Machine Learning para valoración de derivados

en Python, Julia y R 

 

OBJETIVO

 

Curso Intensivo y avanzado de productos derivados y estructurados de renta variable, renta fija, tipo de cambio y crédito.

 

En el curso se muestran estrategias y coberturas con opciones, modelos avanzados de pricing para opciones de tipo de interés, modelos de volatilidad implícita, local, estocástica y Jump Difussion Model.

 

Para la valoración de las opciones de tipo de interés, hay un módulo que aborda la construcción de la Yield Curve desde los modelos tradicionales como bootstrapping hasta modelos recientes como Libor Market Model

Innovadoramente, se expone el uso de potentes herramientas de machine learning, particularmente las redes neuronales y el deep learning, para la valoración de derivados, calibración de ecuaciones diferenciales estocásticas, estimación de la volatilidad implícita y creación de la curva yield.

Se explica la valoración de opciones exóticas de primera y segunda generación, empleando modelos de machine learning.

 

Se abordan metodologías alternativas para determinar el pricing de las opciones mediante transformaciones de Fourier y extensiones en la Simulación de Monte Carlo. Para la modelización de las griegas se ha incluido el algoritmo Adjoint of Automatic Differentiation.

 

El curso tiene un número importante de ejercicios en Julia, Python y R así como casos de estudio que mejoran el aprendizaje. Se abordan las ventajas e inconvenientes de cada lenguaje para la valoración de derivados. Hemos introducido un reciente lenguaje, llamado Julia, que es potente, sencillo y muy rápido. Todos los ejercicios en el entorno JupyterLab.

 

Se explican estrategias y pricing de productos estructurados de renta variable, fija, divisas y crédito. En estructura de crédito se aborda el pricing de CDS y de forma especial de CDOs.

Se exponen metodologías de medición de riesgo de contraparte de derivados, desde la estimación de la exposición crediticia al cálculo del Credit Value Adjustment CVA, empleando metodologías tradicionales y modelos de deep learning.

Curso didáctico, claro en exposición, con la experiencia y calidad de Fermac Risk, buscando que el aprendizaje del participante sea lo más importante. El curso es práctico para aplicar lo aprendido inmediatamente en el trabajo.

 

¿QUIÉNES DEBEN ASISTIR?

 

Personas que trabajen en los siguientes departamentos: Investment Management, Tesorería, Analisis de Riesgos de Crédito, Modelización de Portfolios, Validación de Modelos, Quantitative Research, Estructuración, Pricing, Riesgo de Mercado, metodologías, dirección financiera, controller financieros y Portfolios managers. De bancos, sociedades de valores, corporativos, seguros, agentes de bolsa, casa de bolsa y corredor de bolsa.

 

El curso no aborda matemáticas abstractas ni teoría compleja. No obstante, se explican con seriedad los modelos matemáticos. El alumno conocerá no solo la teoría sino ejercicios prácticos. Es recomendable dominar algún lenguaje de programación.

 

 

 

 

 

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 €

Precio: 4.900 € *

Nivel: Avanzado

Duración: 30 h

Material: 

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

* Clientes

 

Machine Learning para valoración de derivados

en Python, Julia y R 

Python, R y Julia

Módulo 1: Programación en Pyhton

 

  • ¿Que es Python? 

  • Crecimiento exponencial del uso de Python

  • Pyhton en el sector bancario

  • Instalación de Python

  • Importación de archivos

  • Tratatamiento de datos

  • Variables y programación

  • Construcción de funciones

  • Principales sentencias de programación

  • Datos fuentes de internet

  • Numpy, Scipy, Scikit-lern,panda y Matplotlib

  • Instalación y uso  de Anaconda

  • Ejercicio 1: Cálculadora Black-Sholes en Python

  • Ejercicio 2: Importación y modelos de series temporales

  • Ejercicio 3: Simulación de Monte Carlo en Python 

Módulo 2: Programación en R

 

  • Introducción de R

  • ¿Porque usar R en la Banca?

