top of page
lineas-conexion-negocio-fondo-tecnologia-curva-ondulada-abstracta-diseno-puntos-ai-generat

AI and Quantum Computing in

Credit Risk

 

 

 

OBJETIVO DEL CURSO

Curso de modelización del riesgo crédito usando inteligencia artificial y 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 exponen entre otros temas:  la computación cuántica, circuitos cuánticos, importantes algoritmos cuánticos, mecánica cuántica, error y corrección cuántica y machine learning cuántico. 

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 segmentación, 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 está dirigido a profesionistas de entidades financieras interesados en el desarrollar potentes modelos de credit scoring y calibrar la salida de los mismos, así como a responsables de modelos en los departamentos de riesgo crédito y ciencia de datos.

 

Para la mejor comprensión de los temas es necesario que el participante tenga conocimientos de estadística y matemáticas. 

 

 

 

Fragmento del Curso 

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: 7.900 €

 

Level.png

Nivel: Avanzado

 

Duration.png

Duración: 46 h

 

Material.png

     Material: 

  • Presentaciones PDF

  • Ejercicios en Excel, R, Python, Jupyterlab y Tensorflow

Download.png
Diapositiva4.png
fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg

AGENDA
 Quantum Computing for Credit Risk 

 

 

MACHINE LEARNING

Módulo 1: Machine Learning

 

  • Definición del Machine Learning 

  • Metodología del Machine Learning

    • Almacenamiento de la Data

    • Abstracción

    • Generalización

    • Evaluación

  • Aprendizaje Supervisado

  • Aprendizaje No Supervisado

  • Aprendizaje por Refuerzo

  • Deep Learning

  • Tipología de algoritmos de Machine Learning

  • Pasos para implementar un algoritmo

    • Recogida de información

    • Análisis Exploratorio

    • Entrenamiento del modelo

    • Evaluación del Modelo

    • Mejoras al modelo

    • Machine Learning en riesgo crédito de consumo

  • Machine Learning en modelos de credit scoring

  • Machine Learning cuántico 

Módulo 2: EDA Análisis Exploratorio 

  • Tipología de datos 

  • Datos transaccionales

  • Unstructured data embebida en documentos de texto

  • Social Media Data

  • 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

  • ​Ejercicio 1: EDA Análisis Exploratorio 

Módulo 3: Análisis Univariante

  • 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 2: Detección y tratamiento de Outliers Avanzado

  • Ejercicio 3: Muestreo estratificado y Aleatorio en R

  • Ejercicio 4: Modelo multivariante de impuación

  • Ejercicio 5: Análisis univariante en percentiles en R

  • Ejercicio 6: Análisis univariante óptimo variable continua en Excel

  • Ejercicio 7: Estimación del KS, Gini e IV de cada variable en Excel

  • Ejercicio 8: Análisis Word Cloud de variables en R

Aprendizaje No Supervisado

Módulo 4: Modelos no supervisados

  • Clusters Jerárquicos

  • K-Means

  • Algoritmo estándar

  • Distancia Euclidiana

  • Análisis de Componentes principales (PCA)

  • Visualización avanzada de PCA

  • Eigenvectores e Eigenvalores
  • Ejercicio 9: Segmentación de la data con K-Means R

 

Aprendizaje Supervisado

Módulo 5: 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 10: Credit Scoring Regresión Logística Lasso en R

  • Ejercicio 11: Credit Scoring Regresión Ridge en R

Módulo 6: 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 12: Credit Scoring KNN y PCA

Módulo 7: Support Vector Machine SVM

  • Support Vector Classification

  • Support Vector Regression

  • Hiperplano óptimo

  • Support Vectors

  • Añadir costes

  • Ventajas e Inconvenientes

  • Visualiización del SVM

  • Tuning SVM

  • Truco de Kernel

  • Ejercicio 14: Credit Scoring Support Vector Machine en R 

Módulo 8: Ensemble Learning

  • Modelos de conjuntos de clasificación y regresión 

  • Bagging

  • Bagging trees

  • Random Forest

  • Boosting

  • Adaboost

  • Gradient Boosting Trees

  • Xgboost

  • Ventajas e inconvenientes

  • Ejercicio 15: Credit Scoring Boosting en R 

  • Ejercicio 16: Credit Scoring Bagging en R
  • Ejercicio 17: Credit Scoring Random Forest, R y Python

  • Ejercicio 18: Credit Scoring Gradient Boosting Trees

DEEP LEARNING 

Módulo 9: Introducción al Deep Learning 

  • Definición y concepto del deep learning

  • ¿Porque ahora el uso del deep learning?

