AdobeStock_271588937_edited.jpg

IFRS 9: Modelización del Riesgo Crédito, AI y Algoritmos Cuánticos 

 

 

 

 OBJETIVO DEL CURSO 

Curso intensivo de metodologías de IFRS 9 de riesgo de crédito, usando modelos tradicionales econométricos, inteligencia artificial y computación cuántica.

 

La pandemia de COVID-19 surgió solo dos años después de la implementación en 2018 del IFRS 9. La pandemia estreso y afecto el poder predictivo de los modelos y metodologías, planteando desafíos significativos para la creación de provisiones de activos deteriorados. A raíz del shock pandémico, las posteriores medidas regulatorias y gubernamentales, así como el reciente conjunto, sin precedentes, de eventos de riesgo, tales como la guerra, la inseguridad en el suministro energético europeo y las presiones inflacionarias mundiales, los bancos han planeando gradualmente recalibrar los modelos de pérdida de crédito esperada (ECL) de la IFRS 9 para mejorar su precisión e incorporar las lecciones aprendidas. No obstante, aunque sean necesarios ajustes a los modelos, siguen apareciendo nuevos shocks macroeconómicos influidos por una elevada incertidumbre.

Las entidades han enfrentaron varios desafíos. El primero, fue el incremento significativo del riesgo de crédito (SICR) que se basó en información inexacta o incompleta. Segundo, la probabilidad de incumplimiento (PD) no era lo suficientemente sensible a la información prospectiva y no lineal. Tercero, los bancos aplicaron overlays con mayor frecuencia, pero no los justificaban ni cuantificaban.

Algunas firmas prestigiosas de consultoría proponen automatizar más procesos, desarrollar modelos desafiantes de PDs y pérdidas esperadas crediticias ECL.

 

Por lo anterior, hemos creado un curso, con un mayor número de modelos de estimación y calibración de la lifetime PD, hemos incrementado los modelos de inteligencia artificial y añadido modelos basado en algoritmos  cuánticos  que por un lado pueden ser modelos desafiantes de los tradicionales y que ayudarán a medir las relaciones no lineales.

 

No obstante, el core del curso es explicar pormenorizadamente metodologías de riesgo de crédito para estimar y calibrar los parámetros tipo lifetime de PD, LGD y EAD ajustados a la norma IFRS 9 empleando modelos econométricos, enfoque bayesiano, machine learning tradicional, machine learning cuántico y algortimos cuánticos.

Hay un módulo sobre auto machine learning para recalibrar y reconstruir modelos automáticamente.Creemos que esta solución cubre el desafío de la automatización que plantean los consultores.

 

Este curso incluye más de 12 metodologías y ejercicios para estimar la PD Lifetime en carteras de retail, hipotecas, pymes y corporate, por ejemplo, el modelo Exogenous Maturity Vintage EMV, modelos de Markov, modelos de  supervivencia, matrices de transición, Deep Learning, algoritmos cuánticos de simulación de Monte Carlo entre otros.

Se han incorporado metodologías de forecasting y stress testing para generar escenarios económicos forward looking. Respecto al tema, hay varios módulos dedicados al diseño de escenarios donde se exponen la interacción entre las variables macroeconómicas y la Lifetime PD. Además, se explican metodologías de stress testing de las provisiones de riesgo crédito IFRS 9.

 

En cuanto a la LGD Lifetime, se muestran modelos de machine learning para mejorar la exactitud de los parámetros. Y respecto a la EAD Lifetime se explican modelos vintage para líneas de crédito, además de modelos econométricos de prepago.

Se entrega, una herramienta de pricing, que incluye la estimación del ECL 12m y ECL Lifetime, capital regulatorio, Raroc y Hurdle rate.

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 mejorar 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.

Para facilitar el aprendizaje la mayoría de macros se entregan en Jupyter Notebook, un entorno interactivo web de ejecución de código R y Python, donde se incluyen, vídeos, imágenes, formulas, etc. que ayudan al análisis y explicación de las metodologías.

¿QUIÉNES DEBEN ASISTIR?

 

Este programa está dirigido a responsables, analistas y consultores de riesgos que estén inmersos en el desarrollo, validación o auditoría de los modelos de riesgo crédito IFRS 9 o para todos aquellos interesados. Para la mejor comprensión de los temas es recomendable que el participante tenga conocimientos de estadística.   

