Riesgo de Modelo: Cuantificación, Gestión y Machine Learning en Python y R 

OBJETIVO

 

Recientemente, el número de modelos usados en las entidades financieras se ha incrementado, exponencialmente, particularmente en el ámbito del riesgo de crédito, tal es el caso de los modelos de scoring en admisión, seguimiento y recobro, modelos de machine learning, modelos de parámetros IRB, capital, correlaciones, stress testing y los recientes parámetros del IFRS 9, entre muchos otros.

Esta proliferación de modelos tiene beneficios como la automatización, eficiencia y rapidez en la toma de decisiones. No obstante, también tienen inconvenientes, debido a las decisiones tomadas por modelos erróneos o empleados de forma inapropiada.

El riesgo de modelo, se define como las potenciales consecuencias negativas derivadas de las decisiones basadas en resultados de modelos incorrectos, inadecuados o utilizados de forma inapropiada.

El objetivo del curso es mostrar las mejores prácticas de cuantificación y gestión del riesgo de modelo.

En cuanto a gestión de riesgo de modelo se abordan temas, como la gobernanza, organización, ciclo de vida del modelo, mitigación, model risk appetite y el seguimiento de este riesgo.

Se explican las directivas sobre riesgo de modelo SR 11-7 en EEUU, y la directiva de revisión de modelos internos, TRIM, en la Unión Europea, UE.

 

Se exponen metodologías avanzadas para medir el riesgo de modelo por la deficiencia de datos, la incertidumbre del parámetro del modelo, el uso inadecuado del modelo, la especificación del modelo, el cambio en la dinámica del entorno financiero y económico y por la implementación incorrecta del modelo.

Las técnicas empleadas, para la modelización de este riesgo pasan por la estadística bayesiana, la modelización de la incertidumbre en modelos de riesgos financieros, los modelos loss distribution approach, hasta la construcción de un scorecard para riesgo de modelo.

Se cuantifica el riesgo de modelo en los modelos de credit scoring, credit rating, parámetros de PD, LGD, EAD, correlación de activos, y modelos de capital económico y stress testing. Tanto de las iniciativas de IRB como de IFRS 9.

Se muestran técnicas de backtesting avanzadas, como el poder discriminante, pruebas de estabilidad y calibración.

 

Se explica el uso del machine learning para desarrollar modelos de riesgo de crédito. Además, se explica como aprovechar el machine learning para validar modelos y cuantificar el riesgo de modelo.

Se exponen metodologías para medir el Margen de Conservadurismo o cautela.

El curso contiene un número muy importante de modernas metodologías de riesgo crédito.

Se entregan potentes ejercicios de riesgo de modelo y riesgo crédito hechos en Python, R, SAS, Excel y JupyterLab.

 

 

 

¿QUIÉNES DEBEN ASISTIR?

 

Este programa esta dirigido a Directivos, Gerentes, Analistas y Consultores de riesgos financieros y especialistas en riesgo de modelo. El contenido del curso es absolutamente práctico para aplicarlo inmediatamente en el trabajo.

 

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, Lima, Quito, Bogotá, San JoséL a V 19-22 h

Precio: 5.900 €

Nivel: Avanzado

Duración: 30 h

Material: 

Presentaciones PDF, Ejercicios: Python, R, SAS, Excel y JupyterLab.

Riesgo de Modelo: Cuantificación, Gestión y Machine Learning

en Python y R

 

 

Gestión del Riesgo de Modelo (MRM)

 

Módulo 1: Introducción al riesgo de modelo

 

  • Definiciones de riesgo modelo

  • Gestión del riesgo modelo

  • Definición de modelo

  • Fuentes del riesgo modelo

    • ​Data

    • Estimación

    • Uso

  • Inventario de modelos de riesgos

  • Metodología de control

  • Gestión de procesos y tecnología

  • Gobernanza

  • Gestión del ciclo de vida de los modelos

  • Cuantificación del riesgo modelo

  • Ciclo de la gestión cuantitativa del riesgo modelo

  • Identificación de la fuente

  • Mitigación del riesgo modelo

  • Documentación de modelos

  • Validación de modelos

  • Perfil de equipos de riesgo de modelo en entidades financieras

  • Estructura y organigrama

  • Principales actividades del equipo

  • Caso de estudio 1: riesgo de modelo banco europeo

  • Caso de estudio 2: riesgo de modelo en modelos de riesgo crédito

 