  • Arquitecturas de redes neuronales

  • Feedforward network

  • R deep Learning

  • Python deep Learning

  • Redes neuronales convolucionales

  • Uso del deep learning en la clasificación de imágenes

  • Función de costes

  • Optimización con Gradiente descendiente

  • Uso del deep learning 

    • ¿Cuantas capas ocultas?

    • ¿Cuantas neuronas, 100, 1000?

    • ¿Cuantas épocas y tamñao del batch size?

    • ¿Cual es la mejor función de activación?

  • Software Deep Learning: Caffe, H20, Keras, Microsoft, Matlab, etc.

  • Software de implementación: Nvidia y Cuda

  • Harware, CPU, GPU y entornos cloud

  • Ventajas e inconvenientes del deep learning

 

Módulo 10: 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 19: Credit Scoring usando Deep Learning Feed Forward

Módulo 11: 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 20: Credit Scoring usando Deep Learning CNN

Módulo 12: 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 

  • Ejercicio 21: Credit Scoring usando Deep Learning LSTM

Módulo 14: 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 22: Credit Scoring usando GANs

Módulo 15: 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

  • Ejercicio 23: Optimización Credit Scoring Xboosting, Random forest y SVM

  • Ejercicio 24: Credit Scoring Deep Learning optimizado

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 25: Proceso gaussiano para regresión 

  • Ejercicio 26: Modelo de credit scoring usando Redes neuronales bayesianas

 

VALIDACIÓN DE MODELOS

Módulo 17: Validación de modelos tradicionales y de Machine Learning

  • Validación de modelos 

  • Validación de modelos de machine learning

  • Validación regulatoria de modelos de machine Learning en Europa

  • Validación Out of Sample y Out of time

  • Verificación p-values en regresiones

  • R cuadrado, MSE, MAD

  • Diagnóstico de los residuos

  • Test de Bondad de Ajuste​

  • Multicolinealidad

  • Matriz de confusión caso binario

  • Matriz de confusión caso multinomial

  • Principales test de poder discriminante​

  • Intervalos de confianza

  • Jackknifing con test de poder discriminante

  • Bootstrapping con test de poder discriminante

  • Estadístico Kappa

  • K-Fold Cross Validation

  • Ejercicio 27: Modelo de credit scoring usando regresión logística

  • Ejercicio 28: Estimación Gini, Valor de la Información, Brier Score, Curva Lift, CAP, ROC, Divergencia en Excel

  • Ejercicio 29: Jackkinifng en SAS

  • Ejercicio 30: Bootstrapping en R

  • Ejercicio 31: K-Fold Cross Validation en R

Módulo 18: Pruebas de estabilidad

  • Índice de estabilidad en modelo

  • Índice de estabilidad en factores

  • Test Xi-cuadrada

  • Test K-S

  • Ejercicio 32: Pruebas de estabilidad de modelos y de factores

AUTOMACHINE LEARNING y XAI

Módulo 19: Automatización de la Modelización del Credit Scoring y PD

 

  • ¿ Que es la automatización de la modelización?

  • Que se automatiza

  • Automatización de los procesos de machine learning

  • Optimizadores y evaluadores

  • Componentes del Workflow de la automatización de la modelización

    • Resumen

    • Procesado

    • Feature engineering

    • Generación del modelo

    • Evaluación

  • Optimización de hiperparámetros

  • Reconstrucción o recalibración del credit scoring

  • Modelización del Credit Scoring

    • Principales hitos

    • Evaluación y optimización

    • Posibles Issues

  • Modelización de la calibración de la PD 

    • Evaluación y optimización

    • Backtesting

    • Poder Discriminante

    • Pruebas de Estabilidad

  • Evaluación global de la automatización de la modelización

  • Implementación de la automatización de la modelización en banca

  • Requerimientos tecnológicos

  • Herramientas disponibles

  • Beneficios y posible estimación del ROI

  • Principales Issues

  • Riesgo de Modelo

  • Algoritmos genéticos

  • Ejercicio 33: Automatización de la modelización, optimización y validación de  hiperparametría del credit scoring

