top of page
Quantum.jpg

Riesgo Crédito, Inteligencia Artificial y Algoritmos Cuánticos 

 

 

 

OBJETIVO DEL CURSO

Curso avanzado e intensivo de modelización de riesgo crédito usando la inteligencia artificial y la computación cuántica, se exponen entre mucho otros temas: herramientas de credit scoring, modelización de parámetros PD, LGD y EAD del enfoque IRB avanzado de Basilea III, metodologías de riesgo crédito para modelos de deterioro IFRS 9, modelos de stress testing de riesgo crédito y capital económico. Se explica el impacto del COVID-19 en los modelos de riesgo de crédito. 

 

Se emplea el machine y deep learning para construir potentes herramientas de credit scoring, behavior scoring así como para estimar y calibrar parámetros de riesgos y stress testing.

 

Se expone un módulo, sobre el tratamiento avanzado de los datos, explicando entre otros temas: muestreo, análisis exploratorio, detección de outliers, técnicas avanzadas de segmentació, feature engeeniring y algoritmos de clasificación. 

El curso explica las recientes reformas finales de Basilea III respecto al nuevo enfoque estándar e IRB Avanzado, al IFRS 9 relacionado con el riesgo de crédito y a las nuevas directivas sobre estimación de PD y LGD y tratamiento de exposiciones en default de EBA.

 

Se muestran modelos predictivos de machine learning tales como: árboles de decisión, redes neuronales, redes bayesianas, Support Vector Machine, modelo de conjuntos, etc. Y en cuanto a redes neuronales se exponen arquitecturas tipo feed fordward, recurrentes RNN, convolucionadas CNN y Generativas adversarias. Además, se han incluido modelos de Machine Learning Probabilístico tales como procesos gaussianos y redes neuronales bayesianas. 

 

Se enseñan metodologías avanzadas para estimar y calibrar los parámetros de riesgo: PD, LGD y EAD. Se expone la estimación de la Lifetime PD utilizada en los modelos de deterioro del IFRS 9. 

 

Se muestran metodologías y ejercicios prácticos de Stress testing en riesgo de crédito empleando técnicas avanzadas de machine learning y deep learning. Y un práctico ejercicio con estados financieros para conocer el impacto del stress testing en el capital y los beneficios.

Disponemos de un ejercicio global de estimación de la pérdida esperada a 12 meses y ECL lifetime usando metodologías avanzadas de riesgo crédito, incluyendo modelos PD, LGD, EAD, prepago y curvas de tipo de interés.

El curso muestra metodologías de capital económico en carteras de tarjeta de crédito, hipotecario, Empresas PYMES y Corporate. Así como metodologías de capital allocation. 

El Machine Learning cuántico es la integración de algoritmos cuánticos dentro de programas de Machine Learning. Los algoritmos de machine learning se utilizan para calcular inmensas cantidades de datos, el aprendizaje automático cuántico utiliza qubits y operaciones cuánticas o sistemas cuánticos especializados para mejorar la velocidad de cálculo y el almacenamiento de datos realizado por algoritmos en un programa. Por ejemplo, algunas técnicas matemáticas y numéricas de la física cuántica son aplicables al deep learning clásico. Una red neuronal cuántica tiene capacidades computacionales para disminuir la cantidad de pasos, los qubits utilizados y el tiempo de cómputo. 

El objetivo del curso es mostrar el uso de la computación cuántica y redes tensoriales para la mejora en el cálculo de algoritmos de machine learning.

Mostramos como los algoritmos cuánticos aceleran el cálculo de la simulación de Monte Carlo, la herramienta más potente para desarrollar modelos de riesgo crédito, representando una ventaja importante para el cálculo del capital económico, lifetime PD y creación de escenarios de stress testing. 

El objetivo del curso es exponer modelos clásicos frente a modelos cuánticos, explicar los alcances, beneficios y oportunidades.

¿QUIÉNES DEBEN ASISTIR?

 

El Curso esta dirigido a profesionistas de entidades financieras de riesgo crédito y riesgos financieros. Para la mejor comprensión de los temas es recomendable que el participante tenga conocimientos de estadística y riesgo de crédito.

