
IFRS 9: Modelización del Riesgo Crédito II
Ejercicios más Potentes, Modelos Avanzados
para escenarios macroeconómicos adversos
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.


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 José: L a V 19-22 h

Precio: 7.900 €

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.

Descargar: Brochure del curso en PDF

AGENDA
IFRS 9: Modelización del Riesgo Crédito II

Agenda Modular
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
Agenda Total
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
AUTOMACHINE LEARNING y XAI
Módulo 19: Automatización de la Modelización del Credit Scoring y PD
-
¿ Que es la automatización de la modelización?
-
Que se automatiza
-
Automatización de los procesos de machine learning
-
Optimizadores y evaluadores
-
Componentes del Workflow de la automatización de la modelización
-
Resumen
-
Procesado
-
Feature engineering
-
Generación del modelo
-
Evaluación
-
-
Optimización de hiperparámetros
-
Reconstrucción o recalibración del credit scoring
-
Modelización del Credit Scoring
-
Principales hitos
-
Evaluación y optimización
-
Posibles Issues
-
-
Modelización de la calibración de la PD
-
Evaluación y optimización
-
Backtesting
-
Poder Discriminante
-
Pruebas de Estabilidad
-
-
Evaluación global de la automatización de la modelización
-
Implementación de la automatización de la modelización en banca
-
Requerimientos tecnológicos
-
Herramientas disponibles
-
Beneficios y posible estimación del ROI
-
Principales Issues
-
Riesgo de Modelo
-
Algoritmos genéticos
-
Ejercicio 33: Automatización de la modelización, optimización y validación de hiperparametría del credit scoring
-
Ejercicio 34: Automatización de la modelización y validación de la PD
Inteligencia Artificial Explicable
Módulo 20: Explainable Artificial Intelligence XAI
-
Problema de interpretabilidad
-
Riesgo de modelo
-
Regulación del Reglamento General de Protección de Datos GDPR
-
EBA discussion paper on machine learning for IRB models
-
1. El desafío de interpretar los resultados,
-
2. El desafío de asegurar que las funciones gerenciales entiendan adecuadamente los modelos, y
-
3. El desafío de justificar los resultados a los supervisores
-
-
Modelos de caja negra contra algoritmos transparentes e interpretables
-
Herramientas de interpretablidad
-
Shap, Shapley Additive explanations
-
Global Explanations
-
Dependence Plot
-
Decision Plot
-
Local Explanations Waterfall Plot
-
-
Lime, explicaciones agnósticas del modelo interpretable local
-
Explainer Dashboard
-
Otras herramientas avanzadas
-
Ejercicio 35: Interpretabilidad XAI del credit scoring
COMPUTACIÓN CUÁNTICA
Módulo 21: Computación Cuántica y algoritmos
Objetivo: La computación cuántica aplica los fenómenos mecánicos cuánticos. A pequeña escala, la materia física exhibe propiedades tanto de partículas como de ondas, y la computación cuántica aprovecha este comportamiento utilizando hardware especializado. La unidad básica de información en la computación cuántica es el qubit, similar al bit en la electrónica digital tradicional. A diferencia de un bit clásico, un qubit puede existir en una superposición de sus dos estados "básicos", lo que significa que se encuentra en ambos estados simultáneamente.
-
Futuro de la computación cuántica en los seguros
-
¿Es necesario saber mecánica cuántica ?
