top of page
nmd.jpg

Generative AI and Quantum Computing in

ALM and Non Maturity Deposits 

 

OBJETIVO DEL CURSO

Curso de gestión de los riesgos estructurales del balance y modelización de depósitos con vencimiento indefinido usando inteligencia artificial AI generativa y computación cuántica. 

 El curso aborda los siguientes puntos:

 

  • Mostrar metodologías, estrategias y técnicas más recientes para gestionar y cuantificar los riesgos estructurales del Balance de una entidad bancaria.

  • Se han incluido las recientes directivas del enfoque estandar de Basilea IV para medir el riesgo de interés en el banking book (IRRBB)  y los requerimientos para un modelo interno.  

  • Herramientas para crear la yield curve con las nuevas tasas de referencia, SOFR en EEUU y €STER en la UE.

  • Se muestran metodologías para estimar el Valor Económico EVE, NII, NIM y EAR. Se explica las mejores prácticas para implementar tanto un GAP de repreciación dinámico como un sistema de límites.

  • Se enseñan modelos de comportamiento de prepago, depósitos de vencimiento indefinido y retiros de líneas de crédito bajo la nueva normalidad post COVID-19

  • Se exponen metodologías de gestión y medición del riesgo de liquidez. Además se incluyen los requerimientos regulatorios de Basilea III sobre liquidez y apalancamiento.

  • Se explica detalladamente la optimización de las posiciones del balance bajo escenarios de estres. 

  • Se muestran modelos de stress testing del riesgo de interés y riesgo de liquidez.

El curso explica las modernas herramientas de inteligencia artificial clásica como el machine learning y deep learning, una introducción a la computación cuántica, el quantum machine learning, la simulación de Monte Carlo Cúantica y la inteligencia artificial generativa.

A continuación se explican las aplicaciones de la inteligencia artificial generativa y clásica, asi como la computación cuántica en la gestión de activos y pasivos y la modelización de los Non Maturity Deposits.

La gestión de activos y pasivos (ALM) en banca puede aprovechar la AI para analizar datos históricos, tendencias del mercado y comportamiento de los clientes con el fin de optimizar la correspondencia entre activos y pasivos. Los algoritmos de AI pueden predecir futuros flujos de caja, riesgos de tipos de interés y necesidades de liquidez, permitiendo a los bancos tomar decisiones informadas en la gestión de sus balances.
La AI puede automatizar el proceso de identificación de activos y pasivos adecuados en función de criterios predefinidos como el vencimiento, el tipo de interés y la volatilidad. Esto ayuda a lograr el equilibrio y a alinear los activos y pasivos con el apetito de riesgo y los objetivos empresariales del banco.


La computación cuántica puede mejorar la ALM resolviendo complejos problemas de optimización asociados a la gestión de activos y pasivos. Los algoritmos cuánticos pueden manejar eficientemente cálculos a gran escala para determinar carteras óptimas, estrategias de financiación y técnicas de mitigación de riesgos, teniendo en cuenta diversos factores como escenarios de tipos de interés y restricciones normativas.


En el caso de los depósitos sin vencimiento en la banca, la AI puede utilizarse para analizar los datos históricos de los clientes, los patrones de gasto y las tendencias del mercado para prever el comportamiento de los depósitos y optimizar las estrategias de fijación de precios.

 

Los algoritmos de AI pueden ayudar a fijar dinámicamente los tipos de interés y diseñar productos de depósito personalizados para atraer y retener a los clientes.


La AI también puede ayudar a predecir la rotación de las cuentas de depósito y el desgaste de los clientes mediante el análisis de las interacciones de los clientes y los patrones transaccionales. Esto permite a los bancos abordar de forma proactiva las necesidades de los clientes y aplicar estrategias de retención, mejorando la satisfacción y la fidelidad de los clientes.