Módulo 2: Gestión del riesgo de modelo

  • Gobernanza en el riesgo de modelo

    • Rol del consejo y alta dirección

    • Rol del departamento de riesgos

    • Responsables y creadores del modelo

    • Comités de riesgo de modelo

    • Auditoria interna

    • Definición de políticas

  • Organización

    • Tres líneas de defensa

    • Comunicación interna y externa

  • Fases del Ciclo de vida del modelo

    • Identificación

    • Inventario de los modelos

    • Clasificación

    • Niveles o"Tiering" en función a materialidad, sofisticación e impacto

    • Planificación y desarrollo

    • Validación interna

    • Documentación

    • Aprobación del modelo

    • Implementación y uso del modelo

    • Monitorización del modelo

    • Mejores prácticas internacionales de gestión del riesgo modelo

  • Mitigación del riesgo de modelo

    • Test de calidad del dato

    • Validación y auditoria

    • Benchmarks

    • Pruebas de sensibilidad what-if

    • Stress testing

    • Backtesting

  • Model risk appetite

    • Model risk appetite statement

    • Tolerancia al riesgo

  • Medición cualitativa del riesgo de modelo

    • Creación del Scorecard de riesgo de modelo

    • Definición de escala y rangos

    • Mejores prácticas internacionales de scorecards

  • Caso de estudio 3: Gestión del riesgo de modelo banco europeo

 

Regulación del riesgo de modelo

Módulo 3: Directiva sobre la gestión del Riesgo Modelo

SR 11-7 en Estados Unidos

  • Introducción

  • Alcance y propósito

  • Model Risk Management

  • Desarrollo del modelo, implementación y uso

  • La validación del modelo

  • Evaluación de la solidez conceptual y pruebas de desarrollo

  • Monitorización permanente, verificación de procesos y Benchmarking

  • Análisis de los resultados, incluido el Backtesting

  • Gobernanza, Políticas y Controles

  • Políticas y procedimientos

  • Roles y responsabilidades

  • Auditoria Interna

  • Inventario de modelos

Módulo 4: Guide for the Targeted Review of Internal Models

(TRIM) UE

  • Alcance y objetivos de la guía

  • Principios generales de los modelos internos

  • Roll-out and PPU

  • Gobernanza

  • Auditoría interna

  • Validación interna

  • Uso del modelo

  • Gestión en los cambios del modelo

  • Calidad del dato

  • Participación de terceros

  • Riesgo de Crédito

    • ​Probability of default (PD)

    • Loss Given Default (LGD)

    • Credit conversion factor (CCF)

  • Riesgo de Mercado

    • Backtesting regulatorio

    • Backtesting interno

    • Metodologías de VaR

  • Riesgo de Contraparte

    • Backtesting

  • Margen de conservadurismo relacionado con el modelo

  • Revisión de las estimaciones

Cuantificación del Riesgo de Modelo

​Módulo 5: Medición Cuantitativa del Riesgo de Modelo

  • La importancia de la cuantificación del riesgo de modelo

  • Mejores clasificaciones internacionales

  • Modelo óptimo y no óptimo

  • Categorías de riesgo de modelo:

  • Deficiencia de datos

  • Incertidumbre del parámetro del modelo

  • Uso inadecuado del modelo

  • Especificación del modelo

  • Cambio en la dinámica del entorno financiero y económico

  • Implementación incorrecta del modelo, mala interpretación de la salida del modelo y otros errores

