top of page
Banking pic 5.jpg

Innovación en Riesgo de Crédito: De la IA a la Computación Cuántica y Regulaciones IRB/IFRS 9

 

 

 

OBJETIVO DEL CURSO

Curso avanzado de modelización del riesgo de crédito mediante Inteligencia Artificial y Computación Cuántica, entre otros muchos temas: herramientas de scoring de crédito, modelización de los parámetros PD, LGD y EAD del enfoque IRB avanzado de Basilea III, metodologías de riesgo de crédito para los modelos de deterioro de la IFRS 9, modelos de stress testing de riesgo de crédito, capital económico y riesgo de crédito relacionado con el cambio climático.

Entre otros temas, se exponen la computación cuántica, los circuitos cuánticos, los algoritmos cuánticos importantes, la mecánica cuántica, el error y la corrección cuánticos, y el aprendizaje automático cuántico.

El aprendizaje automático y profundo se utilizan para construir potentes herramientas de scoring crediticio y de comportamiento, así como para estimar y calibrar parámetros de riesgo y pruebas de estrés.

 

Se expone un módulo sobre procesamiento avanzado de datos, explicando entre otros temas: muestreo, análisis exploratorio, detección de valores atípicos, técnicas avanzadas de segmentación, ingeniería de características y algoritmos de clasificación.

El curso explica las recientes reformas finales de Basilea III en relación con el nuevo enfoque estándar y el IRB avanzado, la IFRS 9 relacionada con el riesgo de crédito y las nuevas directrices sobre estimación de PD y LGD y tratamiento de exposiciones en default.

Se muestran modelos de aprendizaje automático predictivo como: árboles de decisión, redes neuronales, redes bayesianas, Support Vector Machine, modelo ensemble, etc. Y en cuanto a las redes neuronales, se exponen las arquitecturas feed forward, RNN recurrente, CNN convoluta y Generativa adversarial. Además, se incluyen modelos probabilísticos de aprendizaje automático como los procesos gaussianos y las redes neuronales bayesianas.

 

Se enseñan metodologías avanzadas para estimar y calibrar parámetros de riesgo: PD, LGD y EAD. Se expone la estimación de la PD Life Time utilizada en los modelos de deterioro de IFRS 9.

 

Se muestran metodologías y ejercicios prácticos de Stress testing en riesgo de crédito utilizando técnicas avanzadas de machine learning y deep learning. Y un ejercicio práctico con estados financieros para entender el impacto de las pruebas de estrés en el capital y los beneficios.

Disponemos de un ejercicio global para estimar la pérdida esperada a 12 meses y la vida útil de la ECL utilizando metodologías avanzadas de riesgo de crédito, incluyendo modelos de PD, LGD, EAD, prepago y curva de tipos de interés.

El curso enseña las metodologías de capital económico que se utilizan en las carteras de tarjetas de crédito, hipotecas, PYME y empresas. También cubre las metodologías de asignación de capital.

El aprendizaje automático cuántico es una fusión de algoritmos cuánticos con programas de aprendizaje automático. Los algoritmos de aprendizaje automático se utilizan para procesar enormes cantidades de datos, mientras que el aprendizaje automático cuántico emplea qubits y sistemas cuánticos especializados para mejorar la velocidad de cálculo y almacenamiento de datos en un algoritmo. Por ejemplo, algunas técnicas matemáticas y numéricas de la física cuántica pueden utilizarse en el aprendizaje profundo clásico. Una red neuronal cuántica tiene el potencial de reducir el número de pasos, los qubits utilizados y el tiempo de cálculo.

El objetivo de este curso es demostrar cómo la computación cuántica y las redes tensoriales pueden utilizarse para mejorar la precisión de los algoritmos de aprendizaje automático. Mostraremos cómo los algoritmos cuánticos pueden agilizar las simulaciones Monte Carlo, que son las herramientas más potentes para construir modelos de riesgo crediticio. Esto supone una ventaja significativa para el cálculo del capital económico, la PD vitalicia y la creación de escenarios de pruebas de estrés.

