OBJETIVO DEL CURSO 

​

Curso intensivo de metodologías de IFRS 9 de riesgo de crédito aplicando modelos tradicionales econométricos y de machine learning así como novedosos modelos de machine learning probabilístico 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.

​

Todos los modelos deben cuantificar la incertidumbre inherente a las inferencias y predicciones financieras para que sean útiles en la toma de decisiones y gestión de riesgos financieros. Los parámetros y resultados del modelo pueden tener un rango de valores con probabilidades asociadas. Por lo que se necesitan modelos probabilísticos matemáticamente sólidos que se adapten a las imprecisiones y que cuantifican las incertidumbres con coherencia lógica. Por lo anterior hemos incluido modelos de machine learning probabilístico, es decir algoritmos de aprendizaje automático junto con modelización probabilística y  teoría de decisión bayesiana. Estos algoritmos ofrecen modernas y potentes soluciones en este complejo entorno financiero y económico de hoy en día.

 

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.   

 

 

 

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

 

 

​

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

• Técnicas de Over and Undersampling

  • ​Random oversampling

  • Synthetic minority oversampling technique (SMOTE)

​

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: Modelo multivariante de imputación de valores missing

• Ejercicio 5: Análisis univariante en percentiles en R

• Ejercicio 6: Análisis univariante óptimo variable continua en Excel

​

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 7: Segmentación de la data con K-Means R

 

Aprendizaje Supervisado

​

​

Módulo 4: 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 8: Credit Scoring Support Vector Machine

​

Módulo 5: Ensemble Learning

​

• Modelos de conjuntos

• Bagging

• Bagging trees

• Random Forest

• Boosting

• Adaboost

• Gradient Boosting Trees

• Ventajas e inconvenientes

• Ejercicio 9: Credit Scoring Boosting en R 

• Ejercicio 10: Credit Scoring Bagging en R

• Ejercicio 11: Credit Scoring Random Forest, R y Python

• Ejercicio 12: Credit Scoring Gradient Boosting Trees

​

DEEP LEARNING ​

 

Módulo 6: 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 14: Credit Scoring usando Deep Learning Feed Forward

​

Módulo 7: 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 15: Credit Scoring usando Deep Learning CNN

​

Módulo 8: 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 16: Credit Scoring usando Deep Learning LSTM

​

Módulo 9: 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 17: Credit Scoring usando GANs

​

Módulo 10: 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 18: Optimización Credit Scoring Xboosting, Random forest y SVM

• Ejercicio 19: Credit Scoring Deep Learning optimizado e interpretación de modelo

​

​Módulo 11: Construcción 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 20: Construcción de Tarjeta de Puntuación en Excel, R  y Python

 

MACHINE LEARNING CUÁNTICO

​

Módulo 12: Credit Scoring Cuántico y PD

​

• ¿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 cuántico

• Redes Neuronales Cuánticas

• Quantum GAN

• Máquinas Quantum Boltzmann

• Machine learning cuántico en Riesgo Crédito

• Machine learning cuántico en credit scoring

• Software cuántico 

• Ejercicio 21: K-means cuántico 

• Ejercicio 22: Support Vector Machine cuántico para desarrollar modelo de credit scoring 

• Ejercicio 23: Redes Neuronales feed fordward cuánticas para desarrollar modelo de credit scoring y estimación de PD

• Ejercicio 24: Redes Neuronales convolucionadas  cuánticas para desarrollar modelo de credit scoring y estimación de PD

​

Módulo 14: 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 25: Construcción de credit scoring y PD usando redes tensoriales

​

PROBABILISTIC MACHINE LEARNING

​

Módulo 15: Probabilistic Machine Learning

​​

• Probabilidad 

• 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 26: Proceso gaussiano para regresión 

• Ejercicio 27: Redes neuronales bayesianas

​

​

​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

​