  • Agregación del riesgo de modelo

​​

Módulo 6: Riesgo de Modelo por deficiencia de datos

  • Gestión de proceso de la calidad del dato

  • Principios de gobernanza

  • Alcance y componentes la calidad del dato

    • Precisión

    • Consistencia

    • Unicidad

    • Validación

    • Disponibilidad

    • Trazabilidad

  • Indicadores de calidad en la gestión del dato

  • Tratamiento de los valores Missing

    • Imputación, borrar y mantener

    • Modelos multivariantes de imputación

  • Detección de Outliers en el riesgo de modelo

  • Técnicas robustas

  • Análisis univariante

  • Análisis multivariante

    • Distancia de Mahalanobis

  • Machine Learning para detectar outliers

  • Deficiencia de los datos en los modelos

  • Modelización del riesgo de modelo con deficiencias del dato

  • Riesgo de Modelo de deficiencia de datos en el credit scoring

  • Ejercicio 1: Análisis de la calidad del dato

  • Ejercicio 2: Modelo multivariante de imputación de valores

  • Ejercicio 3: Uso del Machine learning para detectar outliers

  • Ejercicio 4: Análisis univariante óptimo

  • Ejercicio 5: Eliminación de las dos mejores variables

  • Ejercicio 6: Creación de modelos : Redes Neuronales, SVM, Random Forest y regresión logística

  • Ejercicio 7: Estimación de Intervalos de confianza de coeficientes de regresión logística

  • Ejercicio 8: Cuantificación del riesgo de modelo con deficiencia del dato en modelos de credit scoring

Módulo 7: Riesgo de Modelo:

Incertidumbre del parámetro del modelo

  • ¿Porque sucede este tipo de riesgo de modelo?

  • Ejemplos

  • Magnitud del error de modelo relacionados con la incertidumbre del parámetro
  • Incertidumbre en distribuciones paramétricas
    • Simulación de Monte Carlo
    • Rango Intercuartílico
    • Desviación cuartil
    • Análisis usando box plot
  • Análisis de incertidumbre usando enfoque bayesiano
    • Distribución a priori
    • Teorema de Bayes
    • Distribución a posteriori
    • Soluciones analíticas
    • Gibbs Sampler
    • MCMC
  • Propagación de la incertidumbre en modelos lineales y no lineales
  • Model risk appetite y umbrales
  • Ejercicio 9: Medición del riesgo modelo de modelo ASRF de riesgo crédito. Se mide el error de modelo relacionado con la estimación de la incertidumbre en los parámetros del credit scoring, calibración de PD y LGD

  • Ejercicio 10: Estimación del riesgo de modelo del VaR y ES de distribución paramétrica lognormal  

  • Ejercicio 11: Riesgo de modelo por la incertidumbre de los parámetros PD y correlación de activos usando enfoque bayesiano

  • Ejercicio 12: Propagación de la incertidumbre en modelos de riesgo de crédito

Módulo 8: Riesgo de Modelo:

Uso inadecuado del modelo

  • ¿Porque sucede este tipo de riesgo de modelo?
  • Ejemplos
  • Magnitud del error de modelo cuando se usa un modelo no óptimo
  • Uso de What-if para medir el riesgo de modelo
  • Uso de Simulación para medir el riesgo de modelo
  • Ejercicio 14: Aplicación de herramienta de credit scoring en un horizonte de 2 años sin actualizar la data 

  • Ejercicio 15: Medición del riesgo de modelo a través del error tipo 1 y tipo 2 y la pérdida por aceptar malos y el coste de oportunidad de denegar buenos

  • Ejercicio 16: Riesgo de modelo por usar herramienta de credit rating para empresas en un país distinto

 

Módulo 9: Implementación incorrecta del modelo, mala interpretación de la salida del modelo y otros errores.