 

El curso también pretende comparar los modelos clásicos con los cuánticos, y dejar claro el alcance, los beneficios y las oportunidades de la computación cuántica en este campo.

¿QUIÉN DEBE ASISTIR?

El curso está diseñado para profesionales financieros que deseen mejorar sus habilidades en el desarrollo de modelos eficaces de scoring crediticio y afinar sus resultados. También es adecuado para gestores de departamentos de riesgo crediticio y ciencia de datos responsables de la gestión de estos modelos. Para comprender mejor los temas del curso, se requiere que los participantes tengan una base sólida en matemáticas y estadística.

 

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

Precio:       7 900 €

Precio de Verano:  5 900 € 

 

Level.png

Nivel: Avanzado

 

Duration.png

Duración: 39 h

 

Material.png

     Material: 

  • Presentaciones PDF

  • Ejercicios en Excel, R, Python y Jupyterlab 

  • Se entrega el vídeo grabado del curso de 39 horas.

1. Integración de técnicas de vanguardia: El curso ofrece una mezcla única de metodologías tradicionales de modelización del riesgo de crédito con tecnologías de vanguardia como la inteligencia artificial y la computación cuántica. Mediante la incorporación de técnicas avanzadas como el aprendizaje automático cuántico y el aprendizaje profundo, los participantes adquieren una comprensión integral de las metodologías modernas de evaluación de riesgos, equipándolos con las habilidades necesarias para hacer frente a escenarios complejos de riesgo de crédito en la era de la transformación digital.

2. Mayor precisión y eficiencia: Mediante la utilización de algoritmos cuánticos y redes tensoriales, los participantes aprenden a mejorar la precisión y la eficiencia de los modelos de riesgo de crédito. La computación cuántica permite acelerar las simulaciones Monte Carlo, un componente crucial en la construcción de modelos sólidos de riesgo de crédito, proporcionando así una ventaja significativa en el cálculo de capital económico, PD de por vida, y el desarrollo de escenarios de pruebas de estrés. Esta mayor capacidad computacional permite a las entidades financieras tomar decisiones más informadas y gestionar mejor su exposición al riesgo de crédito.

3. Preparación para futuros retos: Al explorar temas como el riesgo de crédito relacionado con el cambio climático y las últimas reformas de Basilea III y la NIIF 9, los participantes están equipados con los conocimientos y habilidades necesarios para navegar por los cambiantes panoramas regulatorios y los factores de riesgo emergentes. Además, la exposición a la computación cuántica y sus posibles aplicaciones en la modelización del riesgo de crédito prepara a los participantes para el futuro de las finanzas, garantizando que se mantengan a la vanguardia de la innovación en este campo. Este enfoque prospectivo permite a los profesionales de las finanzas anticiparse y abordar eficazmente los retos del futuro, mejorando así la resistencia y la sostenibilidad de sus organizaciones.

Some Clients

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

AGENDA
Riesgo de Crédito en la Era Digital:

AI, Computación Cuántica y Estándares IRB / IFRS 9

 

 

Anchor 10

PD, LGD y EAD IRB

 

Módulo 1: Directrices sobre la estimación de la PD, la estimación de la LGD y el tratamiento de las exposiciones en situación de impago

  • Reducción de la variabilidad de los parámetros

  • Homogeneización del cálculo de PD y LGD

  • Fechas de aplicación en los bancos europeos

  • Calidad de los datos

  • Representatividad de los datos para el desarrollo de modelos y para la calibración de los parámetros de riesgo

  • Juicio humano en la estimación de los parámetros de riesgo

  • Tratamiento de deficiencias y margen de conservadurismo (Moc)