-
Aplicaciones y hardware de QIS
-
Operaciones cuánticas
-
Representación de Qubit
-
Medición
-
Superposición
-
Multiplicación de matrices
-
Operaciones de Qubits
-
Múltiples Circuitos cuánticos
-
Entanglement
-
Algoritmo de Deutsch
-
Transformada cuántica de Fourier y algoritmos de búsqueda
-
Algoritmos híbridos cuánticos-clásicos
-
Quantum annealing, simulación y optimización de algoritmos
-
Algoritmos cuánticos de machine learning
-
Ejercicio 36: Multiejercicios de operaciones cuánticas
Módulo 22: Introducción a la mecánica cuántica
-
Teoría de la mecánica cuántica
-
La función de onda
-
La ecuación de Schrödinger
-
La interpretación estadística
-
Probabilidad
-
Normalización
-
Impulso
-
El principio de incertidumbre
-
Herramientas Matemáticas de la Mecánica Cuántica
-
El espacio de Hilbert y las funciones de onda
-
El espacio vectorial lineal
-
El espacio de Hilbert
-
Dimensión y bases de un Espacio Vectorial
-
Funciones cuadradas integrables: funciones de onda
-
Notación de Dirac
-
Operadores
-
Definiciones generales
-
Adjunto hermitiano
-
Operadores de proyección
-
Álgebra del conmutador
-
Relación de incertidumbre entre dos operadores
-
Funciones de los Operadores
-
Operadores Inversos y Unitarios
-
Eigenvalues and Eigenvectors de un operador
-
Transformaciones unitarias infinitesimales y finitas
-
Matrices y Mecánica Ondulatoria
-
Mecánica de matrices
-
Mecánica Ondulatoria
-
Ejercicio 37: Multiejercicios de mecánica cuántica
Módulo 23: Introducción a la corrección de errores cuánticos
-
Corrección de errores
-
De la corrección del error clásico reversible a la corrección del error cuántico simple
-
El criterio de corrección de errores cuánticos
-
La distancia de un código de corrección de errores cuánticos
-
Contenido del criterio de corrección de errores cuánticos y el criterio cuántico Hamming bound
-
Digitalización del ruido cuántico
-
Códigos lineales clásicos
-
Códigos de Calderbank, Shor y Steane
-
Códigos de corrección de errores cuánticos del estabilizador
-
Ejercicio 38: Noise Model, Repetition Code y circuito cuántico
Módulo 24: Quantum Computing II
-
Programación cuántica
-
Proveedores de soluciones
-
IBM Quantum Qiskit
-
Amazon Braket
- PennyLane
-
Cirq
-
Quantum Development Kit (QDK)
-
Quantum clouds
-
Microsoft Quantum
-
Qiskit
-
-
Principales Algoritmos
-
Algoritmo de Grover
-
Algoritmo de Deutsch-Jozsa
-
Algoritmo de Fourier Transform
-
Algoritmo de Shor
-
-
Quantum annealers
-
D-Wave implementation
-
Implementación de Qiskit
-
Ejercicio 39:Circuitos cuánticos, Simulación de algoritmo Grover, Fourier Transform y Shor
Módulo 25: Quantum Machine Learning
-
Quantum Machine Learning
-
Modelos híbridos
-
Quantum Principal Component Analysis
-
Q means vs K Means
-
Variational Quantum Classifiers
-
Clasificadores cuánticos variacionales
-
Quantum Neural Network
-
Quantum Convolutional Neural Network
-
Quantum Long Short Memory LSTM
-
-
Quantum Support Vector Machine (QSVC)
-
Ejercicio 40: Quantum Support Vector Machine
Módulo 26: Redes Tensoriales para Machine Learning
-
¿Que son las redes tensoriales ?
-
Entrelazamiento Cuántico
-
Redes tensoriales en machine learning
-
Redes tensoriales en modelos no supervisados
-
Redes tensoriales en SVM
-
Redes tensoriales en NN
-
Tensorización de NN
-
Aplicación de redes tensoriales en modelos de credit scoring
-
Ejercicio 41: Neural Network usando redes tensoriales
CREDIT SCORING
Módulo 27: Credit Scoring Cuántico
-
Asignación de puntuación
-
Clasificación del Scorecard
-
Scorecard WOE
-
Scorecard Binario
-
Scorecard Continuo
-
-
Reescalamiento del Scorecard
-
Análisis del Factor y Offset
-
Scorecard WOE
-
Scorecard Binario
-
-
¿Qué es el machine learning cuántico?