  • ¿Porque sucede este tipo de riesgo de modelo?
  • Ejemplos
  • Magnitud del error de modelo relacionado con errores humanos
  • Medición cualitativa de riesgo de modelo

  • Modelo de Scorecard

    • Creación del Scorecard de riesgo de modelo

    • Definición de escala y rangos

    • Mejores prácticas internacionales de scorecards

  • Enfoque LDA para medición de Riesgo Modelo

    • Loss Distribution Approach (LDA)

      • Data disponible

    • Scenario Based Approach (SBA)

      • Generación de escenarios

      • Valoración de Escenarios

    • Calidad de los datos y validación

    • Determinación de parámetros

    • Distribuciones de Frecuencia

    • Distribuciones de Severidad

    • Distribución de pérdidas por riesgo de Modelo

      • Simulación Montecarlo

      • Enfoque Panjer

      • FFT

  • Enfoque de Incertidumbre de modelo botton-up

    • Fuentes de información

  • Ejercicio 17: Estimación de Scorecard de riesgo modelo, establecimiento de la escala y rangos.

  • Ejercicio 18: Estimación de Riesgo de Modelo utilizando las siguientes distribuciones de Frecuencia y Severidad:

  • Frecuencia

    • Poisson

    • Binomial Negativa

  • Severidad

    • Lognormal

    • Burr

    • Gamma

    • Weibull

    • Inversa Gaussiana

    • GDP EVT

    • G-H 4 parámetros

    • Mixtura de Lognormales

    • Lognormal-EVT

    • Poisson-Gamma Enfoque bayesiano

    • Partición Lognormal y GDP

  • Escenarios con criterio Experto

  • Ejercicio 19: Selección de mejor distribución usando test de bondad de ajustes Cramer Von Misses, AD y KS

  • Ejercicio 20: Comparativo de Riesgo de modelo usando Panjer Recursivo, Fast Fourier Transformation y Simulación de Monte Carlo

 

Validación de Modelos Backtesting IRB

Módulo 10: Validación estadística de Modelos

 

  • 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

    • Heterocedasticidad

    • Autocorrelación

  • Colinealidad bivariante

  • Colinealidad multivariante

  • Pruebas para los coeficientes

    • Likelihood ratio test

    • Wald test

  • Ajustes de bondad

    • R2

    • Pseudo-R2s

    • Deviance and likelihood ratio tests

    • Hosmer–Lemeshow test

    • Bayesian Information Criterion (BIC)

    • Akaike Information Criterion 

  • Pruebas especificas

  • Durbin watson

  • Factor de inflación de varianza

  • Inverso de la Tolerancia

  • Ejercicio 21: Análisis exhaustivo de test estadísticos de regresión logística

Módulo 11: Pruebas de estabilidad

  • Índice de estabilidad en modelo

  • Índice de estabilidad en variables

  • Test Xi-cuadrada

  • Test K-S

  • Ejercicio 22: Pruebas de estabilidad de modelos y de factores

 

Módulo 12: Poder Discriminante de modelos tradicionales

y de Machine Learning

  • Validación Out of Sample y Out of time

  • Validación cruzada

  • Bootstrapping del error

  • Matriz de confusión caso binario

  • Matriz de confusión caso multinomial

  • Principales test de poder discriminante:

    • KS

    • Curva ROC Binomial

    • Curva ROC Multinomial

    • Curva Lift

    • Gini Index

    • Cumulative Accuracy Profile

    • Distancia de Kullback-Leibler

    • Pietra Index

    • 1-Ph

    • Entropía condicional

    • Valor de Información

    • Divergencia

  • Intervalos de confianza

  • Jackknifing

  • Bootstrapping

  • Estadístico Kappa

  • K-Fold Cross Validation

  • Análisis Semafórico

  • Ejercicio 23: Estimación Gini, Valor de la Información, Brier Score, Curva Lift, CAP, ROC, Divergencia en SAS y Excel

  • Ejercicio 24: Jackkinifng

  • Ejercicio 25: Bootstrapping

  • Ejercicio 26: Estimación Kappa

  • Ejercicio 27: K-Fold Cross Validation en R

  • Ejercicio 28: Validación semafórica out of time (horizonte 6 años) de modelos Logístico y de Machine Learning

 

 

 

 

 

 

 

 

 

 

