​

​

Credit Scoring Avanzado

 

Módulo 1: Credit Scoring y Modelos Predictivos

 

• Modelos Predictivos en el entorno actual

• Aplicaciones del Credit Scoring

• Diseño y Construcción de Modelos de Credit Scoring

• Ventajas y Desventajas

• Modelos para afrontar crisis financieras y Machine Learning

• Vinculación del credit scoring y risk appetite

• Nuevos modelos de credit scoring usando Big Data

​

Módulo 2: Análisis Exploratorio Avanzado

​

• 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

  • Imputación

  • Borrar

  • Mantener

• Técnicas avanzadas de detección de Outliers y tratamiento

  • Z-Score

  • Distancia de Mahalanobis

• 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

  • Fisher Score

  • Gini

  • Information Value

  • Pearson Correlation

  • Cramer Von Misses

  • Optimización de variables continuas

  • Optimización de variables categóricas

• Ejercicio 1: Análisis descriptivo en R

• Ejercicio 2: Validación de Base de datos en R y SAS

• Ejercicio 3: Detección Outliers univariante

• ​Ejercicio 4: Análisis Exploratorio en SAS

• Ejercicio 5: Detección y tratamiento de Outliers Multivariante

• Ejercicio 6: Técnicas de Muestreo rebalanceado en SAS

• Ejercicio 7: Muestreo estratificado y Aleatorio

• Ejercicio 8: Análisis del Weight of Evidence en Excel

• Ejercicio 9: Análisis univariante en percentiles en SAS

• Ejercicio 10: Análisis univariante óptimo variable continua en Excel

• Ejercicio 11: Estimación del KS, Gini e IV de cada variable en Excel

• Ejercicio 12: Validación de variables usando Pearson correlation y Fisher Score

• Ejercicio 14: Optimización de variables categóricas en SAS

• Ejercicio 15: Análisis Univariante con árboles de decisión en SPSS

​

​

Módulo 3: Segmentación, Clustering y

Análisis de Componentes Principales

 

• Clusters Jerárquicos

• Dendrograma

• Model Based Clustering

• Density Based Clustering

• Comparativo de Clusters

  • Distancia Interclusters

  • Distancia Intraclusters

• Gráfico de disimilitud

• Validación de Clusters

• Análisis de Componentes principales (PCA)

• Visualización avanzada de PCA

• Ejericicio 16: Segmentación con árboles de decisión en SPSS y SAS 

• Ejercicio 17: Componentes principales en SAS

• Ejercicio 18: Visualización de componentes principales en R

​

Módulo 4:Algoritmos de Clasificación 

 

• 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

  • Modelización

  • Ventajas e inconvenientes

  • Distancia Euclidiana

  • Distancia Manhattan

  • Selección del valor K

• Modelo Probabilístico: Naive  Bayes

  • Teorema de Bayes

  • Estimador de Laplace

  • Clasificación con Naive Bayes

  • Ventajas e inconvenientes

• Ejercicio 19: Àrbol de decisición C5.0 vs. Chaid en SPSS

• Ejercicio 20: K means Clustering en R y SAS

• Ejercicio 21: NAive Bayes en R

​

​​Módulo 5: Modelos de Regresión

​

• Regresión Logística

  • Modelización

  • Ventajas e inconvenientes en el riesgo de crédito

  • Validación modelo de regresión logística

  • Regresión Loogística para datos de panel

• Regresión Cox

  • Cox proportional hazards model

• Regresiones Avanzadas

  •  Regresión Logística Multinomial

  • Modelo líneal generalizado GLM

    • Tipología de distribuciones y funciónes enlace

  • Modelo GLMM

  • Inflated Beta Regression

  • Regresión Piecewise

  • Fractional Regression 

• Ejercicio 22: Regresión Logística método stepwise en SAS

• Ejercicio 23: Regresión Inflated Beta Regression

• Ejercicio 24: Regresión Piecewise en Excel y SAS

• Ejercicio 25: Cox Regression en R y SAS

​

Módulo 6: Algoritmos Avanzados NN ySVM

 

• Support Vector Machine

  • Hiperplano óptimo

  • Support Vectors

  • Añadir costes

  • Ventajas e Inconvenientes

  • Visualiización del SVM

  • Tuning SVM

  • Truco de Kernel

• Redes Neuronales (Neural Networks NN)

