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.