Módulo 14: Calibración y Backtesting de la PD

  • Estimación de la PD

    • Desarrollo del modelo

    • Requerimiento de datos

    • Risk drivers y criterio del rating

    • Tratamiento de ratings externos

    • Filosofía del rating

    • Tratamiento de los Pools

  • Calibración de la PD

    • Requerimiento de datos

    • Cálculo de tasa de default a un año

    • Cálculo y uso de la tasa media de default observada

    • Tasa de default a largo plazo

    • Calibración de la tasa de default a largo plazo

    • Metodologías de calibración

    • Ajuste por tendencia central

  • Quasi moment matching 

  • Métodos de aproximación 

    • Scaled beta distribution  

    • Asymmetric Laplace distribution

  • Usando Regresiones

    • Enfoque ROC y curva CAP  

    • Regresión logística

    • Regresión Cox

    • Función Cauchit  

    • Platt scaling  

    • Broken curve model

    • Isotonic regression

  • Validación de Calibración de PD

    • Hosmer Lameshow test

    • Normal test

    • Binomial Test

    • Spiegelhalter test

    • Redelmeier Test

    • Traffic Light Approach

  • Análisis Semafórico y Cuadro de mando de la PD

  • PD Stability Test

  • Forecasting PD vs PD Real en el tiempo

  • Validación con simulación de Monte Carlo

  • Ejercicio 29: Calibración de la PD por ajuste a la tendencia central
  • Ejercicio 30: Calibración de PD Quasi moment machine

  • Ejercicio 31: Calibración de PD por enfoques de regresión

  • Ejercicio 32: Calibración de PD en modelos de Machine Learning

  • Ejercicio 33: Backtesting de PD en Excel

  • Ejercicio 34: Forecasting PD y PD real en Excel

  • Ejercicio 35: Validación usando Simulación de Monte Carlo

Módulo 15: Backtesting alternativo PD

 

  • Alternativas de validación PD

  • Modelo de variable latente para estimación de la PD

    • Distribución del error 

  • Aplicación de redes aleatorias para Nº de Defaults

  • Escenarios Sintéticos

  • Escenarios Históricos

  • Ejercicio 36: Validación de PD usando modelo latente

  • Caso de Estudio 4: Validación de migración y PD

 

Módulo 16: Calibración y Backtesting de la LGD

  • Estimación de la LGD

    • Metodologías para la estimación de la PD

    • Requerimiento de datos

    • Recuperaciones desde los colaterales

    • Desarrollo del modelo

    • Risk drivers

    • Elegibilidad de los colaterales

    • Inclusión de colaterales

  • Calibración de LGD

    • Definición de pérdida económica y pérdida realizada

    • Tratamiento de comisiones, intereses y otros retiros tras el default

    • Tasa de descuento

    • Costes directos e indirectos

    • LGD a largo plazo

    • Calibración LGD a largo plazo

  • Backtesting LGD

    • Backtesting Avanzado de LGD con enfoque vintage

    • Validación de modelos econométricos de la LGD

      • RMSE, MAE, AUC, AOC y  R2

    • Calibración test

      • T test

      • Wilcoxon signed rank test

    • Precision Test

      • F Test

      • Ansari-Bradley Test

    • Poder discriminante

      • ROC

  • Ejercicio 37: Comparativo del performance de los modelos usando test de Calibración y precisión.

