485.jpg

Credit Scoring, Inteligencia Artificial y Machine Learning Cuántico 

 

 

 

OBJETIVO DEL CURSO

Curso intensivo para desarrollar herramientas de credit scoring, calibrar la probabilidad de default PD y validar los modelos utilizando la inteligencia artificial y computación cuántica. Además se explica como automatizar la construcción y calibración de la PD con la propia inteligencia artificial.

 

El participante aprenderá a desarrollar modelos de credit scoring, tradicionales y avanzados, en la etapa de admisión y seguimiento del crédito. Es decir, se explica la construcción del credit y behavior scoring empleando volúmenes de información enormes.

 

Respecto a la analítica de datos, se expone un módulo, sobre el tratamiento avanzado de los datos, explicando entre otros temas, el muestreo, análisis exploratorio, segmentación y detección de outliers. 

 

Se exponen las principales técnicas del machine learning, aprendizaje supervisado, no supervisado y de refuerzo, aplicados a la creación de herramientas de credit scoring.

Se exponen metodologías tradicionales como la regresión logística y otras, innovadoras, de machine learning, tales como: árboles de decisión, naive bayes, KKN, Regresión logística LASSO, random forest, redes neuronales, redes bayesianas, Support Vector Machines, gradient boosting tree, etc .

Se explica el uso de redes neuronales de deep learning para desarrollar potentes modelos de credit scoring que los bancos pueden implementar como herramientas desafiantes o herramientas útiles en el proceso de admisión y seguimiento. Se  exponen las redes neuronales feed forward, convolucionales, recurrentes y redes generativas antagónicas. Se explica una metodología propia, de Fermac Risk, para controlar los modelos de deep learning y hacerles interpretables. Lo anterior, evitará las inaceptables cajas negras.

Los hiperparámetros son parámetros cuyos valores controlan el proceso de aprendizaje y determinan los valores de los parámetros del modelo que termina aprendiendo un algoritmo de aprendizaje. El prefijo hiper sugiere que son parámetros de 'nivel superior' que controlan el proceso de aprendizaje y los parámetros del modelo que resultan de él.

Se muestran técnicas para calcular los hiperparámetros, tales como grid search, random search y optimización bayesiana.  

Se entregan más de 20 modelos de credit scoring, con distintas metodologías en diversos lenguajes de programación como lo son: R, Python, Jupyterlab, Tensorflow y SAS. Se entregan modelos de credit scoring de admisión, seguimiento, recobro, ingresos y abandono.

​Se enseñan metodologías avanzadas para calibrar el parámetro de riesgo PD IRB. Se aborda la calibración por ajuste a la tendencia central, la filosofía del rating  PD PIT y PD TTC, la calibración de modelos de machine learning para que produzcan probabilidades de default. Además se ha incluido un modulo para desarrollar y calibrar la PD Lifetime de IFRS 9 empleando modelos de deep learning.

 

Se aborda la estimación del Margen de conservadurismo MoC requerida en Basilea IV para mitigar el riesgo de modelo en las herramientas de credit scoring.

El aprendizaje automático automatizado, también denominado ML automatizado o AutoML, es el proceso de automatizar las tareas iterativas del desarrollo de modelos de Machine Learning. Permite que los analistas de riesgos creen modelos de aprendizaje automático con un escalado, eficiencia y productividad altos, al mismo tiempo que mantiene la calidad del modelo, pueden ayudar no solo a la auto construcción de modelos sino a la validación de modelos de credit scoring.

Se explican metodologías de aprendizaje automático automatizado usando algoritmos genéticos entre otras técnicas avanzadas.

Se indican las mejores prácticas de validación de modelos de credit scoring de las entidades financieras usando la inteligencia artificial y los requerimientos regulatorios en Europa para usar este tipo de modelos. 

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 el cálculo de algoritmos de machine learning.

Consideramos que la computación cuántica comenzará a transformar el panorama de los servicios financieros en los próximos años. Los bancos que adopten algoritmos cuánticos tendrán ventajas competitivas, incluido el potencial de superar a los competidores para convertirse en líderes indiscutibles del mercado.

¿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. 