  • Instalación y Actualización de R

  • R con Windows

  • R con Linux y Unix

  • Programación en R

    • Principales Sentencias

    • Operadores 

    • Dataframes 

    • Arrays

    • Matrices

    • Principales funciones

  • Librerias, Paquetes y CRAN 

  • Importar Bases de datos en R

  • Manipulación y gestión de bases de datos en R

  • Gestión de Outputs

  • Procedimientos Estadísticos

    • Estadística Descriptiva

    • Análisis Exploratorio

  • Ejercicio 4: Ejercicios de programación en R

  • Ejercicio 5: Calculadora Black-Sholes en R

Módulo 3: Programación en Julia

 

  • ¿Cual es mejor Julia, Python, R ?

  • ¿Porque la Rapidez de Julia?

  • Julia en finanzas y valoración de derivados

  • Instalación y Actualización de Julia

  • Programación en Julia

    • Principales Sentencias

    • Dataframes 

    • Arrays

    • Matrices

    • Loops

    • Uso de If y For

  • Principales funciones

  • Uso de Notebooks

  • Uso de paquetes

  • Manipulación de dataframes

  • Gráficos potentes

  • Estadística Descriptiva

  • Análisis Exploratorio

  • Ejercicio 6: Cálculo de Funciones y arrays de alta velocidad

  • Ejercicio 7: Calculadora Black-Sholes en Julia

Módulo 4: Redes Neuronales para pricing de derivados

​​

  • Redes Neuronales (Neural Networks NN)

  • Neurona artifical

  • Entrenamiento de Perceptron

  • Algoritmo de backpropagation

  • Procedimientos de entrenamiento

  • Tuning NN 

  • Visualización de NN

  • Ventajas e inconvenientes

  • Ejercicio 8: Redes Neuronales: perceptron multicapas en R data 1

 

Futuros y Opciones

Módulo 5: Futuros y Opciones

 

  • Mercado de derivados en España

  • Mercado de Derivados en Latinoamérica

  • Futuros

  • Forwards

    • Fx Forwards

    • FRAs

  • Swaps

    • Interest Rate Swaps IRS

    • Equity Swaps

    • Fx Swaps

    • Credit Default Swap CDS

  • ​Características Opciones

  • Tipología de opciones

  • Call y Put Europea y Americana

  • Modelos de Valoración

    • Black-Scholes

    • Árbol binomial

  • Opciones sobre índices de Acciones y Divisas

  • Ejercicio 9: Pricing  de Fx Swap en Excel 

  • Ejercicio 10: Pricing CDS en Excel y R

  • Ejercicio 11: Valoración Call Option en Python

  • Ejercicio 12: Valoración binomial de opción americana en Python

  • Ejercicio 13: Valoración de opción por Simulación de Montecarlo en R y Phyton

  • Ejercicio 14: Valoración Black y Scholes en R

 

Módulo 6: Estrategias con Opciones

 

  • Estrategia Alcista, Bajista, de movimiento y estabilidad

  • Bull y Bear Spread

  • Ratio Call-Put Back Spread

  • Compra y Venta de Túnel

  • Straddle y Strangle

  • Estrategias Butterfly

    • Butterfly spread con calls

    • Butterfly spread con puts

  • Estrategias Condor

    • Puts

    • Calls

  • Como usan los traders el precio de las opciones

 

 

Módulo 7: Tratamiento de volatilidad

  • Modelo Garch

  • Volatilidad Implícita

  • Volatilidad Local

  • Superficies de volatilidad

  • Smiles de volatilidad

  • Modelos de volatilidad estocástica

  • Jump Diffusion model

  • Tratamiento de volatilidad usando redes neuronales

  • Ejercicio 15: Volatilidad implícita dinámica para cobertura en Excel

  • Ejercicio 16: Volatilidad Local e Implícita en R, gráficos de superficie de volatilidad en R