Módulo 17: Backtesting EAD

  • Performance EAD

  • R2

  • Coeficiente de Pearson

  • Spearman correlation

  • Validación usando ROC, KS y Gini

  • Ejercicio 38: Comparativo del performance de los modelos de EAD

Validación ECL IFRS 9
 
 Módulo 18: Estimación y Backtesting PD Lifetime

  • Estimación de la Lifetime PD

    • Estimación y concepto de la 12m PD

    • Requerimientos IFRS 9

    • Probability Weighted Outcome

    • Forward Looking

    • Modelos de Machine Learning

    • Modelos de Regresión

    • Modelos de Cadenas de Markov

  • Backtesting

    • Horizonte temporal

    • Validación de matrices de transición

    • ​Validación de la matriz generatriz

    • Validación Forecasting Out of Sample/In Sample

    • Validación de la PD 12m

    • Validación de la PD Lifetime

    • Prueba de estabilidad y precisión

    • Calibración PD Lifetime matricial ASRF

    • Métodos de corrección de la PD acumulada

    • Re-development PD Lifetime

    • Re-estimation PD Lifetime

  • Ejercicio 39: Machine Learning para estimar Lifetime PD

  • Ejercicio 40: Regresión Multinomial para estimar Lifetime PD

  • Ejercicio 41: Regresión Cox para estimar Lifetime PD

  • Ejercicio 42: Multistage Cadenas de Markov en R

  • Ejercicio 43: Prueba de estabilidad y precisión de PD Lifetime 

  • Ejercicio 44: Calibración Lifetime PD de modelos de Machine Learning

Módulo 19: Estimación y Validación del

Expected Credit Losses IFRS 9

 

  • Estimación del Expected Credit Losses

    • Estimación Pérdida Esperada ECL a 12 meses

    • Estimación Pérdida Esperada Lifetime ECL

    • Análisis de asignación de los 3 stages

    • Definición de escenarios macroeconómicos

    • Probability Weighted Outcome

    • Modelo PD Lifetime

    • Modelo LGD Lifetime

    • Modelo Prepago Lifetime

    • Modelo EAD Lifetime

    • Estimación tasa de supervivencia

    • Probabilidad conjunta PD y Prepago

  • Validación del Expected Credit Losses

    • Variables macroeconómicas

    • Validación a través del capital económico

    • Simulación Forward Looking

  • Ejercicio Global 45: Estimación Lifetime ECL, estimando  Lifetime PD, LGD, EAD, probabilidad de prepago y escenarios

  • Ejercicio Global 46: Validación de ECL, simulando el capital económico

Validación Capital Económico

Módulo 20: Modelos de Capital Económico

  • Definición y Objetivo

  • Correlación de Default

  • Correlación de activos

  • Pérdida Inesperada

  • Modelos de capital regulatorio

  • Modelos de Capital Económico

    • ASRF

    • Creditmetrics

    • Creditrisk+

    • Modelos Multifactoriales

  • Modelización de Dependencia usando copulas

  • Estimación de VaR y Expected Shortfall

  • Ejercicio 47: Correlación de default: carteras de consumo

  • Ejercicio 48: Correlación de activos con EMV

  • Ejercicio 49: Creditrisk + sectorial

  • Ejercicio 50: Modelo Unifactorial

  • Ejercicio 51: Modelo Multifactorial

  • Ejercicio 52: Copulas en R

Módulo 21: Validación y Riesgo de Modelo

en el capital económico

  • Validación de Modelos

    • Diseño del Modelo

    • Output del Modelo

    • Procesos, data y test de uso

  • Validación de la agregación de pérdidas

  • Pruebas de distribuciones usando Berkowitz test 

  • Simulación del chi-square value crítico

  • Test de Berkowitz en subportfolios

  • Alcance y límites del test

  • Riesgo de Modelo en el capital económico por incertidumbre

  • Ejercicio 53: Validación de capital usando Berkowitz test

  • Ejercicio 54: Riesgo de Modelo por incertidumbre en Creditrisk+

  • Ejercicio 55: Riesgo Modelo por deficiencia en los datos en modelo creditrisk+

 

Validación Stress Testing

Módulo 22: Estimación y validación de modelos de series temporales financieras y macroeconómicas

  • Series financieras y macroeconómicas en el stress testing

  • Modelos Econométricos

    • Modelos ARIMA

    • Modelos ARCH

    • Modelos GARCH

  • ​Modelos de Machine Learning

    • Supported Vector Machine 

    • Redes Neuronales

    • Deep Learning

    • Redes Neuronales Recurrentes RNN

  • Validación de Modelos

    • Tratamiento de los datos

    • Series No Estacionarias

    • Test Dickey-Fuller

    • Pruebas de Cointegración

    • Pruebas de no normalidad

    • Heterocedasticidad

    • Outliers

    • Autocorrelación

  • Backtesting de series temporales

    • Validación de modelos machine learning

    • Train-Test split

    • K-fold cross-validation

    • Walk-forward validation

  • Ejercicio 56: Series no estacionarias y de cointegración

  • Ejercicio 57: Modelización Garch variables de mercado

  • Ejercicio 58: Modelización Machine Learning SPV y NN

  • Ejercicio 59: Bakctesting de series temporales de machine learning

 