  • Ejercicio 34: Automatización de la modelización y validación de la PD

Inteligencia Artificial Explicable

Módulo 20: Explainable Artificial Intelligence XAI

 

  • Problema de interpretabilidad

  • Riesgo de modelo

  • Regulación del Reglamento General de Protección de Datos GDPR

  • EBA discussion paper on machine learning for IRB models

    • 1. El desafío de interpretar los resultados,

    • 2. El desafío de asegurar que las funciones gerenciales entiendan adecuadamente los modelos, y 

    • 3. El desafío de justificar los resultados a los supervisores

  • ​Modelos de caja negra contra algoritmos transparentes e interpretables

  • Herramientas de interpretablidad

  • Shap, Shapley Additive explanations

    • Global Explanations

    • Dependence Plot

    • Decision Plot

    • Local Explanations Waterfall Plot

  • Lime, explicaciones agnósticas del modelo interpretable local

  • Explainer Dashboard

  • Otras herramientas avanzadas 

  • Ejercicio 35: Interpretabilidad XAI del credit scoring

COMPUTACIÓN CUÁNTICA 

 

Módulo 21: Computación Cuántica y algoritmos 

 ​

Objetivo: La computación cuántica aplica los fenómenos mecánicos cuánticos. A pequeña escala, la materia física exhibe propiedades tanto de partículas como de ondas, y la computación cuántica aprovecha este comportamiento utilizando hardware especializado. La unidad básica de información en la computación cuántica es el qubit, similar al bit en la electrónica digital tradicional. A diferencia de un bit clásico, un qubit puede existir en una superposición de sus dos estados "básicos", lo que significa que se encuentra en ambos estados simultáneamente.

  • Futuro de la computación cuántica en los seguros

  • ¿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 36: Multiejercicios de operaciones cuánticas 

Módulo 22: Introducción a la mecánica cuántica

  • Teoría de la mecánica cuántica

  • La función de onda

  • La ecuación de Schrödinger

  • La interpretación estadística

  • Probabilidad

  • Normalización

  • Impulso

  • El principio de incertidumbre

  • Herramientas Matemáticas de la Mecánica Cuántica

  • El espacio de Hilbert y las funciones de onda

  • El espacio vectorial lineal

  • El espacio de Hilbert

  • Dimensión y bases de un Espacio Vectorial

  • Funciones cuadradas integrables: funciones de onda

  • Notación de Dirac

  • Operadores

  • Definiciones generales

  • Adjunto hermitiano

  • Operadores de proyección

  • Álgebra del conmutador

  • Relación de incertidumbre entre dos operadores

  • Funciones de los Operadores

  • Operadores Inversos y Unitarios

  • Eigenvalues and Eigenvectors de un operador

  • Transformaciones unitarias infinitesimales y finitas

  • Matrices y Mecánica Ondulatoria

  • Mecánica de matrices

  • Mecánica Ondulatoria

  • Ejercicio 37: Multiejercicios de mecánica cuántica 

Módulo 23: Introducción a la corrección de errores cuánticos 

  • Corrección de errores 

  • De la corrección del error clásico reversible a la corrección del error cuántico simple 

  • El criterio de corrección de errores cuánticos 

  • La distancia de un código de corrección de errores cuánticos 

  • Contenido del criterio de corrección de errores cuánticos y el criterio cuántico Hamming bound

  • Digitalización del ruido cuántico 

  • Códigos lineales clásicos 

  • Códigos de Calderbank, Shor y Steane 

  • Códigos de corrección de errores cuánticos del estabilizador 

  • Ejercicio 38: Noise Model, Repetition Code y circuito cuántico 

Módulo 24: Quantum Computing II

 

  • Programación cuántica​

  • Proveedores de soluciones

    • IBM Quantum Qiskit

    • Amazon Braket 

    • PennyLane  
    • Cirq 

    • Quantum Development Kit (QDK) 