La computación cuántica puede optimizar la asignación de depósitos sin vencimiento resolviendo complejos problemas matemáticos relacionados con la rentabilidad del capital ajustada al riesgo. Los algoritmos cuánticos pueden ayudar a determinar la combinación óptima de productos de depósito y estrategias de inversión para maximizar la rentabilidad.

 

¿QUIÉNES DEBEN ASISTIR?

 

El Curso esta dirigido a profesionistas de ALM, CFOs, Risk managers, Tesoreros, analistas, pension fund managers, auditores, controllers, reguladores y al compliance staff.

 

Testimoniales Internacionales

3 testim.jpg
fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg
Time.png

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

Price.png

Price: 6.900 €

 

 

 

Level.png

Nivel: Intermedio

Duration.png

Duración: 34 h

Material.png

Material: 

Presentaciones PDF

Ejercicios en R, Python, SAS y Excel

fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg

AGENDA

Generative AI and Quantum Computing in

ALM and Non Maturity Deposits 

Machine Learning en NMD

Module 1: Machine Learning in NMD

 

  • Definition of Machine Learning

  • Machine Learning Methodology

    • Data Storage

    • Abstraction

    • Generalization

    • Assessment

  • Supervised Learning

  • Unsupervised Learning

  • Reinforcement Learning

  • deep learning

  • Typology of Machine Learning algorithms

  • Steps to Implement an Algorithm

    • information collection

    • Exploratory Analysis

    • Model Training

    • Model Evaluation

    • Model improvements

    • Machine Learning in consumer credit risk

  • Machine Learning in credit scoring models

  • Quantum Machine Learning

Module 2: EDA Exploratory Analysis

  • Data typology

  • transactional data

  • Unstructured data embedded in text documents

  • Social Media Data

  • data sources

  • Data review

  • Target definition

  • Time horizon of the target variable

  • Sampling

    • Random Sampling

    • Stratified Sampling

    • Rebalanced Sampling

  • Exploratory Analysis:

    • histograms

    • Q Q Plot

    • Moment analysis

    • boxplot

  • Treatment of Missing values

    • Multivariate Imputation Model

  • Advanced Outlier detection and treatment techniques

    • Univariate technique: winsorized and trimming

    • Multivariate Technique: Mahalanobis Distance

  • ​Exercise 1: EDA Exploratory Analysis​

Module 3: Feature Engineering​

  • Data Standardization

  • Variable categorization

    • Equal Interval Binning

    • Equal Frequency Binning

    • Chi-Square Test

  • binary coding

  • Binning

    • Kind of transformation

    • Univariate Analysis with Target variable

    • Variable Selection

    • Treatment of Continuous Variables

    • Treatment of Categorical Variables

    • Gini

    • Information Value

    • Optimization of continuous variables

    • Optimization of categorical variables

  • Exercise 2: Detection and treatment of Advanced Outliers

  • Exercise 3: Stratified and Random Sampling in R

  • Exercise 4: Multivariate imputation model

  • Exercise 5: Univariate analysis in percentiles in R

  • Exercise 6: Continuous variable optimal univariate analysis in Excel

  • Exercise 7: Estimation of the KS, Gini and IV of each variable in Excel

  • Exercise 8: Feature Engineering of variables

Unsupervised Learning

Module 4: Unsupervised models

  • Hierarchical Clusters

  • K Means

  • standard algorithm

  • Euclidean distance

  • Principal Component Analysis (PCA)

  • Advanced PCA Visualization

  • Eigenvectors and Eigenvalues

  • Exercise 9: Segmentation of the data with K-Means R

 

Supervised Learning

Module 5: Machine Learning

 