Módulo 23: Determinación de escenarios Macroeconómicos

en IFRS 9

 

  • Escenarios Macroeconómicos IFRS 9

  • Análisis de escenarios en EBA

  • Diseño de escenarios adversos

  • Shocks financieros y económicos

  • Variables macroeconómicas importantes

  • Modelos macroeconómicos estructurales

  • Bayesian VaR

  • Dynamic Stochastic General Equilibrium (DSGE)

  • Juicio experto en el diseño de los escenarios

  • Score de la severidad del escenario

  • Valiación de escenarios

  • Ejercicio 60: Modelo avanzado de escenarios macroeconómicos BVaR y DSGE

Módulo 24: Medición y validación de

Stress Testing Net Charge-Off

  • Stress Testing Net Charge-Off

    • Horizonte temporal

    • Enfoque Multiperíodo

    • Data requerida

    • Saldo fallido o castigo

    • Selección de escenarios Macroeconómicos

    • Charge-Off

    • Net Charge Off 

    • Pérdidas por activos deteriorados nuevos  

    • Pérdidas por activos deteriorados antiguos

    • Forecasting del net charge-off

  • Series temporales multivariantes

    • Vectores Autorregresivos (VAR)

    • Modelos de Vectores de Corrección del Error (VEC)

  • Modelos de Machine Learning

    • Multivariate adaptive regression spline (MARS)

  • Validación del stress testing

    • Métricas de performance

    • Out of sample

    • Generalized Cross Validation – GCV

    • Squared Correlation - SC

    • Root Mean Squared Error – RMSE

    • Cumulative Percentage Error – CPE

    • Aikaike Information Criterion - AIC

    • Backtesting

    • Horizonte temporal

    • Magnitud del error

  • Ejercicio 61: Modelo de stress testing VAR 

  • Ejercicio 62: Modelo de stress testing VEC 

  • Ejercicio 63: Modelo de stress testing MARS

  • Ejercicio 64: Validación y backtesting de modelos VAR, VEC y MARS

Riesgo Modelo en el Stress Testing

Módulo 25: Riesgo de Modelo en el Stress Testing

  • Stress Testing de la PD

    • Credit Porfolio View 

    • Mutiyear Approach ASRF

    • Reverse Stress Testing

    • Rescaling

    • Regresión Cox

  • Stress Testing de la Matriz de Transición

    • Enfoque Credit Portfolio View 

    • Índice de ciclo de crédito

    • Uso de Credimetrics

    • 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 del ECL IFRS 9

    • Matriz de transición S1,S2 y S3

    • Cambios en el stock de provisiones

    • Cambios en el stock de provisiones de exposiciones S1

    • Cambios en el stock de provisiones de exposiciones S2

    • Cambios en el stock de provisiones de exposiciones S3

  • Riesgo de Modelo en el stress testing

  • Incertidumbre en la especificación del modelo

  • Incertidumbre en la muestra seleccionada
  • Incertidumbre en los escenarios
  • Mean Deviation (MD)
  • Ejercicio 65: Riesgo de modelo en Stress testing enfoque credit portfolio views

  • Ejercicio 66: Riesgo de modelo en enfoque Multiyear approach

  • Ejercicio 67: Riesgo de modelo en enfoque Stress Test LGD

  • Ejercicio 68: Riesgo de Modelo en Stress Test de Matrices de Transición

Margen de Conservadurismo

 

Módulo 26: Margen de conservadurismo MoC IRB

 

  • MoC en Basilea IV

  • MoC en TRIM UE

  • Mejores prácticas para estimar el MoC

  • MoC en la PD

  • MoC en la LGD

  • MoC en la EAD

  • Ejercicio 69: Estimación de MoC de la PD, LGD y EAD bajo 2 metodologías distintas