  • Ejercicio 17: Modelización volatilidad GARCH en Python

  • Ejercicio 18: Simulación jump diffusion model en R

  • Ejercicio 19: Redes Neuronales para volatilidad implicita

 

Módulo 8: Gestión de Portfolios de Opciones

 

  • Parámetros de cobertura

  • Griegas: Delta, Gamma, Vega, Theta, Rho

  • Seguimiento y ajuste de posiciones de opciones en tiempo real

  • Simulaciones y análisis de sensibilidades de precios de ocpiones

  • Modelos de Barone-Adesi y Whaley model

  • Monitorización y gestión real de:

    • delta

    • gamma

    • theta

    • vega

    • elasticidad

  • Ajustes ante cambio de volatilidades

  • Relación entre parámetros de cobertura

  • Enfoques de estimación de griegas:

    • Diferenciación

    • Árbol binomial

    • Estimación de diferencias finitas

    • Estimación de Máxima Verosimilitud (EMV)

  • Adjoint of Automatic Differentiation​

  • Ejercicio 20: Estimación de griegas delta, gamma, theta y vega en Julia y Python

  • Ejercicio 21: Estimación de griegas usando R

  • Ejercicio 22: Adjoint of Automatic Differentiation en Python

Módulo 9: Derivados usados en Banca

 

  • Derivados de Renta Variable

    • Opciones Renta Variable

    • Swaps Renta Variable

    • Opciones de mercados organizados

  • Derivados de Renta Fija

    • Forwards de renta fija

  • Derivados de tipo de cambio

    • Cross Currency Swap

    • Opciones de tipo de cambio

  • Derivados de Crédito

    • Credit Default Swap CDS

  • Ejercicio 23: Pricing Cross Currency Swap

  • Ejercicio 24: Pricing de opción de renta variable en Python

Opciones de Tipo de Interés

Módulo 10: Estructura temporal de tipo de interés (Yield Curve)

  • Construcción de ETTI

  • Instrumentos disponibles

    • Bonos y Depósitos

    • FRAs

    • Interest Rate Swap

    • Basis Swap

    • Cross Currency Swap

  • Usando múltiples instrumentos

  • ETTI en la práctica y principales Issues

  • Curva colateralizada

    • Overnight Index Swaps (OIS)/EONIA

  • Enfoque Bootstrapping

    • Componentes principales PCA

    • Curva Euribor

    • Curva Eonia

  • Enfoque Interpolación

    • Cubic Splines

    • Basis Splines

  • Enfoque Extrapolación

    • Smith-Wilson

  • Enfoque Modelo Nelson Siegel

    • Calibración

  • Modelización estocástica

    • Modelo de Vasicek

    • Modelo Cox-Ingersoll-Ross

    • Modelo Ornstein-Uhlenbeck

    • Modelo Hull-White

  • Redes neuronales para calibrar modelos estocásticos

    • Modelo de Vasicek

    • Modelo de Hull-White

  • Libor Market Model

  • Martingalas y Numerario

  • Calibración de caps y swaptions

  • Modelos de Multicurvas con redes neuronales

  • Modelos SABR para tasas negativas

  • Ejercicio 25: Construcción de Curva de Estructura temporal de tipo de interés Euribor y Eonia en Python

  • Ejercicio 26: Construcción de Curva de Estructura temporal de tipo de interés. Caso práctico con depósitos, FRAs e Interest Rates Swaps y componentes principales PCA

  • Ejercicio 27: Caso Real Banco de España Nelson Siegel ejercicio en R y Excel

  • Ejercicio 28: Estructura temporal de Splines cúbicos y basis splines en Excel

  • Ejercicio 29: Simulación SABR para tasas negativas en Python y Excel

  • Ejercicio 30: Calibración y simulación CIR y Vasicek en R

  • Ejercicio 31: Calibración Ornstein-Uhlenbeck en R

  • Ejercicio 32: Calibración Hull-White usando redes neuronales

 