  • Econometric Models

    • Logit regression

    • probit regression

    • Piecewise Regression

    • survival models

  • Machine Learning Models

    • Lasso Regression

    • Ridge Regression

  • Model Risk in Logistic Regression

  • Decision Trees

  • K-Nearest Neighbors KNN

  • Probabilistic Model: Naive Bayes

  • Support Vector Classification

  • Ensemble Learning

    • Classification and regression ensemble models

    • bagging

    • bagging trees

    • Random Forest

    • Boosting

    • adaboost

    • Gradient Boosting Trees

    • xgboost

    • Advantages and disadvantages

  • Exercise 10: Lasso Logistic Regression in R

  • Exercise 11: Ridge Regression in R

  • Exercise 12: KNN and PCA

  • Exercise 14: Support Vector Machine in R

  • Exercise 15:  Boosting in R

  • Exercise 16: Bagging in R

  • Exercise 17: Random Forest, R and Python

  • Exercise 18:  Gradient Boosting Trees

Deep Learning

Module 6: Deep Learning Feed Forward Neural Networks

  • Single Layer Perceptron

  • Multiple Layer Perceptron

  • Neural network architectures

  • activation function

    • sigmoidal

    • Rectified linear unit (Relu)

    • The U

    • Selu

    • hyperbolic hypertangent

    • Softmax

    • other

  • Back propagation

    • Directional derivatives

    • gradients

    • Jacobians

    • Chain rule

    • Optimization and local and global minima

  • Exercise 19: Deep Learning Feed Forward

Module 7: Deep Learning Convolutional Neural Networks CNN

  • CNN for pictures

  • Design and architectures

  • convolution operation

  • descending gradient

  • filters

  • strider

  • padding

  • Subsampling

  • pooling

  • fully connected

  • Exercise 20: deep learning CNN

Module 8: Deep Learning Recurrent Neural Networks RNN

  • Natural Language Processing

  • Natural Language Processing (NLP) text classification

  • Long Term Short Term Memory (LSTM)

  • Hopfield

  • Bidirectional associative memory

  • descending gradient

  • Global optimization methods

  • One-way and two-way models

  • Deep Bidirectional Transformers for Language Understanding ​

  • Exercise 21: Deep Learning LSTM

Module 9: Generative Adversarial Networks (GANs)

 

  • Generative Adversarial Networks (GANs)

  • Fundamental components of the GANs

  • GAN architectures

  • Bidirectional GAN

  • Training generative models

  • Exercise 22: Deep Learning GANs

Module 10: Tuning Hyperparameters

  • Hyperparameterization

  • Grid search

  • Random search

  • Bayesian Optimization

  • Train test split ratio

  • Learning rate in optimization algorithms (e.g. gradient descent)

  • Selection of optimization algorithm (e.g., gradient descent, stochastic gradient descent, or Adam optimizer)

  • Activation function selection in a (nn) layer neural network (e.g. Sigmoid, ReLU, Tanh)

  • Selection of loss, cost and custom function

  • Number of hidden layers in an 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

  • Exercise 23: Optimization Xboosting, Random forest and SVM

  • Exercise 24: Optimized Deep Learning

Probabilistic Machine Learning 

 

Module 11: Probabilistic Machine Learning

​​

  • Introduction to probabilistic machine learning

  • Gaussian models

  • Bayesian Statistics

  • Bayesian logistic regression

  • Kernel family

  • Gaussian processes

    • Gaussian processes for regression

  • Hidden Markov Model

  • Markov chain Monte Carlo (MCMC)

    • Metropolis Hastings algorithm

  • Machine Learning Probabilistic Model

  • Bayesian Boosting

  • Bayesian Neural Networks

  • Exercise 25: Gaussian process for regression

  • Exercise 26: Bayesian Neural Networks

Model Validation

Module 12: Validation of traditional

and Machine Learning models

  • Model validation

  • Validation of machine learning models

  • Regulatory validation of machine learning models in Europe

  • Out of Sample and Out of time validation

  • Checking p-values in regressions

  • R squared, MSE, MAD

  • Waste diagnosis

  • Goodness of Fit Test

  • multicollinearity

  • Binary case confusion matrix

  • K-Fold Cross Validation

  • Diagnostico del modelo

  • Exercise 27: Validación avanzada de la regression

  • Exercise 28: Diagnostico de la regresión

  • Exercise 29: K-Fold Cross Validation in R

Module 14: Validación Avanzada de modelos de AI

 

  • Integración de métodos de última generación en aprendizaje automático interpretable y diagnóstico de modelos.