 

 

 

fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg
Time.png

Horarios:

  • Santiago de Chile, Sao Paulo, Buenos Aires, Santo Domingo: L a V: 18-21h

  • España, Portugal: L a V 19-22 h

 

  • Ciudad de México, Quito, Bogotá, San JoséL a V 19-22 h

Price.png

Precio: 6.900 €

 

 

Level.png

Nivel: Avanzado

 

Duration.png

Duración: 40 h

 

Material.png

     Material: 

  • Presentaciones PDF

  • Ejercicios en Excel, R, Python y Jupyterlab 

Credit Risk Quantum

Credit Risk Quantum

fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg

AGENDA
 Riesgo Crédito, Inteligencia Artificial y Algoritmos Cuánticos 

 

 

Anchor 10

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?

  •  Qubit y Quantum States

  •  Algoritmos de Machine automático cuántico

  • Circuitos cuánticos

  • Support Vector Machine

  • Support Vector Machine cuánticos

  • Clasificador cuántico variacional

  • Entrenamiento de modelos de machine learning cuántico

  • Redes Neuronales Cuánticas

  • Quantum GAN

  • Máquinas Quantum Boltzmann

  • Machine learning cuántico en Riesgo Crédito

  • Machine learning cuántico en credit scoring

  • Software cuántico 

  • Ejercicio 26:  Redes Neuronales cuánticas para desarrollar modelo de credit scoring 

Módulo 15: Redes Tensoriales para Machine Learning

  • ¿Que son las redes tensoriales ?

  • Entrelazamiento Cuántico

  • Redes tensoriales en machine learning

  • Redes tensoriales en modelos no supervisados

  • Redes tensoriales en SVM

  • Redes tensoriales en NN

  • Tensorización de NN

  • Aplicación de redes tensoriales en modelos de credit scoring

  • Ejercicio 27: Construcción de credit scoring usando redes tensoriales

PROBABILISTIC MACHINE LEARNING

Módulo 16: Probabilistic Machine Learning

​​

  • Introducción al machine learning probabilistico 

  • Modelos gaussianos 

  • Estadística Bayesiana 

  • Regresión logística bayesiana

  • Familia de Kernels

  • Procesos gaussianos

    • Procesos gaussianos para regresión

  • Hidden Markov Model

  • Markov chain Monte Carlo (MCMC)

    • Metropolis Hastings algorithm​

  • Modelo Probabilístico de Machine Learning

  • Boosting bayesiano

  • Redes Neuronales bayesianas 

  • Ejercicio 28: Proceso gaussiano para regresión 

  • Ejercicio 29: Modelo de credit scoring usando Redes neuronales bayesianas

IFRS 9 : EXPECTED CREDIT LOSSES

Módulo 17: Calibración de la Probabilidad de Default PD 

  • Estimación de la PD

    • Modelos econométricos

    • Modelos de Machine Learning

    • Requerimiento de datos

    • Risk drivers y criterio del credit scoring

    • Filosofía del rating

    • Tratamiento de los Pools

  • Calibración de la PD

    • ​Definición de Default

    • Long run average for PD

    • Defaults técnicos y filtros técnicos del default

    • Requerimiento de datos

    • Cálculo de tasa de default a un año

    • Cálculo de Tasa de default a largo plazo

  • Riesgo de Modelo de la PD

    • Margen de Conservadurismo

  • Técnicas de calibración de PD

    • Estimación Anchor Point

    • Mapping de Score a PD

    • ​Ajuste al Ciclo Económico de la PD

    • Filosofía del Rating

      • Modelos PD Trough The Cycle (PD TTC)

      • Modelos PD Point in Time PD (PD PIT )

  • Calibración de PD de modelos usando Machine y Deep Learning

  • Margen de Cautela

  • Ejercicio 30: Modelos de calibración de PD

  • Ejercicio 31: Calibración de PD en modelos de Machine Learning

  • Ejercicio 32: Modelización del Margen de Cautela PD

AI IFRS 9: EXPECTED CREDIT LOSSES

Módulo 18: Modelos de Machine Learning para estimar

Lifetime PD bajo IFRS 9

  • Modelos de credit scoring para estimar Lifetime PD

  • PD Lifetime en IFRS 9

  • Impacto del COVID-19 en los modelos

  • Impacto del Riesgo Climático

  • Impacto de la inflación 

  • Impacto de la subida de los precios

  • Modelos de Regresión

    • Regresión Logística

    • Regresión Multinomial Logística

    • Regresión Probit Ordinal

  • Modelos de VAR y VEC

  • Modelo de Machine Learning​

    • SVM: Definición de función Kernel

    • Red Neuronal: definición de hiperparámetros y función de activación

    • Deep Learning 

    • LSTM

  • Calibración de PD de modelos usando Machine y Deep Learning

  • Ejercicio 33: PD Lifetime usando regresión logística

  • Ejercicio 34: PD Lifetime usando regresión multinomial en R

  • Ejercicio 35: PD Lifetime usando SVM en Python

  • Ejercicio 36: PD Lifetime usando Deep Learning en Python

  • Ejercicio 37: PD Lifetime usando Deep Learning LSTM en Python

 