Módulo 11: Futuros, Swaps y Opciones de Tipo de Interés

 

  • Futuros y Swaps

  • Forward Rate Agreements (FRAs)

  • Estrategias de Coberturas con Futuros de tipo de interés

  • Interest Rate Swaps (IRS)

  • Overnight Index Swaps (OIS)

    • Tipo libre de riesgo vs OIS

    • Curva cero OIS

    • OIS vs Libor

    • Funding Risk

    • CVA y DVA

  • Opciones sobre tipo de interés

    • Bond Options

    • Caplet/Caps

    • Floorlets/Floors

    • Swaptions

    • Collar

    • Reverse Collar

  • Modelos de valoración

    • Pricing caps y floores usando Black`s Model

    • Pricing con árboles trinomiales

    • Pricing de Caps y Floors usando Libor Market Model

  • Ejercicio 33: Pricing IRS en Excel

  • Ejercicio 34: Pricing de caps y floors Black`s model en Excel

  • Ejercicio 35: Pricing de Swaption en Excel y VBA

  • Ejercicio 36: Caplet y Swaption Libor Market Model en Excel y VBA

  • Ejercicio 37: Árbol trinomial de Bond Options en Excel

 

 

 

 

 

Opciones Exóticas

Módulo 12: Opciones Exóticas 1º y 2º generación

 

  • Primera Generación

    • Opciones Asiáticas

    • Opciones Cliquet

    • Gap Options

    • Perpetual American call/put option

    • Chooser Options

    • Opciones Lookback

    • Opciones Barrera

    • Opciones Digitales/Binarias

    • Opciones Multi-Asset/Rainbow

  • Segunda Generación

    • Power Options 

    • Corridors

    • Faders Fx Option

    • Digital Barrier Options 

    • Pay-Later Options 

    • Step Up and Step Down Options 

    • Forward Volatility Agreements (FVAs)

    • Spread and Exchange Options 

    • Baskets 

    • Outside Barrier Options 

    • Best-of and Worst-of Options 

  • Ejercicio 38: Pricing opción Lookback en Excel con VB

  • Ejercicio 39: Pricing de opción asiática en Python

  • Ejercicio 40: Pricing de opción Barrera en Python

 

Módulo 13: Técnicas avanzadas de Pricing de opciones

 

  • Pricing Simulación de Monte Carlo

    • Pricing de Opción Europea

    • Pricing de Opción Americana

    • Reducción de varianza

    • Antithetic Variable

    • Muestreo Estratificado

    • Secuencia de Sobol

  • Pricing de opciones basados en Fast Fourier (FFT)

    • Enfoque Carr-Madan

    • Enfoque Lewis

    • Enfoque Convolución

    • Estimación de griegas

  • Ejercicio 41: Pricing usando simulación de Monte Carlo opción Europea y Americana en Python

  • Ejercicio 42: Estimación call con enfoque FFT Carr-Madan, Lewis y Convolución con Python

Deep Learning para valoración de derivados

Módulo 14: Deep Learning

  • Definición y concepto del deep learning

  • ¿Porque ahora el uso del deep learning?

  • Arquitecturas de redes neuronales

  • Función de activación

    • Sigmoidal

    • Rectified linear unit

    • Hipertangente

    • Softmax

  • Perceptrón Multicapa

  • Uso de Tensorflow

  • Uso de Tensorboard

  • R deep Learning

  • Python deep Learning

  • Arquitecturas de Redes Neuronales

    • Feedforward network

    • Redes neuronales convolucionales CNN

    • Redes neuronales recurrentes RNN

  • Uso del deep learning en la clasificación de imágenes

  • Función de costes

  • Optimización con Gradiente descendiente

  • Software Deep Learning:

    • Caffe

    • H20

    • Keras

    • Matlab

    • Otros

  • Software de implementación: Nvidia y Cuda

  • Harware, CPU, GPU y entornos cloud

Módulo 15:  Deep Learning para valoración de derivados

  • Deep Learning en finanzas

  • Rapidez y precisión

  • Ventajes e inconvenientes del deep learning sobre técnicas tradicionales

  • Ecuaciones diferenciales parciales

  • Ecuaciones diferenciales estocásticas

  • Modelos de optimización

  • Modelos de Ecuaciones estocásticas diferenciales

  • Movimiento browniano

  • Modelo Black-Sholes 

  • Modelo de Libor Market Model

  • Pricing de un Swaption

  • Pricing en opciones exóticas

  • Ventajas e inconvenientes del deep learning

  • Ejercicio 43: Deep Learning para valoración de modelo Black-Sholes

  • Ejercicio 44: Deep Learning para valoración de modelo brownian motion

  • Ejercicio 45: Modelo de valoración de un Swaption usando Libor Market Model clásico frente a modelo LMM usando deep learning

  • Ejercicio 46: Deep Learning para pricing de Rainbow Option

Módulo 16:  Machine Learning para valoración de derivados

  • Proceso gaussiano

  • Multiproceso gaussiano

  • Regresión líneal y no líneal

  • Matriz de covarianza

  • Funciones de Kernel

  • Enfoque bayesiano

  • Análisis de Out of sample

  • Superficies de volatilidad

  • Pricing de derivados

  • Estimación de griegas

  • Ejercicio 47: Machine Learning para valoración de call-puts usando modelo Black-Sholes

  • Ejercicio 48: Griegas usando modelos de machine learning

 

Productos Estructurados

 

Módulo 17: Productos Estructurados (PE)

 

  • Proceso de Estructuración

  • Tipología de productos estructurados

  • Análisis de los diagramas

  • Comprensión del Pay off

  • Términos y condiciones

  • Análisis del comportamiento durante la vida del PE

    • Mejora del rendimiento

    • Capital garantizado

    • Análisis de la volatilidad

  • Opciones Quanto​

  • Opciones Barrera

  • Autocall y callable options

 

Módulo 18: Estructuras de Renta Variable

 

  • Equity Linked Notes (ELN)

  • Valoración:

    • Modelo Black-Sholes

    • Simulación

  • Range Accrual Notes

    • Estimación bajo Black-Sholes

    • Simulación 

  • Callable ELN

  • Warrants

  • Equity Deposits

  • Asian Deposit

  • Depósito Straddle con Knock Out

  • Reverse Convertible

  • Bono Ladder

  • Bono cesta de acciones

  • Bono Spread

  • Bono best of

  • Ejercicio 49: Estrategia y Valoración Bono IBEX35 en Excel

  • Ejercicio 50: Estrategia y Valoración Reverse Eurostoxx50 en Excel

  • Ejercicio 51: Estrategia y Valoración Depósito ligado a Telefónica

  • Ejercicio 52: Valoración de Range Accrual Notes por Black-Sholes y Simulación

  • Caso Estudio 1: Depósito fijo más fondo referenciado a evolución media de un índice, opciones asiáticas. Banco Europeo.

  • Caso Estudio 2: Depósito fijo más combinación alternativa de acciones, opción worst of. Banco Europeo

  • Caso Estudio 3: Depósito fijo más opción digital. Banco Europeo.

 

Módulo 19: Estructuras de Renta Fija

 

  • Floating Rate Note

  • Reverse Floating Rate Note

  • Collared floating Rate Note

  • Rangos Digitales

  • Reset Notes

  • Participating Swap

  • Ejercicio 53: Estrategia y valoración de Estructura Step up en Excel

 

Módulo 20: Estructuras de Tipo de Cambio

  • Forwards

    • Participating Forward

    • Participating Collar

    • Fade-In Forward

    • Knock-Out Forward

    • Shark Forward

    • Butterfly Forward

    • Range Forward

  • Target Forwards​

  • Cross Currency Forwards

  • Productos híbridos Fx

  • Caso Estudio 4: Estrategia de coberturas estructuradas para cubrir el riesgo de divisas