  • Data Pipeline

  • Feature Selection

  • Black-box Models

  • Post-hoc Explainability

  •  Global Explainability

  • Local Explainability

  • Interpretabilidad de Modelos

  • Diagnóstico: Accuracy, WeakSpot, Overfit, Reliability, Robustness, Resilience, Fairness

  • Comparativo de modelos

    • Comparativo para la Regresión y Clasificación

    • Fairness Comparison

  • Ejercicio 30: Validación y diagnóstico de modelos avanzados 

  • Ejercicio 31: Comparativo de modelos avanzados

​​

Explainable Artificial Intelligence

Module 15: Explainable Artificial Intelligence XAI

 

  • interpretability problem

  • Machine learning models

    • 1. The challenge of interpreting the results,

    • 2. The challenge of ensuring that management functions adequately understand the models, and

    • 3. The challenge of justifying the results to supervisors

  • ​Black Box Models vs. Transparent and Interpretable Algorithms

  • interpretability tools

  • Shap, Shapley Additive explanations

    • Global Explanations

    • Dependency Plot

    • Decision Plot

    • Local Explanations Waterfall Plot

  • Lime, agnostic explanations of the local interpretable model

  • Explainer Dashboard

  • Other advanced tools

  • Exercise 32: XAI interpretability of a model

 

Generative Artificial Intelligence

Module 16: Generative AI

  • Introducing generative AI

  • What is Generative AI?

  • Generative AI Models

    • Generative Pre- trained Transformer (GPT)

    • Llama 2

    • PaLM2

    • DALL-E

  • Text generation

  • Image generation

  • Music generation

  • Video generation

  • Generating text

  • Generating Code

  • Ability to solve logic problems

  • Generating Music

  • Enterprise Use Cases for Generative AI

  • Overview of Large Language Models (LLMs)

    • Transformer Architecture

    • Types of LLMs

    • Open-Source vs. Commercial LLMs

    • Key Concepts of LLMs

  • Prompts

  • Tokens

  • Embeddings

  • Model configuration

  • Prompt Engineering

  • Model adaptation

  • Emergent Behavior

  • Specifying multiple Dataframes to ChatGPT

  • Debugging ChatGPT’s code
    Human errors

  • Exercise 33: Embeddings for words, sentences, question answers

  • Exercise 34: Embedding Visualization

  • Exercise 35: First let's prepare the data for visualization

  • Exercise 36: PCA (Principal Component Analysis)

  • Exercise 37: Embeddings on Large Dataset

  • Exercise 38: Prompt engineering

  • Exercise 39: Advanced Prompting Techniques

  • Exercise 40: Large Language Models (LLMs)

  • Exercise 41: Retrieval Augmented Generation

  • Exercise 42: Traditional KMeans to LLM powered KMeans

  • Exercise 43: Cluster Visualization

  • Exercise 44: Semantic Search

  • Exercise 45: Tokens and Words

  • Exercise 46: Tokenization in Programming Languages



Quantum Computing

Module 17: Quantum computing and algorithms

  

  • Future of quantum computing in insurance

  • Is it necessary to know quantum mechanics?