    • Quantum clouds 

    • Microsoft Quantum 

    • Qiskit

  • Principales Algoritmos

    • Algoritmo de Grover

    • Algoritmo de Deutsch-Jozsa

    • Algoritmo de Fourier Transform

    • Algoritmo de Shor

  • Quantum annealers 

  • D-Wave implementation 

  • Implementación de Qiskit

  • Ejercicio 39:Circuitos cuánticos, Simulación de algoritmo Grover, Fourier Transform y Shor

Módulo 25: Quantum Machine Learning

  • Quantum Machine Learning

  • Modelos híbridos 

  • Quantum Principal Component Analysis

  • Q means vs K Means

  • Variational Quantum Classifiers 

  • Clasificadores cuánticos variacionales

  • Quantum Neural Network

    • Quantum Convolutional Neural Network

    • Quantum Long Short Memory LSTM

  • Quantum Support Vector Machine (QSVC)

  • Ejercicio 40: Quantum Support Vector Machine

Módulo 26: 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 41: Neural Network usando redes tensoriales

 

CREDIT SCORING

Módulo 27: Credit Scoring Cuántico

  • Asignación de puntuación

  • Clasificación del Scorecard

    • Scorecard WOE

    • Scorecard Binario

    • Scorecard Continuo

  • Reescalamiento del Scorecard

    • Análisis del Factor y Offset

    • Scorecard WOE

    • Scorecard Binario

  • ¿Qué es el machine learning cuántico?

  •  Qubit y Quantum States

  •  Algoritmos de Machine automático cuántico

  • Circuitos cuánticos

  • K means cuántico 

  • Support Vector Machine

  • Support Vector Machine cuánticos

  • Clasificador cuántico variacional

  • Entrenamiento de modelos de machine learning cuántic

  • Redes Neuronales Cuánticas

  • Quantum GAN

  • Máquinas Quantum Boltzmann

  • Machine learning cuántico en Riesgo Crédito

  • Machine learning cuántico en credit scoring

  • Software cuántico 

  • Ejercicio 42: K-means cuántico 

  • Ejercicio 43: Support Vector Machine cuántico para desarrollar modelo de credit scoring 

  • Ejercicio 44: Redes Neuronales feed fordward cuánticas para desarrollar modelo de credit scoring 

  • Ejercicio 45: Redes Neuronales convolucionadas  cuánticas para desarrollar modelo de credit scoring 

PD Modelos cuánticos y de Machine Learning

 

Módulo 28: Modelos cuánticos y de machine Learning de PD  

 

  • Estimación de la PD

  • Tratamiento de los datos de Panel

  • Modelos de Machine Learning la PD

    • PD Regresión COX de supervivencia

      • Cox XGBoost,

      • Survival Tree

      • Random Survival Forest  

    • PD Regresión Logística Bayesiana

    • PD Regresión Lasso

    • PD SVM

    • PD Redes Neuronales

    • PD Redes Neuronales Cuánticas

  • Calibración de la PD

  • Calibración de modelos econométricos

  • Estimación Anchor Point

  • Calibración de PD por Añadas o cosechas

  • Análisis Vintage 

    • PD Marginal 

    • PD Forward 

    • PD Acumulada

  • Ejercicio 46: Calibración de la PD con regresión COX XGBOOST

  • Ejercicio 47: Calibración de la PD con con SVM Cuántico 

  • Ejercicio 48: Calibración de PD con Redes Neuronales en R

  • Ejercicio 49: Calibración de PD con regresión logística bayesiana en Python

  • Ejercicio 50: Calibración de la PD regresión LASSO

  • Ejercicio 51: Calibración de la PD con redes neuronales cuánticos  en Python 

Módulo 29: Calibración de la PD 

 

  • Concepto de ajuste a la tendencia central

  • Enfoque Bayesiano

  • Calibración de PD en paises desarrollados

  • Calibración de PD en paises emergentes

  • Calibración Scaled PD

  • Calibración Scaled Likelihood ratio

  • Suavizamiento de las curvas de PD

  • Quasi moment matching

  • Métodos de aproximación 

    • Scaled beta distribution  

    • Asymmetric Laplace distribution

  • Función Cauchit  

  • Platt scaling  

  • Broken curve model

  • Isotonic regression

  • Gaussian Process Regression

  • Ejercicio 52: Calibración de PD usando Platt scaling y regresión isotónica para modelos de machine learning tradicionales y cuánticos 