-
Qubit y Quantum States
-
Algoritmos de Machine automático cuántico
-
Circuitos cuánticos
-
K means cuántico
-
Support Vector Machine
-
Support Vector Machine cuánticos
-
Clasificador cuántico variacional
-
Entrenamiento de modelos de machine learning cuántico
-
Redes Neuronales Cuánticas
-
Quantum GAN
-
Máquinas Quantum Boltzmann
-
Machine learning cuántico en Riesgo Crédito
-
Machine learning cuántico en credit scoring
-
Software cuántico
-
Ejercicio 42: K-means cuántico
-
Ejercicio 43: Support Vector Machine cuántico para desarrollar modelo de credit scoring
-
Ejercicio 44: Redes Neuronales feed fordward cuánticas para desarrollar modelo de credit scoring
-
Ejercicio 45: Redes Neuronales convolucionadas cuánticas para desarrollar modelo de credit scoring
PD Modelos cuánticos y de Machine Learning
Módulo 28: Modelos cuánticos y de machine Learning de PD
-
Estimación de la PD
-
Tratamiento de los datos de Panel
-
Modelos de Machine Learning la PD
-
PD Regresión COX de supervivencia
-
Cox XGBoost,
-
Survival Tree
-
Random Survival Forest
-
-
PD Regresión Logística Bayesiana
-
PD Regresión Lasso
-
PD SVM
-
PD Redes Neuronales
-
PD Redes Neuronales Cuánticas
-
-
Calibración de la PD
-
Calibración de modelos econométricos
-
Estimación Anchor Point
-
Calibración de PD por Añadas o cosechas
-
Análisis Vintage
-
PD Marginal
-
PD Forward
-
PD Acumulada
-
-
Ejercicio 46: Calibración de la PD con regresión COX XGBOOST
-
Ejercicio 47: Calibración de la PD con con SVM Cuántico
-
Ejercicio 48: Calibración de PD con Redes Neuronales en R
-
Ejercicio 49: Calibración de PD con regresión logística bayesiana en Python
-
Ejercicio 50: Calibración de la PD regresión LASSO
-
Ejercicio 51: Calibración de la PD con redes neuronales cuánticos en Python
Módulo 29: Calibración de la PD
-
Concepto de ajuste a la tendencia central
-
Enfoque Bayesiano
-
Calibración de PD en paises desarrollados
-
Calibración de PD en paises emergentes
-
Calibración Scaled PD
-
Calibración Scaled Likelihood ratio
-
Suavizamiento de las curvas de PD
-
Quasi moment matching
-
Métodos de aproximación
-
Scaled beta distribution
-
Asymmetric Laplace distribution
-
-
Función Cauchit
-
Platt scaling
-
Broken curve model
-
Isotonic regression
-
Gaussian Process Regression
-
Ejercicio 52: Calibración de PD usando Platt scaling y regresión isotónica para modelos de machine learning tradicionales y cuánticos
-
Ejercicio 53: Calibración de la PD usando Gaussian Process Regression
Módulo 30: PD Bayesiana y Proceso Gaussiano
-
Enfoque bayesiano y determinista
-
Criterio experto
-
Distribuciones a priori
-
Teorema de Bayes
-
Distribuciones a posteriori
-
Estimación de PD Bayesiana
-
Enfoque Markov Chain–Monte Carlo MCMC
-
Intervalos de credibilidad
-
PD Bayesiana en la práctica
-
Calibración con enfoque bayesiano
-
Process Gaussian regresión
-
Ejercicio 39: PD Bayesiana de modelo logístico en Python
-
Ejercicio 54: PD usando MCMC en R
-
Ejercicio 55: PD usando Process Gaussian Regresión
Módulo 31: Forecasting de la PD IFRS 9
-
Requerimientos IFRS 9
-
Probability Weighted Outcome
-
Forward Looking
-
-
Modelización del Lifetime PD
-
Modelización PD Forecasting
-
PD Point in Time Forecasting
-
PD TTC Forecasting
-
Modelos de Markov
-
Modelos de Forecasting de la PD PIT
-
ARIMA
-
VAR
-
VARMAX
-
ASRF
-
LSTM Tradicional
-
LSTM Bayesiano
-
LSTM Cuántico
-
-
Ejercicio 56: Forecasting de la PD usando VARMAX en R
-
Ejercicio 57: Forecasting de la PD usando LSTM cuántico
Módulo 30: 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 73: Modelo econométrico de uso de línea de crédito en R
-
Ejercicio 74: Modelo EAD Lifetime para línea de crédito individual
-
Ejercicio 75: Modelo Vintage de EAD Lifetime para pool de líneas de crédito en R y Excel
STRESS TESTING
DISEÑO DE ESCENARIOS
Módulo 31: 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 76: Detección series no estacionarias, cointegración y outliers
-
Ejercicio 77: Medición de colinealidad,
-
Ejercicio 78:Medición de heterocedasticidad
-
Ejercicio 79: Medición de Autocorrelación serial
AI STRESS TESTING
Módulo 32: 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 33: Forecasting PD y LGD
-
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
-