  • Entrenamiento de Perceptron

  • Perceptrón Multicapa

  • Algoritmo de backpropagation

  • Procedimientos de entrenamiento

  • Tuning NN 

  • Visualización de NN

  • Ventajas e inconvenientes

• Ejercicio 26: Support Vector Machine en SPSS y R

• Ejercicio 27: Support Vector Machine en SAS

• Ejercicio 28: Redes Neuronales: perceptron en SAS y SPSS

​

Módulo 7: Ensemble Learning

 

• Modelos de conjuntos

• Bagging

• Random Forest

• Boosting

• Adaboost

• Boosting y Bagging para modelos de regresión

• Ventajas e inconvenientes

• Ejercicio 29: Ensemble models en SAS y SPSS

• Ejercicio 30: Random Forest en SAS

• Ejercicio 31: Adaboost en R

 

Módulo 8: Desarrollo de Scorecards

 

• 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

• Técnicas Avanzadas de punto de corte 

• Ejercicio 32: Scorecard Binario en Excel y SAS

• Ejercicio 33: Scorecard WOE en Excel, R y SAS

• Ejercicio 34: Reject Inference Fuzzy Augmentation en SAS

• Ejercicio 35: Selección del Punto de Corte en Excel y SAS

​

​

Módulo 9: Validación del modelos

 

• Verificación p-values en regresiones

• R cuadrado, MSE, MAD

• Diagnóstico de los residuos

• Test de Bondad de Ajuste

  • Deviance

  • Bayesian Information Criterion (BIC)

  • Akaike Information Criterion 

• Multicolinealidad Multivariante

• Validación cruzada

• Bootstrapping del error

• Matriz de confusión caso binario

• Matriz de confusión caso multinomial

• Prueba de Estabilidad

• Principales test de poder discriminante:

  • KS

  • Curva ROC

  • Curva Lift

  • Gini Index

  • Cumulative Accuracy Profile

  • Distancia de Kullback-Leibler

  • Pietra Index

  • Entropía condicional

  • Valor de Información

  • Tau de Kendall

  • Brier Score

  • Distancia de Mahalanobis

  • Divergencia

  • Hosmer Lemeshow

• Intervalos de confianza

• Jackknifing con test de poder discriminante

• Bootstrapping con test de poder discriminante

• Estadístico Kappa

• K-Fold Cross Validation

• Ejercicio 36: Test de Bondad de Ajuste Regresión líneal

• Ejercicio 37: Test de Bondad de Ajuste Regresión Logística

• Ejercicio 38: Validación cruzada en SAS

• Ejercicio 39: Estimación Gini, Valor de la Información, Brier Score, Curva Lift, CAP, ROC, Divergencia en SAS y Excel

• Ejercicio 40: Bootstrapping de parámetros SAS

• Ejercicio 41: Jackkinifng en SAS

• Ejercicio 42: Bootstrapping de Gini/ROC en SAS

• Ejercicio 43: K-Fold Cross Validation en R

​

​

Módulo 10: Modelos de Score Consumo

 

• Modelos predictivos en consumo

• Tipología de scores:

• Credit Scoring de Admisión

  • Score de Tarjetas de crédito

  • Score de Hipotecas

  • Score de consumo

  • Score de Automóvil

• Behavior Score

  • Behavior Score con variables macroeconómicas

  • Matrices de transición

  • Behavior Score con matrices de transición 

  • Transaction Score

• CREDIT SCORING

• Ejercicio 44: Regresión Logística en SAS

• Ejercicio 45: Regresión Piecewise en Excel y SAS

• Ejercicio 46: Redes Neuronales: perceptron en SAS

• Ejercicio 47: Árboles de decisión CHAID en SAS

• Ejercicio 48: Support vector machines en R

• Ejercicio 49: Ensemble models Credit Scoring en SAS 

• BEHAVIOR SCORE

• Ejercicio 50: Regresión Logística Panel Data SPSS

• Ejercicio 51: Support vector machines en SPSS

• Ejercicio 52: Árboles de decisión C5.0 en SPSS
• Ejercicio 53: Random Forest en SPSS

• ​Ejercicio 54: Ensemble models Behavior Scoring en SPSS​

​

​

Expected Credit Losses

​

Módulo 11: Fases del IFRS 9

 

• Fase 1- Clasificación y medición

• Descripción de las categorías de medición: Coste amortizable, FVTOCI y FVTPL

• Reclasificación

• Opción del valor razonable

• Clasificación de pasivos financieros

• Requerimientos de los flujos de caja

• Importancia de la clasificación

• Principales Issues

-Modelo de Negocio

-Determinación de Flujos de caja contractuales

-Medición del Fair Value

-Impacto en la Transición

-Reconciliaciones contables

• Mitigando efectos adversos de la transición

• Adaptación en los sistemas de la entidad financiera

• Clasificación y medición en préstamos y bonos

• Impacto de IFRS 9 en la cuenta de resultados y capital

• Fase 2- Deterioro (IMPAIREMENT)