  • Ejercicio 53: Calibración de la PD usando Gaussian Process Regression

 

Módulo 30: PD Bayesiana y Proceso Gaussiano

 

  • Enfoque bayesiano y determinista

  • Criterio experto

  • Distribuciones a priori

  • Teorema de Bayes

  • Distribuciones a posteriori

  • Estimación de PD Bayesiana

  • Enfoque Markov Chain–Monte Carlo MCMC

  • Intervalos de credibilidad

  • PD Bayesiana en la práctica

  • Calibración con enfoque bayesiano

  • Process Gaussian regresión 

  • Ejercicio 39: PD Bayesiana de modelo logístico en Python  

  • Ejercicio 54: PD usando MCMC en R

  • Ejercicio 55: PD usando Process Gaussian Regresión

Módulo 31: Forecasting de la PD IFRS 9

 

  • Requerimientos IFRS 9

    • Probability Weighted Outcome

    • Forward Looking

  • Modelización del Lifetime PD 

  • Modelización PD Forecasting

  • PD Point in Time Forecasting

  • PD TTC Forecasting

  • Modelos de Markov

  • Modelos de Forecasting de la PD PIT

    • ARIMA

    • VAR

    • VARMAX

    • ASRF

    • LSTM Tradicional

    • LSTM Bayesiano

    • LSTM Cuántico 

  • Ejercicio 56: Forecasting de la PD usando VARMAX en R

  • Ejercicio 57: Forecasting de la PD usando LSTM cuántico

Módulo 32: Lifetime PD 

  • PD Lifetime cartera consumo

  • PD Lifetime cartera hipotecas

  • PD Lifetime cartera Tarjeta de crédito

  • PD Lifetime cartera Pymes

  • Modelo Vintage

    • Modelo Exogenous Maturity Vintage EMV

    • Análisis decomposition

    • Aplicación de la Pandemia COVID-19

    • Ventajas e inconvenientes

  • Modelo ASRF de Basilea 

    • Modelo ASRF matricial

    • Aprovechamiento de IRB en IFRS 9

    • Ventajas e inconvenientes

  • Modelos de Regresión

    • Regresión Multinomial Logística

    • Regresión Probit Ordinal

  • Modelos de Supervivencia​

    • Kaplan-Meier

    • Regresión Cox

    • Ventajas e inconvenientes

  • Modelos de Markov

    • ​​Modelo Multi State Markov 

    • Ventajas e inconvenientes

  • Modelo de Machine Learning​

    • Suport Vector Machine

  • Modelos de Deep Learning

    • Arquitectura de la red neuronal 

  • Modelos de Extrapolación de PD Lifetime

  • Calibración de Lifetime PD

  • Ejercicio 58: PD Lifetime usando regresión multinomial en R

  • Ejercicio 59: PD Lifetime usando modelo Multi State Markov

  • Ejercicio 60: PD Lifetime usando modelo ASRF matricial

  • Ejercicio 61: PD Lifetime usando SVM  Cuántico

  • Ejercicio 62: PD Lifetime usando SVM tradicional en Python

  • Ejercicio 63: PD Lifetime usando Deep Learning tradicional 

  • Ejercicio 64: PD Lifetime usando Deep Learning cuántico 

Módulo 33: LGD para IFRS 9

 

  • Comparativa de LGD IRB frente a IFRS 9

  • Impacto en el COVID-19

  • Requerimientos IFRS 9

    • Probability Weighted

    • Forward Looking

  • Ajustes en la LGD IRB

    • Selección de Tipos de Interés

    • Imputación de Costes

    • Floors

    • Tratamiento del colateral en el tiempo

    • Duración del COVID-19

  • Modelización LGD PIT

  • Modelización del Colateral

  • LGD IFRS 9 para cartera de empresas 

  • LGD IFRS 9 para cartera de hipotecas 

  • LGD IFRS 9 para carteras corporate

  • LGD IFRS 9 usando Regresión LASSO​

  • Modelos de Machine Learning

    • Support Vector Machine

    • Random Forest

    • Xgboost

    • Neural Networks

  • Ejercicio 65: Estimación y ajustes para LGD IFRS 9 usando regresión Random Forest 