  • Estimación de la PD

    • Desarrollo de modelos

    • Requisitos de datos

    • Factores de riesgo y criterios de calificación

    • Procesamiento de calificaciones externas

    • Filosofía de calificación

    • Tratamiento de los pools

  • Calibración PD

    • Datos necesarios

    • Cálculo de la tasa de impago a un año

    • Cálculo y utilización de la tasa media de impago observada

    • Tasa media de impago a largo plazo

    • Calibración de la tasa media de impago a largo plazo

  • Estimación de LGD

    • Metodologías para la estimación de la DP

    • Datos necesarios

    • Recuperación de garantías

    • Desarrollo de modelos

    • Factores de riesgo

    • Admisibilidad de garantías

    • Inclusión de garantías

  • Calibración LGD

    • Definición de pérdida económica y pérdida realizada

    • Tratamiento de las comisiones, intereses y otros retiros tras el impago

    • Tipo de descuento

    • Costes directos e indirectos

    • LGD media a largo plazo

    • Calibración de las estimaciones con la LGD media a largo plazo

  • Estimación de los parámetros de default exposure

    • Estimación y calibración de la mejor estimación de la pérdida esperada (ELBE)
    • Estimación y calibración de la LGD en caso de impago
  • Aplicación de los parámetros de riesgo

  • Revisión de las estimaciones

  • Documentos de acompañamiento

  • Evaluación del impacto

  • Identificación de problemas

  • Objetivos políticos

  • Escenario de referencia

  • Opciones consideradas

  • Análisis coste-beneficio

IFRS 9

Módulo 2: Aplicación de la NIIF 9 en la UE

  • Enfoques de evaluación SICR

    • Enfoques para determinar las transferencias de etapa

    • Alineación entre la definición de impago y las exposiciones de la NIIF 9 en la etapa 3

    • Exención por bajo riesgo de crédito

    • PD de 12 meses como aproximación a la PD vitalicia

  • Modelos de pérdidas crediticias esperadas

    • Tipos de modelos de pérdidas crediticias esperadas

    • Limitaciones de los modelos y uso de superposiciones

    • Efectos del conflicto entre Rusia y Ucrania

    • ESG, incluidos los riesgos climáticos

  • Variabilidad y solidez de la NIIF 9 PD

    • Variabilidad en la PD de la NIIF 9

    • Diferencias en el uso de modelos IRB para las estimaciones de la NIIF 9

    • Diferencias en la definición de impago

    • Diferencias en la diferenciación del riesgo

    • Diferencias en la cuantificación del riesgo

    • Tratamiento de los impagos de 2020-2021

  • Incorporación de información prospectiva

    • Escenarios macroeconómicos

    • Variabilidad del enfoque metodológico para la incorporación de FLI y reflejo de la no linealidad

      • Incorporación de FLI a nivel de parámetros

      • Lista de variables macroeconómicas utilizadas para la incorporación del FLI

      • Periodo de previsión y reversión a la media a largo plazo

    • Variabilidad del impacto y diferentes sensibilidades de FLI

    • Efecto de la no linealidad y marco probabilístico

  • Prácticas de backtesting

    • Asignación de etapas

    • Medición de ECL

    • Estimaciones de LGD NIIF 9

    • Estimaciones de PD NIIF 9

    • Superposiciones

    • Información prospectiva

 

CREDIT SCORING

Módulo 3: Análisis exploratorio

  • Análisis exploratorio de datos AED

  • Fuentes de datos

  • Revisión de datos

  • Definición del objetivo

  • Horizonte temporal de la variable objetivo

  • Muestreo

    • Muestreo aleatorio

    • Muestreo estratificado

    • Muestreo reequilibrado

  • Análisis exploratorio:

    • Histogramas

    • Gráfico Q Q

    • Análisis de momentos

    • Boxplot

  • Tratamiento de los valores ausentes

    • Modelo de imputación multivariante

  • Técnicas avanzadas de detección y tratamiento de valores atípicos

    • Técnica univariante: winsorizado y recorte

    • Técnica multivariante: Distancia de Mahalanobis

  • Técnicas de sobremuestreo y submuestreo

    • Sobremuestreo aleatorio

    • Técnica de sobremuestreo sintético de minorías (SMOTE)