  • QIS Hardware and Apps

  • quantum operations

  • Qubit representation

  • Measurement

  • Overlap

  • matrix multiplication

  • Qubit operations

  • Multiple Quantum Circuits

  • Entanglement

  • Deutsch Algorithm

  • Quantum Fourier transform and search algorithms

  • Hybrid quantum-classical algorithms

  • Quantum annealing, simulation and optimization of algorithms

  • Quantum machine learning algorithms

  • Exercise 47: Quantum operations multi-exercises

​Module 18: Quantum Computing II

 

  • Quantum programming

  • Solution Providers

  • Main Algorithms

    • Grover's algorithm

    • Deutsch–Jozsa algorithm

    • Fourier transform algorithm

    • Shor's algorithm

  • Quantum annealers

  • D-Wave implementation

  • Qiskit Implementation

  • Exercise 48: Quantum Circuits, Grover Algorithm Simulation, Fourier Transform and Shor

Module 19: Quantum Machine Learning

  • Quantum Machine Learning

  • hybrid models

  • Quantum Principal Component Analysis

  • Q means vs. K means

  • Variational Quantum Classifiers

  • Variational quantum classifiers

  • Quantum Neural Network

    • Quantum Convolutional Neural Network

    • Quantum Long Short Memory LSTM

  • Quantum Support Vector Machine (QSVC)

  • Exercise 49: Quantum Support Vector Machine

 

Module 20: Tensor Networks for Machine Learning

 

  • What are tensor networks?

  • Quantum Entanglement

  • Tensor networks in machine learning

  • Tensor networks in unsupervised models

  • Tensor networks in SVM

  • Tensor networks in NN

  • NN tensioning

  • Application of tensor networks in credit scoring models

  • Exercise 50: Neural Network using tensor networks

 

IRRBB y NMD en Basilea IV 

Módulo 21: IRRBB y NMD

  • Definición del IRRBB

  • Subtipos de riesgo:

    • Gap Risk

    • Basis Risk

    • Option Risk

  • Credit Spread Risk en el Banking Book

  • Valor Económico y medidas basadas en ingresos

  • Principios del IRRBB

  • Principios para bancos

    • Expectativas

    • Metodología de gestión del riesgo

    • Delegación

    • Política de límites

    • Definición de Valor Económico, visión dinámica 

    • Shocks de tipo de interés y escenarios de estrés. 

    • Modelos de comportamiento

    • Prepago

    • Depósitos sin vencimiento definido

    • Sistemas de medición

    • Integridad de los datos

    • Modelo de gobernanza

  • Principios para Supervisores

    • Valoración

    • Recursos

    • Cooperación supervisora

  • Alcance y timeline

  • Implementación

  • Enfoque Estándar IRRBB

  • Metodología del enfoque estandar

  • Componentes

  • Cash Flow Bucketing

  • Proceso para posiciones que son susceptibles de estandarización

  • Tratamiento de depósitos sin vencimiento definido

    • Categorías

    • Separación

    • Caps sobre los core deposits

  • Tratamiento de posiciones con opcionalidades

  • Non-Maturity Deposits en IRRBB de Basilea III

  •  Préstamos con tasa fija sujetos al prepago

  • Depósitos a plazo con riesgo de rescate

  • Add-on para opciones automáticas de tipo de interés

  • Medida de riesgo del EVE estandarizado

  •  Interest rate risks for banking book (IRRBB) supervisory outlier tests SOT

  • Ejercicio 51: Ejercicio medición de riesgo de tipo de interés

    • Cash flow bucketing

    • Tratamiento de depósitos sin vencimiento definido

    • Tratamiento de opcionalidades, prepago.

    • EVE estandarizado

    • Comparativo de EVE estandarizado frente a modelo interno IRRBB de valor económico 

    • Revisión Supervisory outlier test SOT 

Módulo 22: SOFR / €STER Yield Curve

  • Dual Bootsrapping

  • Multi curvas yield curve

  • Calibración y optimización 

  • Nuevos instrumentos para SOFR USD

  • Libor vs ARR Rates

  • Nuevos riesgos para gestionar

  • Curva de calibración singular

  • Calibración global Interpolación

  • Modelo de Optimización

  • Multi-dimensional Newton-Raphson solver

  • Uso de Jacobianos para recalibración

  • Selección de instrumentos para la calibración Instrumentos ARR

  • Pasos para la calibración del Yield Curve

  • Requerimientos para lograr una adecuada calibración

  • Ejercicio 52: Estimación multicurva y optimización con matrices de jacobianos en Python