• Objetivo

• Deterioro de activos contables

• Modelo Contable

• Ingresos por intereses

• Diferencias entre modelos IRB frente a modelos IFRS 9

• Tres Enfoques: General, Simplificado y de Activos Deteriorados

• Asignación de tres escenarios del riesgo crédito en IFRS 9 (Stages)

• Medición del Expected Credit Losses (ELC) 

• Cálculo del Lifetime Expected Losses

• Uso de modelos IRB hibridos/nuevos

• Gaps entre modelos IRB y modelos IFRS 9

• Fase 3- Contabilidad de Coberturas (Hedge Accounting)

• Introducción 

• Objetivo

Módulo 12: Modelos de PD

 

Introducción a la Probabilidad de Default

• Definición de Default

• Triggers del Default

• Proceso efectivo y robusto para detectar al default

• Defaults técnicos y filtros técnicos del default

• Modelo de datos indispensable

• Análisis Unifactorial

• Análisis Multifactorial

• Selección del Modelo

• PD Histórica 

 Modelos Econométricos y de Machine Learning de la PD  

• Fatores de riesgo que afectan el default

  • Macroeconómicos

  • Idiosincráticos

• PD Regresión Logística

• PD Regresión COX

• PD Log-log Complementary

• PD Regresión Logística Data Panel

• Machine Learning para estimar la PD

​Calibración de la PD  

• Introducción a la Calibración

• Estimación Anchor Point

• Mapping de Score a PD

• Estructura temporal de la PD

  • PD Marginal

  • PD Forward

  • PD Acumulada

• Técnicas de Mapeo de PD´s a estructura temporal

• Añadas o cosechas de PD

​Ajuste al Ciclo Económico de la PD

• Introducción de Ajuste al Ciclo Económico

• Directivas sobre el ciclo económico en la PD

• Modelos de PD Trough The Cycle (PD TTC)

• Consideraciones del Ajuste al ciclo enfoque “Variable escalar”

PD en Low Default Portfolios  

• Estimación de PD sin correlaciones (D.Tasche 2005)

• Estimación de PD con correlaciones (D.Tashe 2005)

• Calibración de LDP usando Curvas CAP

• Estimación Bayesiana de PD para LDP (D. Tasche 2012)

• Correlación de defaults

• Correlación de defaults y multiperiodo

•  Neutral Bayesian y Conservative Bayesian

​Matrices de Transición y PD 

• Propiedades de las matrices de transición

• Multi-year transition matrix

  • Tiempo discreto

  • Tiempo continuo

  • Matriz Generatriz

  • Exponencial de una matriz

• Método de duración 

• Método Cohort

• Gestión del error

Modelización PD IFRS 9

• Requerimientos IFRS 9

• Probability Weighted

• Forward Looking

• Modelización del Lifetime PD 

• Modelización PD Forecasting

• PD Point in Time Forecasting

• Cadenas de Markov

• Ejercicio 55: Regresión Cox en R y SAS

• Ejercicio 56: Regresión Log-Log Complementary en SAS

• Ejercicio 57: Calibración de la PD por edad de operación en SAS

• Ejercicio 58: Calibración de PD con regresión COX en SAS

• Ejercicio 59: Calibración de PD con log-log complementary en SAS

• Ejercicio 60: Calibración de PD con modelo logístico en SAS

• Ejercicio 61: Calibración de la PD por cosecha o añada en SAS

• Ejercicio 62: Estimación de la PD Point in Time en Excel

• Ejercicio 63: Machine Learning para estimar PD

• Ejercicio 64: Ajuste al ciclo para empresas en Excel y Solver.

• Ejercicio 65: Estimación PD TTC Cointregración

• Ejercicio 66: Regresión logística PD TTC en SAS

• Ejercicio 67: Modelo de Supervivencia PD TTC en SAS

• Ejercicio 68: Integral en SAS para estimar PD de LDP correlación

• Ejercicio 69: Calibración curva CAP Escala Maestra en Excel

• Ejercicio 70: PD Bayesiana en R

• Ejercicio 71: Matrices de transición en Excel y SAS

• Ejercicio 72: Regresión Multinomial para estimar PD Lifetime

• Ejercicio 73: Multistage Cadenas de Markov en R