Módulo 4: Ingeniería de características

  • Ingeniería de características

  • Normalización de datos

  • Categorización de variables

    • Equal Interval Binning

    • Igualdad de frecuencias

    • Prueba Chi-cuadrado

  • Codificación binaria

  • Codificación WOE

    • Definición de WOE

    • Análisis univariante con variable objetivo

    • Selección de Variables

    • Tratamiento de Variables Continuas

    • Tratamiento de Variables Categóricas

    • Valor Informativo

    • Optimización de variables continuas

    • Optimización de variables categóricas

  • Ejercicio 1: Análisis exploratorio EDA

  • Ejercicio 2: Feauture Engineering

  • Ejercicio 3: Detección y tratamiento de valores atípicos avanzados

  • Ejercicio 4: Modelo multivariante de imputación de valores perdidos

  • Ejercicio 5: Análisis univariante en percentiles en R

  • Ejercicio 6: Análisis univariante óptimo de variables continuas en Excel

 

Machine Learning

Módulo 5: Machine Learning

  • Modelos no supervisados

  • Medios K

  • Análisis de componentes principales (PCA)

  • Visualización avanzada de PCA

  • Modelos supervisados

  • Aprendizaje por conjuntos

  • Árboles en bolsa

  • Bosque aleatorio

  • Potenciación

  • Adaboost

  • Árboles Gradient Boosting

  • Ejercicio 7: Segmentación de datos mediante K-Means 

  • Ejercicio 8: Credit Scoring Support Vector Machine

  • Ejercicio 9: Credit Scoring Boosting 

  • Ejercicio 10: Credit Scoring Bagging 

  • Ejercicio 11: Valoración de créditos con Random Forest, R y Python

  • Ejercicio 12: Calificación de árboles con Gradient Boosting

DEEP LEARNING 

 

Módulo 6: Deep Learning

  • Redes neuronales Feed Forward

  • Perceptrón de una capa

  • Perceptrón de varias capas

  • Arquitecturas de redes neuronales

  • Función de activación

  • Retropropagación

    • Derivados direccionales

    • Gradientes

    • Jacobianos

    • Regla de la cadena

    • Optimización y mínimos locales y globales

  • Deep Learning Redes neuronales convolucionales CNN

    • CNN para imágenes

    • Diseño y arquitecturas

    • Operación de convolución

    • Filtros

    • Strider

    • Relleno

    • Submuestreo

    • Agrupación

    • Fully connected

    • Calificación crediticia mediante CNN

    • Estudios recientes de CNN aplicados al riesgo de crédito y a la calificación crediticia

  • Deep Learning Redes neuronales recurrentes RNN​​

    • Memoria a corto plazo de larga duración (LSTM)

    • Hopfield

    • Memoria asociativa bidireccional

    • gradiente descendente

    • Métodos de optimización global

    • RNN y LSTM para la calificación crediticia

    • Modelos unidireccionales y bidireccionales

  • Redes generativas adversariales (GAN)

    • Redes Generativas Adversariales (GAN)

    • Componentes fundamentales de las GAN

    • Arquitecturas GAN

    • GAN bidireccionales

    • Entrenamiento de modelos generativos

    • Calificación crediticia mediante GAN

  • Ejercicio 14: Credit Scoring mediante aprendizaje profundo Feed Forward

  • Ejercicio 15: Credit Scoring mediante aprendizaje profundo CNN

  • Ejercicio 16: Credit Scoring mediante LSTM de aprendizaje profundo

  • Ejercicio 17: Credit Scroring mediante GANs

Módulo 7: Ajuste de hiperparámetros en Deep Learning

  • Hiperparametrización

  • Búsqueda en cuadrícula

  • Búsqueda aleatoria

  • Optimización bayesiana

  • Ratio de división tren-prueba

  • Tasa de aprendizaje en algoritmos de optimización (por ejemplo, descenso por gradiente)

  • Selección del algoritmo de optimización (por ejemplo, descenso de gradiente, descenso de gradiente estocástico u optimizador Adam)

  • Selección de la función de activación en una red neuronal de (nn) capas (por ejemplo, Sigmoid, ReLU, Tanh)

  • Selección de la función de pérdida, coste y personalizada

  • Número de capas ocultas en una red neuronal

  • Número de unidades de activación en cada capa

  • Tasa de abandono en nn (probabilidad de abandono)