 

 

 

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: 9.900 €

 

Nivel: Avanzado

 

Duración: 40 h

 

     Material: 

  • Presentaciones PDF

  • Ejercicios en Excel, R, Python y Jupyterlab 

  • Se entrega el vídeo grabado del curso de 40 horas.

AGENDA
 IFRS 9: Modelización del Riesgo Crédito, AI y Algoritmos Cuánticos 

 

 

shutterstock_680929729.jpg
 

COMPUTACIÓN CUÁNTICA

 

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 

CREDIT SCORING

Módulo 1: 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 2: 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 2: Análisis Exploratorio EDA

  • Ejercicio 3: Detección y tratamiento de Outliers Avanzado

  • Ejercicio 4: Muestreo estratificado y Aleatorio en R

  • Ejercicio 5: Modelo multivariante de imputación de valores missing

  • Ejercicio 6: Análisis univariante en percentiles en R

  • Ejercicio 7: Análisis univariante óptimo variable continua en Excel

  • Ejercicio 8: Estimación del KS, Gini e IV y otros estadísticos 

AI CREDIT SCORING

Aprendizaje No Supervisado

Módulo 3: 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 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 10: 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 11: 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 12: Credit Scoring Boosting en R 

  • Ejercicio 14: Credit Scoring Bagging en R
  • Ejercicio 15 Credit Scoring Random Forest, R y Python

  • Ejercicio 16: 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 17: 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 18: 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 

  • Ejercicio 19: 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 20: 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 21: Optimización Credit Scoring Xboosting, Random forest y SVM

  • Ejercicio 22: 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 23: Construcción de Tarjeta de Puntuación en Excel, R  y Python

  • Ejercicio 24: 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 25: Machine learning cuántico 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 26: Construcción de credit scoring usando redes tensoriales

IFRS 9 : EXPECTED CREDIT LOSSES

Probabilidad de Default

Módulo 16: 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 27: Modelos de calibración de PD

  • Ejercicio 28 Calibración de PD en modelos de Machine Learning

  • Ejercicio 29: Modelización del Margen de Cautela PD

 

 

 

Módulo 17: Modelos econométricos de PD  

 

  • Estimación de la PD

  • Tratamiento de los datos de Panel

  • Modelos Econométricos para estimar la PD

    • PD Regresión Logística

    • PD Regresión Probit

    • PD Regresión COX de supervivencia 

    • PD Log-log Complementary

    • PD Regresión Data Panel

    • PD Regresión Logística Bayesiana

    • PD Regresión Lasso

  • 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 30: Calibración de la PD por edad de operación en SAS

  • Ejercicio 31: Calibración de PD con regresión COX en R

  • Ejercicio 32: Calibración de PD con log-log complementary en R

  • Ejercicio 33: Calibración de PD con modelo logístico en Python

  • Ejercicio 34: Calibración de la PD por cosecha o añada en R

  • Ejercicio 35: Calibración de la PD con regresión probit en Python

Módulo 18: Calibración de la PD 

 

  • Concepto de ajuste a la tendencia central

  • 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

  • Ejercicio 36: Calibración de PD con modelo programación no lineal en Excel y Solver.

  • Ejercicio 37: Calibración de la PD usando Quasi moment matching

  • Ejercicio 38: Calibración de PD usando most prudent estimation

 

Módulo 19: PD Bayesiana

 

  • 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

  • Test de convergencia

  • Ejercicio 39: PD Bayesiana de modelo logístico en Python  

  • Ejercicio 40: PD Bayesiana de modelo probit en R

  • Ejercicio 41: Test de convergencia

 

Módulo 20: Low Default Portfolio PD (PD LDP)

 

  • Enfoque de intervalo de confianza para PD LDP

    • Estimación de PD sin correlaciones

    • Estimación de PD con correlaciones 

    • Estimación de un periodo y multiperiodo

  • Estimación Bayesiana de PD para LDP

    • Neutral Bayesian

    • Conservative Bayesian

    • Criterio experto

  • Análisis real de PD de carteras Corporates, Soberanos y Retail

  • Regresión LASSO para medir la tasa de default en corporativos

  • Ejercicio 42: Enfoque de intervalo de confianza PD LDP en R

  • Ejercicio 43: Enfoque intervalo de confianza multiperiodo PD LDP

  • Ejercicio 44: PD Bayesiana Neutral en R 

  • Ejercicio 45: PD Bayesiana Conservadora en R

  • Ejercicio 46: PD Bayesiana Criterio experto en R

  • Ejercicio 47: Regresión LASSO para medir tasa de default

 