 

 

 

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

Precio: 6.900 €

 

Nivel: Avanzado

 

Duración: 36 h

 

     Material: 

  • Presentaciones PDF

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

AGENDA
 Credit Scoring, Inteligencia Artificial y Machine Learning Cuántico 

 

 

shutterstock_680929729.jpg
 

CREDIT SCORING

 

Módulo 0: 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 

Módulo 1: Inteligencia Artificial para el Credit Scoring

 

  • Definición de Big Data

  • Big Data en las entidades financieras y fintech

  • Big data en las Bigtech

  • Tipología de datos

    • Estructurados

    • Semiestructurados

    • Datos No Estructurados

  • Big data: Volumen, Velocidad, Variedad, Veracidad y Valor

  • Tamaño de los Big Data

  • Fuentes de grandes volúmenes de datos

    • Data transaccional

    • Data de redes sociales

    • Data de buró de crédito

    • Origen de las fuentes de datos

    • Los datos de la web

    • Datos de Texto

    • Datos de sensores

    • Datos de RFID y NFC

    • Datos de operadores de telecos

    • Datos de redes inteligentes

  • Digitalización bancaria​

  • Inclusión financiera

  • Regulación en Europa, EEUU y Latinoamérica

  • Inteligencia Artificial en la banca

  • Inteligencia Artificial en el ciclo de crédito

 

Módulo 2: AI en el Credit Scoring 

 

  • AI en el Credit Scoring para Banca y Fintech

  • Credit scoring offline y online

  • Diseño y Construcción de Modelos de Credit Scoring

  • Ventajas e Inconvenientes

  • Modelos para afrontar nuevas crisis financierias

  • Machine Learning para desarrollar y validar credit scoring

  • Importancia del Bureau Score

  • Gestión de los Credit Scorecards

  • Estimación de la Probabilidad de Default PD 

Módulo 3: 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

  • Análisis de principales herramientas: R, Python, Microsoft Azure, SAS  Enterprise Miner, SAS Visual Analytics, Knime, IBM SPSS Modelller, Spark,,etc.

 

MODELIZACIÓN

Módulo 4: 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

Módulo 5: 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 1: Análisis Exploratorio en R

  • 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

MACHINE LEARNING

Aprendizaje No Supervisado

Módulo 7: Modelos no supervisados

  • Clusters Jerárquicos

  • K-Means

  • Algoritmo estándar

  • Distancia Euclidiana

  • Análisis de Componentes principales (PCA)

  • Visualización avanzada de PCA

  • Eigenvectores e Eigenvalores
  • Ejercicio 14: Componentes principales en R y SAS

  • Ejercicio 15: Segmentación de la data con K-Means R

 

Aprendizaje Supervisado

Módulo 8: 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 16: Credit Scoring Regresión Logística en SAS y R

  • Ejercicio 17: Credit Scoring Regresión Logística Lasso en R

  • Ejercicio 18: Riesgo de Modelo usando Intervalos de confianza de coeficientes de regresión logística 

Módulo 9: 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 19: Credit Scoring Árbol de decisión en SAS y R

  • Ejercicio 20: Credit Scoring KNN en R y SAS

  • Ejercicio 21: Credit Scoring Naive Bayes en R

Módulo 10: 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 22: Credit Scoring Support Vector Machine en R data 1

  • Ejercicio 23: Credit Scoring Support Vector Machine en Python data 2

Módulo 11: Ensemble Learning

  • Modelos de conjuntos

  • Bagging

  • Bagging trees

  • Random Forest

  • Boosting

  • Adaboost

  • Gradient Boosting Trees

  • Ventajas e inconvenientes

  • Ejercicio 24: Credit Scoring Boosting en R 

  • Ejercicio 25: Credit Scoring Bagging en R
  • Ejercicio 26: Credit Scoring Random Forest, R y Python, data 1 y 2

  • Ejercicio 27: Credit Scoring Gradient Boosting Trees

VALIDACIÓN DE MODELOS

Módulo 12: 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 28: Test de Bondad de Ajuste Regresión Logística

  • Ejercicio 29: Validación cruzada en SAS

  • Ejercicio 30: Estimación Gini, Valor de la Información, Brier Score, Curva Lift, CAP, ROC, Divergencia en SAS y Excel

  • Ejercicio 31: Bootstrapping de parámetros SAS

  • Ejercicio 32: Jackkinifng en SAS

  • Ejercicio 33: Bootstrapping de Gini/ROC en SAS

  • Ejercicio 34: Estimación Kappa

  • Ejercicio 35: K-Fold Cross Validation en R

  • Ejercicio 36: Validación semafórica out of time (horizonte 6 años) de modelos Logístico y de Machine Learning

Módulo 14: Pruebas de estabilidad

  • Índice de estabilidad en modelo

  • Índice de estabilidad en factores

  • Test Xi-cuadrada

  • Test K-S

  • Ejercicio 37: Pruebas de estabilidad de modelos y de factores

DEEP LEARNING 

Módulo 15: Introducción al Deep Learning 

  • Definición y concepto del deep learning

  • ¿Porque ahora el uso del deep learning?