  • Número de iteraciones (épocas) en el entrenamiento de un nn

  • Número de clusters en una tarea de clustering

  • Tamaño del núcleo o filtro en capas convolucionales

  • Tamaño del pooling

  • tamaño del lote

  • Interpretación del modelo Shap

  • Ejercicio 18: Ajuste de hiperparámetros en los modelos Xboosting, Random forest y SVM para el credit scoring

  • Ejercicio 19: Ajuste de hiperparámetros en modelos de Deep Learning para el credit scoring

Módulo 8: El proceso de desarrollo del Scorecard

 

  • Asignación de notas

  • Clasificación de la ficha de puntuación

    • Tarjeta de puntuación WOE

    • Tarjeta de puntuación binaria

    • Tarjeta de puntuación continua

  • Reescalado del cuadro de mando

    • Análisis de factores y compensaciones

    • Scorecard WOE

    • Tarjeta de puntuación binaria

  • Rechazar técnicas de inferencia

    • Corte

    • Parcelación

    • Aumento difuso

    • Machine Learning

  • Técnicas avanzadas de punto de corte

    • Optimización del punto de corte mediante curvas ROC

  • Ejercicio 20: Creación de un Scorecard con Excel, R y Python

QUANTUM COMPUTING

 

Module 9: Quantum Computing y Algoritmos

  • Futuro de la informática cuántica en la banca

  • ¿Es necesario conocer la mecánica cuántica?

  • Hardware y aplicaciones QIS

  • Operaciones cuánticas

  • Representación de qubits

  • Medición

  • Superposición

  • Multiplicación de matrices

  • Operaciones Qubit

  • Circuitos cuánticos múltiples

  • Entrelazamiento

  • Algoritmo de Deutsch

  • Transformada cuántica de Fourier y algoritmos de búsqueda

  • Algoritmos híbridos cuántico-clásicos

  • Recocido cuántico, simulación y optimización de algoritmos

  • Algoritmos cuánticos de aprendizaje automático

  • Ejercicio 21: Operaciones cuánticas

 

QUANTUM MACHINE LEARNING

Módulo 10: Desarrollo del Credit scoring mediante aprendizaje automático cuántico

  • ¿Qué es el aprendizaje automático cuántico?

  • Qubit y estados cuánticos

  • Algoritmos de la máquina automática cuántica

  • Circuitos cuánticos

  • K significa cuántico

  • Máquina de vectores de soporte

  • Máquina cuántica de vectores de soporte

  • Clasificador cuántico variacional

  • Entrenamiento de modelos de aprendizaje automático cuántico

  • Redes neuronales cuánticas

  • GAN cuánticas

  • Máquinas cuánticas de Boltzmann

  • Aprendizaje automático cuántico en el riesgo de crédito

  • Aprendizaje automático cuántico en la calificación crediticia

  • Software cuántico

  • Ejercicio 22: Quantum Support Vector Machine para desarrollar un modelo de scoring crediticio

  • Ejercicio 23: Redes neuronales quantum feed forward para desarrollar un modelo de scoring crediticio y estimación de PD

  • Ejercicio 24: Redes neuronales convolutivas cuánticas para desarrollar un modelo de scoring crediticio y estimación de PD

Módulo 11: Redes tensoriales para Machine Learning

 

  • ¿Qué son las redes tensoriales?

  • Entrelazamiento cuántico

  • Redes tensoriales en el aprendizaje automático

  • Redes tensoriales en modelos no supervisados

  • Redes tensoriales en SVM

  • Redes tensoriales en NN

  • Tensión en NN

  • Aplicación de redes tensoriales en modelos de scoring crediticio

  • Ejercicio 25: Construcción de scoring crediticio y PD mediante redes tensoriales

PROBABILISTIC MACHINE LEARNING

Módulo 12: Probabilistic Machine Learning

​​

  • Probabilidad

  • Modelos gaussianos

  • Estadística bayesiana

  • Regresión logística bayesiana

  • Familia de kernels

  • Procesos gaussianos

    • Procesos gaussianos de regresión

  • Modelo de Markov oculto

  • Cadena de Markov Monte Carlo (MCMC)

    • Algoritmo Metropolis Hastings

  • Modelo probabilístico de aprendizaje automático

  • Refuerzo bayesiano

  • Redes neuronales bayesianas

  • Ejercicio 26: Proceso gaussiano de regresión

  • Ejercicio 27: Redes neuronales bayesianas

VALIDACIÓN AVANZADA

 

Módulo 14: Validación avanzada de modelos de AI

 

  • Integración de los métodos más avanzados en aprendizaje automático interpretable y diagnóstico de modelos.