AI STRESS TESTING 

Módulo 24: Modernización de la dinámica macroeconómica usando Deep Learning

​​

  • Modelos de macroeconomía 

  • ​Modelo de crecimiento neoclásico

  • Ecuaciones diferenciales parciales

  • DSGE Modelos de equilibrio general dinámico estocástico

  • Arquitecturas de deep learning

  • Reinforcement Learning

  • Análisis de Escenarios avanzados

  • Ejercicio 44: Modelo macroeconómico de ecuación de Bellman usando redes neuronales 

Módulo 25: Modelos de Deep Learning para proyecciones macroeconómicas

​​

  • ​Estrategias de Trading con modelos de forecasting

  • Modelos Multivariantes

    • Modelos de Vectores Autoregresivos VAR

    • Modelos ARCH

    • Modelos GARCH

    • Modelos GARCH Multivariante Copulas

    • Modelo de Vector de Corrección de Error VEC

    • Método de Johansen

  • Modelos de Machine Learning

    • Supported Vector Machine 

    • Red Neuronal

      • Forecasting rendimientos series temporales de mercado

      • Algortimos NN y SVM para forecasting de rendimientos

      • Forecasting volatilidad NN frente a Garch

    • Base de desarrollo y validación 

  • Deep Learning

    • Redes Neuronales Recurrentes RNN

    • Red Neuroal de Elman

    • Red Neuronal de Jordan

    • Estructura básica de RNN

    • Long short term memory LSTM

    • Ventanas temporales

    • Muestra de desarrollo y validación

    • Regresión

    • Modelización de la secuencia

  • Análisis de series temporales con Prophet de facebook​

  • Predicción de la propagación del Covid-19

  • Ejercicio 45: Forecasting volatilidad GARCH en Python

  • Ejercicio 46: Forecasting volatilidad Multivariante GARCH en R

  • Ejercicio 47: Forecasting series financieras con Machine Learning usando python

  • Ejercicio 48: Forecasting series financieras e indices usando Redes Neuronales Recurrentes en Python

  • Ejercicio 49: Forecasting de la Pandemia usando RNN LSTM en Python

  • Ejercicio 50: Modelo de charge-off con VAR y VEC

  • Ejercicio 51: Modelo de charge-off con RNN LSTM

MODELOS DE STRESS TESTING 

Módulo 26: Stress Testing PD y LGD 

  • Horizonte temporal

  • Enfoque Multiperíodo

  • Data requerida

  • Impacto en P&L, RWA y Capital

  • Escenarios Macroeconómicos de Estrés en consumo

    • Experto

    • Estadístico

    • Regulatorio

  • Stress Testing de la PD:

    • Credit Porfolio View 

    • Mutiyear Approach

    • Reverse Stress Testing

    • Rescaling

    • Regresión Cox

  • Stress Testing de la Matriz de Transición

    • Enfoque Credit Portfolio View 

    • Índice de ciclo de crédito

    • Extensión Multifactorial

  • Stress Testing de la  LGD:

    • LGD Downturn: Enfoque Mixtura de distribuciones

    • Modelización PD/LGD Multiyear Approach

    • Stress test de LGD para carteras hipotecarias

  • Stress Testing de:

    • Defaults

    • Charge-Off

    • Net Charge Off 

    • Roll Rates​

    • Matrices de transición de Rating/Scoring

    • Matrices de transición de buckets de morosidad

    • Tasa de Recuperación Y LGD

    • Pérdidas por activos deteriorados nuevos

    • Pérdidas por activos deteriorados antiguos

  • Ejercicio 52: Stress Testing PD en Excel y SAS modelo multifactorial Credit Portfolio Views

  • Ejercicio 53: Stress Testing PD en SAS enfoque Multiyear Approach

  • Ejercicio 54: Stress test de PD y Vectores Autoregresivos

  • Ejercicio 55: Stress Test LGD ajustada al cambio climático

  • Ejercicio 56: Stress Test  de la LGD modelo econométrico en Excel 

  • Ejercicio 57: Stress Test conjunto de la PD&LGD

Módulo 27: Stress Testing en carteras corporate

  • Horizonte temporal

  • Data requerida