  • Ejercicio 66:  Regression Beta y Redes Neuronales

  • Ejercicio 67: Estimación LGD IFRS 9 usando regresión Xgboost en Python

  • Ejercicio 68: Estimación de  LGD usando SVM tradicional

  • Ejercicio 69: Estimación  LGD usando SVM cuántico 

  • Ejercicio 70: Estimación  LGD usando redes neuronales tradicionales

  • Ejercicio 71: Estimación  LGD usando redes neuronales bayesianas

EAD IFRS 9

 

Módulo 34: Modelización avanzada EAD y CCF para IRB

 

  • Impacto del COVID-19 en las líneas de crédito

  • Directivas para la estimación del CCF

  • Directivas para la estimación del CCF Downturn 

  • Horizonte temporal

  • Transformaciones para modelizar el CCF

  • Enfoques para estimar el CCF

    • Enfoque Fixed Horizon

    • Enfoque Cohort

    • Enfoque Variable time horizon

  • Modelos Econométricos

    • Regresión Beta
      Inflated beta regression
      Fractional Response Regression

    • Mixed Effect Model

  • Modelos de Machine Learning

    • Redes Neuronales
      SVM

  • Modelo de intensidad para medir el retiro de líneas de crédito

  • Ejercicio 72: Modelo de regresión de redes neuronales del CCF 

  • Ejercicio 73: Modelo de Support Vector Regresión del CCF en Python

  • Ejercicio 74: Redes Neuronales y regresión beta CCF en R

  • Ejercicio 75: SVM cuántico del CCF y SVM Clásico de regresión

 

Prepago

 

Módulo 35: Opciones Contractuales

 

  • Prepago y otras opciones

  • Requerimientos IFRS 9

  • Probability Weighted

  • Forward Looking

  • Modelización del prepago IFRS 9

    • Regresión Cox

    • Regresión Logística

  • Estimación tasa de Supervivencia​

  • Modelo de probabilidad conjunta con PD Lifetime

  • Ejercicio 76: Modelo de prepago de regresión random forest en R y Excel

Módulo 36: EAD Lifetime para Líneas de crédito

 

  • Impacto de la pandemia en la utilización de las líneas de crédito

  • Medición del Lifetime en tarjetas de crédito

  • Lifetime EAD

  • Requerimientos IFRS 9

  • Probability Weighted

  • Forward Looking

  • Ajustes en la EAD

  • Interest Accrual

  • Estimación CCF PIT

  • Estimación de CCF Lifetime

  • Modelización de la EAD lifetime

  • Modelo del uso de línea de crédito con variables macroeconómicas

  • Ajuste del abandono en tarjetas de crédito

  • Modelo de EAD Lifetime para pool de líneas de crédito

    • Modelo Vintage

    • Enfoque Chain Ladder

  • Ejercicio 77: Modelo de redes neuronales para línea de crédito

  • Ejercicio 78: Modelo EAD Lifetime para línea de crédito 

 

 

 

VALIDACIÓN BACKTESTING
 
Módulo 37: Backtesting PD

 

  • Validación de la PD

  • Backtesting PD

  • Validación de Calibración de PD

  • Hosmer Lameshow test

  • Normal test

  • Binomial Test

  • Spiegelhalter test

  • Redelmeier Test

  • Traffic Light Approach

  • Análisis Semafórico y Cuadro de mando de la PD

  • PD Stability Test

  • Forecasting PD vs PD Real en el tiempo

  • Validación con simulación de Monte Carlo

  • Ejercicio 79: Backtesting de PD en Excel


Módulo 38: Backtesting LGD

 

  • Backtesting LGD

  • Ratio de precisión

  • Indicador absoluto de precisión

  • Intervalos de Confianza

  • Análisis de transición

  • Análisis de RR usando Triángulos

  • Backtesting Avanzado de LGD con enfoque vintage

  • Backtesting para modelos econométricos:

  • Calibración test

  • T test

  • Wilcoxon signed rank test

  • Precision Test

  • F Test

  • Ansari-Bradley Test

  • Ejercicio 80: Comparativo del performance de los modelos usando test de Calibración y precisión.