PD IFRS 9

Módulo 21: Matrices de Transición y  Estructura temporal de PD

 

  • Estructura temporal de PD en IFRS 9

  • Propiedades de las matrices de transición

  • Cadenas de Markov

  • Multi-year transition matrix

    • Tiempo discreto

    • Tiempo continuo

    • Matriz Generatriz

    • Exponencial de una matriz

  • Método de duración 

  • Método Cohort

  • Gestión del error

  • Estructuctura temporal de PD

  • Calibración de la estructura temporal de la PD

  • Levenberg-Marquardt Algoritmo

  • Ciclos Económicos

  • Calibración de la estructura temporal de la PD para LDP

  • Ejercicio 48: Ejercicio análisis y error de Matriz de transición usando enfoque cohort  y duration en Python

  • Ejercicio 49: Calibración de la estructura temporal de la PD

 

Módulo 22: 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

  • Ejercicio 50: Forecasting de la PD usando VARMAX en R

  • Ejercicio 51: Forecasting de la PD usando ASRF en R y Excel

 

Módulo 23: Modelos PD Lifetime

  • 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

    • 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 

    • Modelo Semiparamétrico Cox

    • Ventajas e inconvenientes

  • Modelo de Machine Learning​

    • SVM: Definición de función Kernel

    • Red Neuronal: definición de hiperparámetros y función de activación

  • Modelos de Extrapolación de PD Lifetime

  • Ejercicio 52: PD Lifetime usando modelo vintage EMV Decomposition

  • Ejercicio 53: PD Lifetime usando regresión multinomial en R

  • Ejercicio 54: PD Lifetime usando modelo de Markov

  • Ejercicio 55: PD Lifetime usando modelo ASRF matricial

  • Ejercicio 57: PD Lifetime usando SVM en Python

  • Ejercicio 58: PD Lifetime usando Red Neuronal en Python

Módulo 24: Calibración Avanzada

Lifetime PD

  • Calibración por sistemas de ecuación no lineales

  • Calibración de estructura temporal con modelo de Vasicek

  • Calibración de matrices de transición usando Vasicek

  • Calibración bayesiana

  • Ajuste de distribuciones de curvas 

  • Calibración de extrapolación 

    • Ajuste Gamma

    • Acelerador exponencial 

  • Recalibración de Lifetime PD​

  • Ejercicio 59: Modelos de Calibración avanzada de Lifetime PD 

LIFETIME PD CUÁNTICO

 

Módulo 25: Lifetime PD

  • Modelización de la lifetime PD 

  • Exogenous Maturity Vintage

  • Age Period Cohort

  • Simulación clásica de Monte Carlo

  • Simulación de Monte Carlo cuántico

  • Aceleración cuadrática sobre la simulación clásica de Monte Carlo 

  • Modelización de la lifetime PD 

  • Monte Carlo Markov Chain MCMC

  • Mejora cuántica en MCMC

  • Ejercicio 60: Estimación Lifetime PD IFRS 9 usando mejoras cuánticas 

Módulo 26: Automatización de la Modelización y Calibración 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 61: Automatización de la modelización, optimización y validación de  hiperparametría del credit scoring

  • Ejercicio 62: Automatización de la modelización y validación de la PD

LGD IFRS 9

 

Módulo 27: LGD en carteras Retail y empresas IRB

 

  • Impacto del COVID-19 en la LGD

    • Definición del default

    • Moratorias

    • Renovaciones y reestructuras

    • Ciclo del Default

    • Ciclos Reales del Default

  • Expected Loss y Unexpected Loss en la LGD

  • LGD in Default

  • Defaulted Weighted Average LGD o Exposure-weighted average LGD

  • LGD para performing y no performing exposures

  • Tratamiento de los colaterales en el IRB

  • Enfoque Workout

    • Técnicas para determinar la tasa de descuento

    • Tratamiento de las recuperaciones, gastos y costes de recuperación

    • Ciclos de Default

    • Gastos de recuperación

  • Downturn LGD en carteras de consumo

  • Downturn LGD en hipotecas

  • LGD en consumo

  • LGD  en Hipotecas

  • LGD en empresas

  • LGD para carteras con reposición

 