  • Ejercicio 53: Optimización con Jacobianos usando Multi- dimensional Newton- Raphson solver

  • Ejercicio 54: Estimación curva singular

  • Ejercicio 55: Estimación multicurva con matrices de jacobianos

  • Ejercicio 56: Estimación curva SOFR 

Módulo 23: Cálculo del EVE y EAR

 

  • Yield Curve Stress test

  • Basis Risk Stress Test

  • Componentes Principales (PCA) 

  • Simulación de Monte Carlo

  • Simulación de modelos estocásticos: CIR, Vacicek,HJM, etc.

  • Gap de repreciación

  • Simulación de Margen Financiero  (EaR)

  • Metodología del Capital at Risk

  • Medición del Valor Económico de RRPP (EVE)

  • Valor Económico y capital bajo el ICAAP

  • Límites de gap análisis

  • Límites de sensibilidad del NII y del valor patrimonial

  • Ejercicio 57: Gap de Repreciación en R

  • Ejercicio 58: Estimación del EVE y EAR ajustado a criterios del IRRBB de Basilea III 

  • Ejercicio 59: Estimación de EVE usando yield curve stress, basis risk stress y comportamiento del Cliente 

Modelos de Comportamiento

Módulo 24: Metodologías para los modelos de

comportamiento NMD

 

  • Marco regulatorio de Basilea IV IRRBB

  • Condiciones actuales del mercado, el entorno competitivo y factores macroeconómicos

  • Calidad de datos

  • Análisis de la longitud y frecuencia de las series temporales

  • Parametrización de modelos estocásticos

  • Calibración

  • Calidad de los datos y complejidad del modelo

  • Estimación de la vida promedio de los depósitos sin vencimiento

  • La liquidez y el perfil de riesgo de tasa de interés

  • Modelos alternativos

  • Análisis de los depósitos banco SVB y otros bancos de EEUU

 

Módulo 25: Modelización de pasivos sin vencimiento definido

 

  • Depósitos estables e inestables

  • Non Maturity Deposits (NMD) en Basilea IV

  • Modelos estadísticos de pasivos

  • Tranchas por volatilidad de depósitos

  • Modelo Portfolio Replica y optimización

  • Modelo Option-Adjusted Spread

  • Modelo experto para definir depósitos estables

  • Estimación del Cash Flow en el margen financiero y valor económico

  • Ejercicio 60: Modelo econométrico y simulación de pasivos sin vencimiento en Excel

  • Ejercicio 61: Tranchas de depósitos estables e inestables en Excel

  • Ejercicio 62: Enfoque de portfolio replica 

  • Ejercicio 63: Modelo avanzado de NMD econométrico con pruebas de cointegración y metodología de portfolio replica 

 

Módulo 26: Modelización del NMD con procesos estocásticos

 

  • Modelización con el Ornstein-Uhlenbeck framework

  • Sistema de ecuaciones de Ornstein-Uhlenbeck impulsado por procesos de Lévy

  • Factores dinámicos

  • Aplicación del riesgo de liquidez

  • Stress testing con parámetros

  • Estimación de Run-Off

  • Ejercicio 64: Modelo NMD usando sistema de ecuaciones de Ornstein-Uhlenbeck 

  • Ejercicio 65: Generative AI para modelo de NMD usando procesos estocásticos 

 