  • Caso Estudio 5: Caso real producto estructurado para proteger tesorerías por riesgo de divisa 

 

Módulo 21: Estructuras de Crédito y Bonos Convertibles

 

  • Credit Default Swaps

  • Modelos de forma reducida

  • Valoración de Jarrow-Turnbull

  • Credit Link Note

  • First to Default Basket

  • Nth to Default Basket

  • Pricing Basket Default Swaps

  • Copula gaussiana y t-student

  • Credit Spread Option

  • Digital Default Swap

  • Bonos Convertibles

  • Collateralized Debt Obligations (CDO)

  • Pricing de CDOs

    • Copula gaussiana y t-student

  • Ejercicio 54: Valoración derivado de crédito en Excel

  • Ejercicio 55: Valoración CDS en Python

  • Ejercicio 56: Valoración de bonos convertibles

  • Ejercicio 57: Estimación copula t-student y gaussiana en Excel

  • Ejercicio 58: Estimación copulas en R

  • Ejercicio 59: Valoración de CDOs en Excel y VBA

  • Ejercicio 60:Valoración de Basket Default Swaps con copulas.

 

Riesgo de Contraparte y CVA

Módulo 22: Modelo interno para medir la exposición del

riesgo de contraparte

 

  • Modelización de exposición de riesgo de contraparte

    • MtM+Add on

    • Simulación de Monte Carlo

  • Exposición potencial futura (PFE)

  • Exposición esperada (EE)

  • Máxima PFE

  • Expected positive exposure

  • Exposición Negativa

  • Effective expected positive exposure

  • Factores: vencimiento, frecuencias de pago, opcionalidades y default

  • PFE de Interest Rate Swaps, Swaptions y CDS 

  • Impacto del Neteo en la exposición

  • Modelización de la exposición colateralizada

  • Modelización del colateral

  • Acuerdo de margen Unilateral

  • Acuerdo de margen Bilateral

  • Perfiles de exposiciones colateralizadas

  • PFE colateralizado

  • EE colateralizado

  • Ejercicio 61: Simulación de MtM de valores de IRS

  • Ejercicio 62: Simulación del tipo de interés usando modelo CIR y Vacicek para determinar MtM de IRS. Estimación del  PFE y EE

  • Ejercicio 63: Estimación EE y EPE Swaptions en Excel con VBA

  • Ejercicio 64: Estimación del PE y EPE colateralizado y no colateralizado

Módulo 23: Modelización del Credit Value Adjustment (CVA)

 

  • Definición y concepto CVA

  • Fórmula y parámetros

  • Factores que afectan el CVA

  • Gestión del riesgo por CVA

  • Contrapartes con Colaterales

  • Cobertura sobre factores de mercado

  • Cobertura sobre spread

  • CVA visto como Spread

  • Riesgo de correlación adversa

  • Mecanismos de mitigación en el CVA

  • CVA marginal y CVA incremental

  • Modelización del CVA con modelo de forma reducida

  • CVA en IRS

  • CVA en portfolio de IRSs

  • Probabilidad neutra al riesgo

  • Simulación

  • Ejercicio 65: Estimación CVA, EE, PFE 

  • Ejercicio 66: Estimación CVA  de portfolios de IRSs usando simulación de Monte Carlo

Módulo 24: CVA y Deep Learning

 

  • Ecuaciones diferenciales parciales PDE

  • SDE para la estimación del CVA

  • Discretización de las ecuaciones diferenciales estocásticas SDE

  • Aproximación a través del deep learning

  • Movimiento browniano y Black-Sholes

  • Deep Learning SDE para Libor Market Model LMM

  • Pricing Swaption a través de deep learning

  • Estimación del CVA usando Deep Learning

  • Estimación del CVA usando machine learning

  • Ejercicio 67: Modelo de CVA usando deep learning de IRS's

  • Ejercicio 68: Modelo de CVA usando machine learning