  • Redes Neuronales artificiales

  • Arquitecturas de redes neuronales

  • Función de activación

    • Sigmoidal

    • Rectified linear unit

    • Hipertangente

    • Softmax

  • Feedforward network

  • Perceptrón Multicapa

  • Uso de Tensorflow

  • Uso de Tensorboard

  • 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 para el credit scoring

    • ¿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 16: 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 38: Credit Scoring usando Deep Learning Feed Forward

Módulo 17: 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 39: Credit Scoring usando Deep Learning CNN

Módulo 18: 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 40: Credit Scoring usando Deep Learning LSTM

 

Módulo 19: 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 41: Credit Scoring usando GANs

Módulo 20: 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 42: Optimización Credit Scoring Xboosting, Random forest y SVM

  • Ejercicio 43: Credit Scoring Deep Learning optimizado

Módulo 21: 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 44: Construcción de Tarjeta de Puntuación en Excel, R  y Python

  • Ejercicio 45: Estimación óptima punto de corte en Excel y riesgo de modelo por selección punto de corte

  • Ejercicio 46: Matriz de confusión para verificar Error Tipo 1 y Tipo 2 en Excel con y sin variables

 

Módulo 22: 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 47: Machine learning cuántico para desarrollar modelo de credit scoring 

Módulo 23: Riesgo de Modelo en el Credit Scoring

  • Riesgo de Modelo

  • Riesgo de Modelo en el deep learning

  • Riesgo de Modelo en el credit scoring

  • Cajas Negras

  • decisión de punto de corte

  • ausencia de datos

  • Riesgo de Modelo por no actualizar o recalibrar

  • Conceptos éticos del credit scoring

  • Ejercicio 48: Riesgo de modelo en credit scoring por no recalibrar a tiempo

Módulo 24: Modelos de Credit Scoring por producto

  • Credit Scoring de Admisión

    • Score de Tarjetas de crédito

    • Score de Hipotecas

    • Score de consumo

    • Score de Automóvil

  • Behavior Score (BS)

    • Horizonte temporal

    • Información de datos de panel

    • Regresión de datos de panel

    • Regresión Cox

    • Behavior Score con variables macroeconómicas

    • Matrices de transición

    • Behavior Score con matrices de transición 

    • Transaction Score

    • Modelos de Machine Learning

  • BEHAVIOR SCORE EN TARJETAS DE CRÉDITO

  • Ejercicio 49: Behavior Score Regresión Logística en Python data 2

  • Ejercicio 50: Behavior Score Support Vector Machines en python

  • Ejercicio 51: Behavior Score Random Forest en python

  • Ejercicio 52: Behavior Score Gradient Boosting Trees en python

  • Ejercicio 53: Behavior Score Deep Learning  LSTM en python

Módulo 25: Tipología de Scores

  • Response Score

  • Score de Ingresos

  • Score de Abandono

  • Score de Fraude en Admisión

  • Score de Fraude en Seguimiento

  • Collection Score

  • Recovery Score

  • Big Data Scoring

  • Ejercicio 54 : Fraud Score con redes neuronales

  • Ejercicio 55: Score de Ingresos

  • Ejercicio 56: Collection Score 

  • Ejercicio 57: Recovery Score 

  • Ejercicio 58 :Score de Abandono 


ESTIMACIÓN y CALIBRACIÓN DE MODELOS DE PD

Módulo 26: Calibración de la Probabilidad de Default PD IRB

  • 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

  • Ejercicio 59: Estimación de modelos de PD

  • Ejercicio 60: Calibración de PD en modelos de Machine Learning

  • Ejercicio 61: Modelización del Margen de Conservadurismo PD

Módulo 27: 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 62: PD Lifetime usando regresión logística

  • Ejercicio 63: PD Lifetime usando regresión multinomial en R

  • Ejercicio 64: PD Lifetime usando SVM en Python

  • Ejercicio 65: PD Lifetime usando Deep Learning en Python

  • Ejercicio 66: PD Lifetime usando Deep Learning LSTM en Python

 

VALIDACIÓN DE MODELOS DE PD

Módulo 28: Validación de modelos PD

 

  • Definición del Backtesting PD

  • Validación de Calibración de PD​

    • Normal test

    • Binomial Test

    • Traffic Light Approach

  • Análisis Semafórico y Cuadro de mando de la PD

  • PD Stability Test

  • Forecasting PD vs PD Real en el tiempo

  • ¿Cuando recalibrar o reestimar un modelo de credit scoring?

  • Re-development 

  • Re-estimation

  • Riesgo de Modelo en la PD

  • Machine Learning para validar los modelos de PD

  • Inteligencia Artificial para recalibrar y reconstruir modelos autónomamente

  • Ejercicio 67: Backtesting de PD en Excel

  • Ejercicio 68: Forecasting PD y PD real en Excel

AUTOMATIZACIÓN DEL

CREDIT SCORING Y PD

CON AI

Módulo 29: 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 69: Automatización de la modelización, optimización y validación de  hiperparametría del credit scoring

  • Ejercicio 70: Automatización de la modelización y validación de la PD

Módulo 30: 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 71: Construcción de credit scoring usando redes tensoriales