Módulo 27: Modelización del NMD con AI y econometría​​

  • ​Machine Learning for NMD Forecasting

  • Multivariate Models

    • Autoregressive Vector VAR Models

    • ARCH Models

    • GARCH Models

    • Multivariate GARCH Models Copulas

    • Vector Error Correction VEC models

    • Johansen Method

  • Machine Learning 

    • ​Multivariate Adaptive Regression Splines

    • Xgboost

  • Deep Learning

    • Redes Neuronales Recurrentes RNN

    • Red Neuronal de Elman

    • Red Neuronal de Jordan

    • Estructura básica de RNN

    • Long short term memory LSTM

    • Gated Recurrent Units GRU

    • Modelos híbridos 

    • CNN + LSTM

    • TCN + LSTM/GRU

  • Bayesian Deep Learning

    • Bayesian Long short term memory LSTM

  • Advanced Forecasting

    • DeepAR 

      • Deep Learning

      • Probabilistic Forecasting

    • Transformer Model​

  • Quantum Machine Learning 

    • Quantum Neural Network
    • Quantum Long short term memory LSTM
  • Exercise 66: Econometric Forecasting ARIMA and SARIMA

  • Exercise 67: Forecasting using Recurrent Neural Networks LSTM 

  • Exercise 68: Forecasting using Quantum LSTM 

  • Exercise 69: Forecasting using Bayesian Neural Networks

  • Exercise 70: Multivariate Forecasting Model with VAR

  • Exercise 71: Multivariate forecasting model with LSTM NMD

  • Exercise 70: DeepAr forecasting NMD

  • Exercise 71: Transformer forecasting NMD

  • Exercise 72: Generative AI para forecasting de NMD

Módulo 28: Modelización del NMD con

modelos de clasificación de ML

 

  • Modelos de clasificación de NMD

  • Modelos Estadísticos de probabilidad de churn/runoff de depósitos

  • Variables de modelo churn

  • Modelos de machine learning para estimar tasa churn

  • Feature Engineering

  • ML models

    • Support Vector Machine Regression

    • Neural Networks Feed Forward

    • Convolutional Neural Network CNN

  • Quantum ML models

    • Qubit and Quantum States

    • Quantum circuits

    • Quantum k means

    • Support Vector Quantum Machine

    • Quantum Neural Networks

    • Variational Quantum Regressor (VQR)

  • Exercise 73: Variational Quantum Regressor ( VQR ) for churn rate

  • Exercise 74: Quantum Support Vector Machine and classical SVM for churn model

  • Exercise 75: Quantum feed forward Neural Networks  and  classical NN for churn model

  • Exercise 76: Classical CNN for churn model

Módulo 29: Modelización del Prepago

 

  • Modelos Empíricos

  • Modelos Estadísticos de probabilidad de prepago

  • Modelos de machine learning para estimar tasa prepago

    • Redes Neuronales Recurrentes

    • SVC

    • SVR

    • Red neuronal prealimentada

  • Probabilidad de pago por contrato y por pool de créditos

  • Modelos de opciones de prepago

  • Modelos de Prepago racionales

  • Factores como tipo de interés, estacionalidad, ciclo económico, Burnout factor y tendencia

  • Estudio de Prepagos parciales y totales en hipotecas

  • Ejercicio 77: Ejercicio de prepago en cartera hipotecaria usando redes neuronales y SVR

  • Ejercicio 78: Modelo econométrico y de machine learning de probabilidad de prepago en R

 

Módulo 30: Modelos de Utilización de líneas de Crédito

 

  • Estimación del CCF en la EAD

  • Modelos intensivos de utilización  de línea de crédito

  • Gestión de líneas de crédito

  • Distribución Marginal del uso de líneas de crédito

  • Modelos de Machine Learning para modelizar la utilización de líneas de crédito

    • SVC

    • Redes Neuronales

  • Ejercicio 79: Modelo de utilización de línea de crédito en R

  • Ejercicio 80: Modelo de utilización de línea de crédito con redes neuronales en Python

 

Stress Testing

 

Módulo 31: Stress Testing de Riesgo de Tipo de Interés

 