  • Canalización de datos

  • Selección de características

  • Modelos de caja negra

  • Explicabilidad post-hoc

  • Explicabilidad global

  • Explicabilidad local

  • Interpretabilidad del modelo

  • Diagnóstico: Precisión, punto débil, sobreajuste, fiabilidad, robustez, resistencia, equidad

  • Comparación de modelos

    • Comparativa para regresión y clasificación

    • Comparación de equidad

  • Ejercicio 28: Validación y diagnóstico de modelos avanzados de scoring crediticio

 

IRB PD

Módulo 15: Probabilidad de impago PD IRB

  • Estimación PD

    • Modelos econométricos

    • Modelos de aprendizaje automático

    • Requisitos de datos

    • Factores de riesgo y criterios de calificación crediticia

    • Filosofía de calificación

    • Tratamiento del pool

  • Calibración PD

    • Definición de impago

    • Media a largo plazo para PD

    • Impagos técnicos y filtros de impago técnicos

    • Datos requeridos

    • Cálculo de la tasa de impago a un año

    • Cálculo de la tasa de impago a largo plazo

  • Modelo PD Riesgo

    • Conservadurismo Margen

  • Técnicas de calibración de PD

    • Estimación del punto de anclaje

    • Asignación de la puntuación a la PD

    • Ajuste al ciclo económico PD

    • Filosofía de calificación

      • Modelos PD Trough The Cycle (PD TTC)

      • Modelos PD Point in Time PD (PD PIT )

  • Calibración de modelos en DP mediante aprendizaje automático y profundo

  • Margen de precaución

  • Ejercicio 29: Modelización del Margen de Precaución PD

Módulo 16: Modelos econométricos y de IA de PD IRB

 

  • Estimación PD

  • Tratamiento de datos de panel

  • Modelos econométricos para estimar la PD

    • Regresión logística PD

    • Regresión Probit PD

    • PD Regresión COX de supervivencia

    • PD Log-log Complementaria

    • PD Panel de datos de regresión

    • PD Regresión logística bayesiana

  • Modelos de aprendizaje automático para estimar la PD​

    • Cox XGBoost

    • Árbol de supervivencia

    • Bosque de supervivencia aleatorio

    • Aprendizaje profundo Survival

    • Redes neuronales 

    • Redes neuronales cuánticas 

  • Calibración de la PD

  • Calibración de modelos econométricos

  • Estimación del punto de anclaje

  • Calibración de la PD por añadas

  • Análisis de añadas

    • PD Marginal

    • PD A plazo

    • PD acumulada

  • Modelos econométricos

  • Ejercicio 30: Uso de la regresión COX para estimar la PD

  • Ejercicio 31: Utilización de la regresión logística con datos de panel para estimar la PD

  • Ejercicio 33: Uso de la regresión logística bayesiana para estimar la PD

  • Ejercicio 34: Uso de la regresión LASSO de PD para estimar PD

  • Aprendizaje automático y aprendizaje automático cuántico

  • Ejercicio 35: Uso de Random Forest Survival para estimar PD

  • Ejercicio 36: Uso de Cox Xboost para estimar PD

  • Ejercicio 37: Uso de Deep Learning Survival para estimar PD

  • Ejercicio 38: Uso de NN Feed Forward para estimar PD

  • Ejercicio 39: Uso de redes neuronales cuánticas para estimar la PD

Módulo 17: Calibración de PD IRB

 