Módulo 39: Backtesting EAD

 

  • Performance EAD

  • R cuadrada

  • Coeficiente de Pearson

  • Spearman correlation

  • Validación usando ROC, KS y Gini

  • Ejercicio 81: Comparativo del performance de los modelos de EAD

 

AI STRESS TESTING 

Módulo 40: 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 82: Modelo macroeconómico de ecuación de Bellman usando redes neuronales 

Módulo 41: 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

  • Deep Learning cuántico 

  • Análisis de series temporales con Prophet de facebook​

  • Predicción de la propagación del Covid-19

  • Ejercicio 83: Modelo de charge-off con VAR y VEC

  • Ejercicio 84: Forecasting series financieras e indices LSTM Bayesiano en Python

  • Ejercicio 85: Forecasting de la Pandemia usando RNN LSTM Multivariante en Python

  • Ejercicio 86: Forecasting usando redes neuronales cuánticas 

Módulo 42: 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:

    • Net Charge Off 

    • Matrices de transición de Rating/Scoring

    • Tasa de Recuperación Y LGD

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

  • Ejercicio 87: Stress Testing PD usando LSTM Bayesiano

  • Ejercicio 88: Stress test de PD usando Variational Quantum Regression

  • Ejercicio 89: Stress Test LGD usando Modelo MARS

  • Ejercicio 90: Stress Test  de la LGD usando regresión LASSO

Módulo 43: Stress Testing en carteras corporate

 

  • Horizonte temporal

  • Data requerida

  • Principales variables Macroeconómicas

  • Impacto en P&L, RWA y Capital

  • Modelo ASRF

  • Modelo de Creditmetrics

  • Uso de Matrices de transición

  • Uso del indice de ciclo de crédito

  • Forecasting del default

  • Metodología de Stress Test para portfolios corporate

  • Impacto en el RWA y Capital

  • Ejercicio 91: Stress Testing PD y matrices de transición de cartera corporativa usando matriz de transición y modelo ASRF en SAS, R y Excel

Módulo 44: Stress Testing Cuántico 

 

  • Economía cuántica 

  • Simulación de Monte Carlo clasica

  • Monte Carlo Cuántico

  • Codificar problema de Monte Carlo 

  • Estimación de Amplitud

  • Aceleración  aplicando el algoritmo de estimación de amplitud

  • Modelo DGSE usando redes neuronales

  • Simulación de Monte Carlo Cuántica vs Simulación de Monte Carlo normal

  • Ejercicio 95: Modelo DGSE usando deep learning

  • Ejercicio 92: Simulación de Monte Carlo Cuántica vs Simulación de Monte Carlo Clásica

CREDIT RISK OF PORTFOLIO

Módulo 45: Modelos de Capital Económico 

 

  • Capital Regulatorio

  • Metodologías de Capital Económico

  • Correlación de Activos y Default 

  • Pérdida Inesperada Contributoria

  • Modelos de Capital Económico ASRF

  • Modelos Comerciales

    • KMV

    • Creditmetrics

    • Credit Portfolio View

    • Creditrisk +

  • Gestión del capital económico

  • Allocating Capital Económico

  • Ejercicio 93: Enfoque Porfolio: Estimación de EL, UL, ULC, Correlación y Capital Económico en Excel

  • Ejercicio 94: Creditrisk + en SAS 

  • Ejercicio 95: Creditmetrics en Excel y R

  • Ejercicio 96: Modelo Unifactorial en Excel 

 

CAPITAL ECONÓMICO CUÁNTICO

Módulo 46: Capital Económico Cuántico 

 

  • Distribución de pérdidas por riesgo crédito

  • Modelo de incertidumbre cuántico

  • Definición del circuito

  • Aceleración cuadrática sobre la simulación clásica de Monte Carlo

  • Pérdida esperada

  • Función de distribución acumulativa

  • VaR

  • Expected Shortfall

  • Ejercicio 97: Estimación EL, VAR, ES de riesgo de crédito cuántico 

Anchor 10
bottom of page