  • Escenarios y Stress Testing en  el IRRBB

  • Metodología de shock de parámetros de tipo de interés

  • NII tras el Shock sobre el tipo de interés

  • Stress testing yield curve

  • Escenarios de tipos de interés y divisa para la gestión interna

  • Escenarios de tipo de interés para el stress testing

  • Programa de Stress testing IRRBB

  • Gobernanza Stress Testing

  • Stress testing en los modelos de comportamiento y entorno económico

  • Ejercicio 81: Simulación de Monte Carlo, escenarios macroeconómicos, impacto en el EVE y margen financiero escenarios de yield curve adversos y cambios macroeconómicos adversos 

  • Ejercicio 82: Simulación de Monte Carlo Cuántica en el stress testing

  • Ejercicio 83: aplicación de la inteligencia artificial generativa para el stress testing

 

Módulo 32: Reverse Liquidity Stress Testing

 

  • Introducción del Reverse Stress Testing 

  • Funding Liquidity Risk

  • Stress testing del Funding Liquidity Risk

  • Stress testing en el NMD

  • Coste de los fondos en tiempos de crisis y normales

  • Identificación de los factores de riesgo en los fondos

  • Score de Funding Risk

  • Asignación de critical values 

  • Cálculo de periodos de supervivencia

  • Cuadro de mando

  • Impacto del funding risk en el banco 

Módulo 33: Stress Testing de Riesgo de Liquidez

 

  • Requisitos del Stress Testing para ILAAP

  • Consistencia entre el Risk Appetite y el Stress Testing el ILAAP

  • Escenarios adversos que producen shock en el riesgo de liquidez

  • Acciones de liquidez

  • Magnitud de las salidas de cuentas de depósitos

  • Factores relacionados con el estrés de la liquidez

    • Depósitos

    • Compromisos

    • Financiación garantizada

    • Financiación mayorista

    • Liquidez intradía

    • Capacidad de contrapeso

    • Préstamos de valores

  • Metodologías de stress testing en riesgo de liquidez

    • Enfoque Bottom-up

    • Enfoque Top-Down

    • Enfoque híbrido

    • Valoración de las metodologías

  • Diseño de escenarios

    • Benchmark Escenarios de estrés de liquidez

    • Modelización de los Haircuts y Add-ons

    • Magnitud las tasas de Run-Off

    • Vinculo de la liquidez y solvencia

  • Modelización y Stress Tresting del Run-Off con modelos econométricos

  • Stress Testng en los Cash Flows Contractuales

  • Stress Testing en los los cash flows comportamentales

  • Ejercicio Global 84: Stress Testing de riesgo de liquidez en estados financieros, simulación de escenarios macroeconómicos, impacto en flujos comportamentales, contractuales y tasas de Run-off 

  • Ejercicio 85: Computación Cuántica en el stress testing de riesgo de liquidez 

  • Ejercicio 86: tAplicación de la inteligencia artificial en el stress testing de riesgo de liquidez

 

Optimización del Balance

Módulo 34: Optimización del Balance 

 

  • Optimización del balance

  • Definición de escenarios post COVID-19

  • Arboles de Escenarios estocásticos y dinámicos 

  • Programación dinámica

  • Programación dinámica Estocástica Multiperíodo

  • Maximización del margen financiero y valor económico

  • Aplicación de teorías económicas y financieras 

  • Condicionantes de liquidez, capital y Basilea III

  • Escenarios de Stress Testing COVID-19

  • Optimización del Capital Adequacy Ratio (CAR)

  • Condicionantes de IRRBB Risk Appetite

  • Ejercicio 87:Optimización de ratios de cobertura y financiación estable con Solver de Excel

  • Ejercicio 88: Optimización del margen financiero sujeto a reestricciones del ratio de apalancamiento, liquidez NSFR, LCR y capital, usando programación estocástica multiperíodo

  • Ejercicio 89: Optimización Cuántica del balance

bottom of page