  • Concepto de ajuste a la tendencia central

  • Enfoque bayesiano

  • Calibración de la PD en los países desarrollados

  • Calibración de la PD en países emergentes

  • Calibración PD escalada

  • Calibración de la razón de verosimilitud escalada

  • Suavizado de curvas de PD

  • Ajuste de cuasi momentos

  • Métodos de aproximación

    • Distribución beta escalonada

    • Distribución asimétrica de Laplace

  • Función de goma

  • Escala de Platt

  • Modelo de curva quebrada

  • Regresión isotónica

  • Regresión de proceso gaussiano

  • Ejercicio 40: Calibración de PD mediante escalado de Platt y regresión isotónica

  • Ejercicio 41: Calibración de PD mediante regresión de procesos gaussianos

  • Ejercicio 42: Calibración de la distribución asimétrica de Laplace de la PD

 

Módulo 18: PD bayesiana y proceso gaussiano

 

  • Enfoque bayesiano y determinista

  • Juicio de expertos

  • Distribuciones previas

  • Teorema de Bayes

  • Distribuciones posteriores

  • Estimación bayesiana de la PD

  • Enfoque MCMC de Markov Chain-Monte Carlo

  • Intervalos de credibilidad

  • La PD bayesiana en la práctica

  • Calibración con enfoque bayesiano

  • Proceso de regresión gaussiana

  • Ejercicio 43: Modelo Logístico Bayesiano PD en Python

  • Ejercicio 44: PD usando MCMC en R

  • Ejercicio 45: PD usando Regresión Gaussiana de Procesos

 

Módulo 19: Low Default Portfolio PD IRB

 

  • Enfoque de intervalo de confianza para PD LDP

    • Estimación PD sin correlaciones

    • Estimación de la PD con correlaciones

    • Estimación de un período y de varios períodos

  • Estimación bayesiana de la PD para LDP

    • Bayesiano neutral

    • Bayesiano conservador

    • Juicio experto

  • Análisis real de la PD de las carteras corporativa, soberana y minorista

  • Regresión LASSO para medir la tasa de impago corporativa

  • Generación de datos sintéticos para LDP utilizando GAN

  • Ejercicio 46: Aproximación al intervalo de confianza PD LDP en R

  • Ejercicio 47: Enfoque de intervalo de confianza multiperiodo PD LDP

  • Ejercicio 48: PD Bayesiana Neutral en R

  • Ejercicio 49: PD Bayesiana Conservadora en R

  • Ejercicio 50: Generación de datos sintéticos con GAN para estimar PD

 

IFRS 9 PD

Módulo 20: Forecasting PD IFRS 9

 

  • Requisitos de la NIIF 9

    • Resultado ponderado por probabilidad

    • Previsión

  • Modelización de la PD de por vida

  • Modelización de previsiones PD

  • Forecasting PD puntual

  • Forecasting PD TTC

  • Modelos Markov

  • Modelos de previsión PD PIT

    • ARIMA

    • VAR

    • VARMAX

    • ASRF

    • LSTM tradicional

    • LSTM bayesiano

    • LSTM cuántica

  • Ejercicio 51: Forecasting  de PD utilizando VARMAX en R

  • Ejercicio 52: Forecasting de PD mediante LSTM cuántico

Module 21: Lifetime PD

​​​

  • PD Lifetime en cartera de consumo

  • PD Lifetime en cartera hipotecaria

  • PD Lifetime en carteras de tarjetas de crédito

  • PD Lifetime en cartera PYME

  • Modelo Vintage

    • Vencimiento exógeno Modelo EMV

    • Análisis de descomposición

    • COVID-19 Aplicación pandémica

    • Ventajas e inconvenientes

  • Modelo ASRF de Basilea

    • Modelo Matrix ASRF

    • Aprovechamiento del IRB en la NIIF 9

    • Ventajas e inconvenientes

  • Modelos de regresión

    • Regresión Logística Multinomial

    • Regresión probit ordinal

  • Modelos de supervivencia

    • Kaplan-Meier

    • Regresión de Cox

    • Ventajas e inconvenientes

  • Modelos de Markov

    • Modelo de Markov multiestado

    • Ventajas e inconvenientes

  • Machine Learning Model​

    • Máquina de vectores soporte

  • Deep Learning Models

    • Neural network architecture

  • Modelos de extrapolación de DP a lo largo de la vida

  • Calibración de la DP vitalicia

  • Ejercicio 53: uso de la regresión multinomial para estimar la PD Lifetime

  • Ejercicio 54: uso de un modelo de Markov multiestado para estimar la PD Lifetime

