimización de variables continuas

  • Optimización de variables categóricas

• ​Ejercicio 1: Análisis Exploratorio EDA

• Ejercicio 2: Detección y tratamiento de Outliers Avanzado

• Ejercicio 3: Modelo multivariante de imputación de valores missing

• Ejercicio 4: Análisis univariante en percentiles en R

• Ejercicio 5: Análisis univariante óptimo variable continua en Excel

• Ejercicio 6: Estimación del KS, Gini e IV de cada variable en Excel

​

AI CREDIT SCORING

​

Aprendizaje No Supervisado

​

Módulo 2: Modelos no supervisados

​

• Clusters Jerárquicos

• K-Means

• Algoritmo estándar

• Distancia Euclidiana

• Análisis de Componentes principales (PCA)

• Visualización avanzada de PCA

• Eigenvectores e Eigenvalores

• Ejercicio 7: Segmentación de la data con K-Means R

 

Aprendizaje Supervisado

​

Módulo 3: Regresión Logística y Regresión LASSO

 

• Modelos Econométricos 

  • Regresión Logit

  • Regresión probit

  • Regresión Piecewise

  • Modelos de supervivencia

• Modelos de Machine Learning

  • Regresión Lasso

  • Regresión Ridge

• Riesgo de Modelo en la regresión logística

• Ejercicio 8: Credit Scoring Regresión Logística en SAS y R

• Ejercicio 9: Credit Scoring Regresión Logística Lasso en R

• Ejercicio 10: Riesgo de Modelo usando Intervalos de confianza de coeficientes de regresión logística 

​

Módulo 4: Árboles, KNN y Naive Bayes

 

• Árboles de Decisión

  • Modelización

  • Ventajas e inconvenientes

  • Procesos de Recursión y Particionamiento

  • Recursive partitioning tree

  • Pruning Decision tree

  • Conditional inference tree

  • Visualización de árboles

  • Medición de la predicción de árboles de decisión

  • Modelo CHAID

  • Modelo C5.0

• K-Nearest Neighbors KNN

  • Modelización

  • Ventajas e inconvenientes

  • Distancia Euclidiana

  • Distancia Manhattan

  • Selección del valor K

• Modelo Probabilístico: Naive  Bayes

  • Bayes Ingenuo

  • Teorema de Bayes

  • Estimador de Laplace

  • Clasificación con Naive Bayes

  • Ventajas e inconvenientes

• Ejercicio 11: Credit Scoring KNN en R

​

Módulo 5: Support Vector Machine SVM

​

• SVM con variables dummy

• SVM

• Hiperplano óptimo

• Support Vectors

• Añadir costes

• Ventajas e Inconvenientes

• Visualiización del SVM

• Tuning SVM

• Truco de Kernel

• Ejercicio 12: Credit Scoring Support Vector Machine

​

Módulo 6: Ensemble Learning

​

• Modelos de conjuntos

• Bagging

• Bagging trees

• Random Forest

• Boosting

• Adaboost

• Gradient Boosting Trees

• Ventajas e inconvenientes

• Ejercicio 14: Credit Scoring Boosting en R 

• Ejercicio 15: Credit Scoring Bagging en R

• Ejercicio 16: Credit Scoring Random Forest, R y Python

• Ejercicio17: Credit Scoring Gradient Boosting Trees

​

DEEP LEARNING 

​​

Módulo 7: Deep Learning Redes Neuronales Feed Forward

​

• Single Layer Perceptron 

• Multiple Layer Perceptron

• Arquitecturas de redes neuronales

• Función de activación

  • Sigmoidal

  • Rectified linear unit (Relu)

  • Elu

  • Selu

  • Hipertangente hiperbólica

  • Softmax

  • Otras

• Back-propagation

  • Derivadas direccionales

  • Gradientes

  • Jacobianos

  • Regla de la cadena

  • Optimización y mínimos locales y globales

• Ejercicio 18: Credit Scoring usando Deep Learning Feed Forward

​

Módulo 8: Deep Learning Redes Neuronales Convolucionales CNN

​

• CNN para imagenes

• Diseño y arquitecturas

• Operación de convolución

• Gradiente Descendiente

• Filter

• Strider

• Padding

• Subsampling

• Pooling

• Fully connected

• Credit Scoring usando CNN

• Estudios recientes de CNN aplicados al riesgo crédito y scoring

• Ejercicio 19: Credit Scoring usando Deep Learning CNN

​

Módulo 9: Deep Learning Redes Neuronales Recurrentes RNN

​

• Natural Language Processing

• Natural Language Processing (NLP) text classification

• Long Term Short Term Memory (LSTM)

• Hopfield

• Bidirectional associative memory

• Gradiente Descendiente

• Metodos de optimización globales

• RNN  y LSTM para credit scoring

• Modelos unidireccionales y bidireccionales

• Deep Bidirectional Transformers for Language Understanding ​

• Ejercicio20: Credit Scoring usando Deep Learning LSTM

​

Módulo 10: Generative Adversarial Networks (GANs)

 

• Generative Adversarial Networks (GANs)

• Componentes fundamentales de la GANs

• Arquitecturas de la GANs

• Bidirectional GAN

• Training generative models

• Credit Scoring usando GANs

• Ejercicio 21: Credit Scoring usando GANs

​

Módulo 11: Calibración del Machine Learning y Deep Learning

​

• Hiperparametrización

• Grid Search

• Random Search

• Optimización Bayesiana

• Train-test split ratio

• Tasa de aprendizaje en algoritmos de optimización (e.g. gradient descent)

• Selección de algoritmo de optimización (e.g., gradient descent, stochastic gradient descent, or Adam optimizer)

• Selección de la función de activación en una red neuronal (nn) layer (e.g. Sigmoid, ReLU, Tanh)

• Selección de la función de pérdida, coste y personalizada

• Número de capas ocultas en una NN

• Number of activation units in each layer

• The drop-out rate in nn (dropout probability)

• Number of iterations (epochs) in training a nn

• Number of clusters in a clustering task

• Kernel or filter size in convolutional layers

• Pooling size

• Batch size

• Interpretación del modelo Shap

• Ejercicio 22: Optimización Credit Scoring Xboosting, Random forest y SVM

• Ejercicio 23: Credit Scoring Deep Learning optimizado e interpretación de modelo

​

​Módulo 12: Construcción Tradicional del Scorecard 

​

• Asignación de puntuación

• Clasificación del Scorecard

  • Scorecard WOE

  • Scorecard Binario

  • Scorecard Continuo

• Reescalamiento del Scorecard

  • Análisis del Factor y Offset

  • Scorecard WOE

  • Scorecard Binario

• Técnicas de Reject Inference

  • Cut-Off

  • Parcelling

  • Fuzzy Augmentation

  • Machine Learning

• Técnicas Avanzadas de punto de corte 

  • Optimización del punto de corte usando curvas ROC

• Ejercicio 24: Construcción de Tarjeta de Puntuación en Excel, R  y Python

• Ejercicio 25: Estimación óptima punto de corte en Excel y riesgo de modelo por selección punto de corte

​

CREDIT SCORING CUÁNTICO

​

Módulo 14: Machine Learning Cuántico

​

• ¿Qué es el machine learning cuántico?