Módulo 28: Modelos Econométricos y de Machine Learning de la LGD

 

  • Ventajas e inconvenientes de los Modelos Predictivos de LGD

  • Modelos Forward Looking incorporando variables Macroeconómicas

  • Modelos paramétricos, no paramétricos y transformation regressions

  • Tipología de Modelos Multivariantes de LGD

    • Regresión Lineal y transformación Beta

    • Regresión Lineal y transformación Logit

    • Regresión Líneal y trasnsformación Box Cox

    • Regresión Logística y Lineal

    • Regresión Logística y no Lineal

    • Censored Regression

    • Generalized Additived Model

    • Regresión Beta

    • Inflated beta regression

  • Support Vector Regression

  • Support Vector Classification

  • Random Forest Regression 

  • XGBoosting Regression

  • Redes Neuronales 

  • Deep Learning

  • Ejercicio 63: Modelos econométricos de LGD 

  • Ejercicio 64: Modelos de Machine Learning y Deep Learning de  LGD

  • Ejercicio 65: Comparativo del performance de los modelos usando test de Calibración y precisión.

Módulo 29: 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

    • Ciclo de crédito

    • Regresión Tobit

  • LGD IFRS 9 usando Regresión LASSO​

  • Modelos de Machine Learning

    • Support Vector Machine

    • Neural Networks

  • Ejercicio 66: Estimación y ajustes para LGD IFRS 9 usando regresión Tobit en R

  • Ejercicio 67: Censored Regression Model LGD en R

  • Ejercicio 68: Estimación  LGD IFRS 9 SVM

  • Ejercicio 69Estimación  LGD IFRS 9 NN

EAD  IFRS 9

 

Módulo 30: Modelización avanzada EAD y CCF 

 

  • 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 70: Modelo de regresión OLS en CCF en Excel

  • Ejercicio 71: Modelo de regresión logística del CCF en Python

  • Ejercicio 72: Redes Neuronales y SVM CCF en R

  • Ejercicio 73: Comparativo del performance de los modelos de EAD

 

EAD IFRS 9

 

Módulo 31: 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 74: Modelo de prepago IFRS 9 para hipoteca en R y Excel

Módulo 32: 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 75: Modelo econométrico de uso de línea de crédito en R

  • Ejercicio 76: Modelo EAD Lifetime para línea de crédito individual

  • Ejercicio 77: Modelo Vintage de EAD Lifetime para pool de líneas de crédito en R y Excel

STRESS TESTING

 

DISEÑO DE ESCENARIOS​

Módulo 33: Preparación de Modelos Econométricos

 

  • Revisión de supuestos de los modelos econométricos

  • Revisión de los coeficientes y errores estándar de los modelos

  • Medidas de la confiabilidad del modelo

  • Gestión de los errores

  • No normalidad

  • Heterocedasticidad

  • Outliers

  • Autocorrelación

  • Uso de la Correlación para detectar colinealidad bivariante

  • Detección de colinealidad multivariante en regresión lineal

  • Detección de colinealidad multivariante en regresión logística

  • Ejercicio 78: Detección series no estacionarias y cointegración

  • Ejercicio 79: Medición de colinealidad multivariante de modelo de regresión logística y líneal 

AI STRESS TESTING 

Módulo 34: 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 80: Modelo macroeconómico de ecuación de Bellman usando redes neuronales 

Módulo 35: 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 81: Forecasting volatilidad GARCH en Python

  • Ejercicio 82: Forecasting volatilidad Multivariante GARCH en R

  • Ejercicio 83: Forecasting series financieras con Machine Learning usando python

  • Ejercicio 84: Forecasting series financieras e indices usando Redes Neuronales Recurrentes en Python

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

  • Ejercicio 86: Modelo de charge-off con VAR y VEC

  • Ejercicio 87: Modelo de charge-off con RNN LSTM

MODELOS DE STRESS TESTING 

Módulo 36: 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 88: Stress Testing PD en Excel y SAS modelo multifactorial Credit Portfolio Views