Multivariate Adaptive Regression Splines
-
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
-
PD Machine Learning
-
Ejercicio 81: PD Forecasting con Random Forest
-
Ejercicio 82: PD Forecasting con Redes Neuronales
-
Ejercicio 83: PD Forecasting con regresión Lasso
-
Ejercicio 84: PD Forecasting usando Redes Neuronales Recurrentes en Python
-
-
PD Probabilistic Machine Learning
-
Ejercicio 85: PD Forecasting Gaussian Process
-
Ejercicio 86: PD Forecasting Bayesian Additive Regression Trees
-
Ejercicio 87: PD Forecasting con Support Vector Machine Bayesiano
-
Ejercicio 88: PD Forecasting usando Redes Neuronales Bayesianas
-
-
Ejercicio 89: Forecasting de la PD usando variables de Pandemia y cambio climático usando RNN LSTM en Python
-
Ejercicio 90: Modelo de charge-off con VAR y VEC
-
Ejercicio 91: Modelo de charge-off con RNN LSTM
MODELOS DE STRESS TESTING
Módulo 34: Stress Testing PD y LGD
-
Horizonte temporal
-
Enfoque Multiperíodo
-
Data requerida
-
Impacto en P&L, RWA y Capital
-
Modelos de Machine Learning
-
Modelos de Probabilistic Machine Learning
-
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 92: Stress Testing PD en Excel y SAS modelo multifactorial Credit Portfolio Views
-
Ejercicio 93: Stress Testing PD en SAS enfoque Multiyear Approach
-
Ejercicio 94: Stress test de PD y Vectores Autoregresivos
-
Ejercicio 95: Stress Test LGD
-
Ejercicio 96: Stress Test conjunto de la PD y LGD
Módulo 35: 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 97: 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 36: 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
-
Stage Migration
-
Stage Transition Matrix
-
Stress testing de la PDs y de las migraciones crediticias
-
Stress testing de las exposiciones
-
Stress testing de las recuperaciones
-
Ejercicio 98: Ejercicio global interno de Stress Testing del ECL en R y Excel
STRESS TESTING CUÁNTICO
Módulo 37: 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 99: Modelo DGSE usando deep learning
-
Ejercicio 100: Simulación de Monte Carlo Cuántica vs Simulación de Monte Carlo Clásica
INCREMENTO DE RIESGO SICR IFRS 9
Módulo 38: 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 101: Estimación de incremento de riesgo crédito SICR usando test de poder discriminante ROC en R y Excel
MODELO DE ECL IFRS 9
Módulo 39: Modelos de Lifetime Expected Credit Losses
-
Escenarios Macroeconómicos impactados por COVID-19
-
Lifetime Loss Forecasting usando variables macroeconómicas
-
Ejercicio Global 102: 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
-
Modelización 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
Validación Expected Credit Loss IFRS 9
Módulo 40: Validación ECL
-
Validación inicial
-
Validación periódica
-
Monitorización
-
Principales hitos de la validación cualitativa
-
Calidad de los datos
-
Definición del Default
-
Relevancia del proceso de calificación
-
Override Analysis
-
Dinámica ambiental
-
User-Test
-
-
Principales hitos de la validación cuantitativa
-
Muestras utilizadas con fines de validación
-
Poder Discriminante
-
Population Stability
-
Characteristic Stability
-
Análisis de concentración
-
Staging analysis
-
Calibración de parámetros
-
ECL backtesting
-
-
Principio 5 – Validación del modelo ECL en Basilea III
-
Gobernanza
-
Model inputs
-
Diseño de modelo
-
Model output/performance
-
-
Metricas de validación
-
Bayesian/Akaike/Schwartz/Deviance information criteria
-
Receiver operating characteristic (ROC) curve or AUROC statistic
-
Lorenz curve, Gini coefficient, Kolmogorov-Smirnov test
-
T-tests, F-tests, Wald test, log likelihood test
-
RMSE, MAPE, MAD
-
R-squared, Adjusted R-squared
-
Out-of-sample testing
-
Benchmarking
-
Population stability index (PSI)
-
-
Problemas estadísticos
-
Sampling bias
-
Survivorship bias
-
Disproportionately high model weightsT
-
Términos autorregresivos y rezagados que no capturan los efectos macroeconómicos
-
Correlación espuria
-
Los métodos de suavizado que alteran la integridad de los datos
-
modelos lineales simples en relaciones no lineales
-
-
Volatilidad del ECL
-
Metodología de capital económico para medir la volatilidad del ECL
-
Ejercicio Global 103: Validación Integral del ECL
-
Ejercicio Global 104: Volatilidad y simulación del ECL