  • Ejercicio 89: Stress Testing PD en SAS enfoque Multiyear Approach

  • Ejercicio 90: Stress test de PD y Vectores Autoregresivos

  • Ejercicio 91: Stress Test LGD ajustada al cambio climático

  • Ejercicio 92: Stress Test  de la LGD modelo econométrico en Excel 

  • Ejercicio 93: Stress Test conjunto de la PD&LGD

Módulo 37: 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 94: Stress Testing PD y matrices de transición de cartera corporativa usando matriz de transición y modelo ASRF en SAS, R y Excel

STRESS TESTING ECL IFRS 9

Módulo 38: Stress Testing del ECL IFRS 9

 

  • Stress testing IFRS 9 y COVID-19

  • Escenarios de la pandemia aplicada al cálculo del ECL

  • Stress Testing de parámetros IFRS 9

  • EBA Stress Testing 2023

  • Tratamiento de la moratoria

  • Posibles escenarios regulatorios

  • Impacto en P&L

  • Parámetros de partida PIT

  • Parámetros  proyectados PIT

  • Cálculo de activos no productivos y deterioros

  • Cambios en el stock de provisiones

  • Cambios en el stock de provisiones de exposiciones fase S1

  • Cambios en el stock de provisiones de exposiciones fase S2

  • Cambios en el stock de provisiones de exposiciones fase S3

  • Pérdidas por deterioro de exposiciones soberanas

  • Impacto en el capital

  • Modelo interno de Stress Testing para ECL IFRS 9

  • Ejercicio 95: Stress Testing del ECL usando matrices y series temporales R y Excel

STRESS TESTING CUÁNTICO

Módulo 39: 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 96: Modelo DGSE usando deep learning

  • Ejercicio 97: Simulación de Monte Carlo Cuántica vs Simulación de Monte Carlo Clásica 

 

INCREMENTO DE RIESGO SICR IFRS 9

Módulo 40: Incremento de Riesgo Crédito SICR

 

  • Significant increase in credit risk (SICR)

  • Impacto del COVID-19 en el incremento al riesgo SICR

  • Recomendaciones Basilea, EBA, ESMA, IFRS

  • Criterios cualitativos y cuantitativos en función del COVID-19

  • Incremento de riesgo crédito colectivo

  • Incremento de riesgo crédito IFRS 9 individual 

  • Matrices de migración de fases

    • Modelos de roll rates

    • Modelo de Markov

  • Impacto del COVID-19 en las migraciones

  • Estimación de umbrales de PD Lifetime y PD Originación

  • Variación de Rating

  • Determinación de umbrales

  • KRIs para retail, hipotecas y corporate

  • Incremento de riesgo crédito IFRS 9 colectivo

    • Uso de test discriminante 

    • Curva ROC

    • Tasa de falsa alarma

    • Hit Rate objetivo

    • Tamaño del S2 

  • Ejercicio 98: Estimación de incremento de riesgo crédito SICR usando test de poder discriminante ROC en R y Excel

 

MODELO DE ECL IFRS 9

 

Módulo 41: Modelos de Lifetime Expected Credit Losses

 

  • Escenarios Macroeconómicos impactados por COVID-19

  • Lifetime Loss Forecasting usando variables macroeconómicas

  • Ejercicio Global 99: Estimación Provisiones Lifetime Expected Loss de una cartera de crédito de consumo en R y Excel con VBA:

 

  • Definición de escenarios macroeconómicos COVID-19

  • Impacto de los escenarios en la estimación por COVID-19

  • Modelización de LGD usando escenarios económicos

  • Modelización del CCF usando escenarios económicos

  • Modelización del Abandono

  • Modelización del Prepago

  • Modelización PD PIT con escenarios económicos

  • Modelización Lifetime PD

  • Estimación de ingresos financieros

  • Modleización flujos de caja

  • Estimación tasa de supervivencia

  • Estimación Pérdida Esperada ECL a 12 meses

  • Estimación de ECL a 12 meses efecto COVID-19

  • Estimación Pérdida Esperada ECL Lifetime IFRS 9 COVID-19

  • Stress Testing de pérdidas de riesgo crédito

  • Análisis de asignación de los 3 stages

  • Comparativo de las estimaciones de ECL

  • Interpretación de Resultados en cuadro de mando