  • Ejercicio 55: uso del modelo ASRF matricial para estimar la PD Lifetime

  • Ejercicio 56: uso de SVM cuántica para estimar la PD Lifetime

  • Ejercicio 57: uso de SVM tradicional en Python para estimar la PD Lifetime

  • Ejercicio 58: uso de Deep Learning tradicional para estimar Lifetime PD

  • Ejercicio 59: uso de Quantum Deep Learning para estimar la PD Lifetime

IRB LGD 

 

Módulo 22: LGD IRB en carteras minoristas

 

  • Impacto de COVID-19 en LGD

    • Definición de moratoria

    • Moratorias

    • Renovaciones y reestructuraciones

    • Ciclo de impago

    • Ciclos reales de impago

  • Pérdida esperada y pérdida inesperada en la LGD

  • LGD en Incumplimiento

  • LGD media ponderada por incumplimiento o LGD media ponderada por exposición

  • LGD para exposiciones performing y non-performing

  • Tratamiento de las garantías en el IRB

  • Enfoque Workout

    • Técnicas para determinar el tipo de descuento

    • Tratamiento de los cobros, gastos y costes de cobro

    • Ciclos de impago

    • Gastos de cobro

  • LGD Downturn en las carteras de consumo

  • LGD Downturn en hipotecas

  • LGD en consumo

  • LGD en hipotecas

  • LGD en empresas

  • LGD en carteras con sustitución

 

Módulo 23: Se utilizan modelos econométricos y de aprendizaje automático para estimar la  Loss Given Default (LGD)

 

  • Ventajas e inconvenientes de los modelos predictivos de LGD

  • Modelos prospectivos que incorporan variables macroeconómicas

  • Modelos paramétricos y no paramétricos y regresiones de transformación

  • Tipología de los modelos multivariantes de LGD

    • Regresión lineal y transformación Beta

    • Regresión lineal y transformación Logit

    • Regresión lineal y transformación Box Cox

    • Regresión logística y lineal

    • Regresión logística y no lineal

    • Regresión censurada

    • Modelo aditivo generalizado

    • Regresión beta

    • Regresión beta inflada

  • Regresión por vectores de soporte

  • Clasificación por vectores de soporte

  • Regresión Random Forest

  • Regresión XGBoosting

  • Redes neuronales

  • Aprendizaje profundo

  • Ejercicio 60: modelos econométricos para estimar la LGD:

    • Regresión logística y lineal

    • Regresión beta

  • Ejercicio 61: Modelos de aprendizaje automático y aprendizaje profundo para estimar la LGD:

    • Regresión Random Forest

    • Regresión XGBoosting

    • Regresión de aprendizaje profundo

  • Ejercicio 62: Comparación del rendimiento de los modelos mediante pruebas de calibración y precisión.

 

IFRS 9 LGD

Módulo 24: LGD para la IFRS 9

  • Comparación de la LGD IRB frente a la IFRS 9

  • Impacto en COVID-19

  • Requisitos de la IFRS 9

    • Probabilidad ponderada

    • Previsión

  • Ajustes IRB LGD

    • Selección de los tipos de interés

    • Asignación de costes

    • suelos

    • Tratamiento de las garantías a lo largo del tiempo

    • Duración de COVID-19

  • Modelización LGD PIT

  • Modelización de garantías

  • LGD IFRS 9 para sociedades de cartera

  • LGD IFRS 9 para carteras hipotecarias

  • LGD IFRS 9 para carteras de empresas

  • LGD IFRS 9 mediante regresión LASSO

  • Modelos de aprendizaje automático

    • Máquina de vectores soporte

    • Bosque aleatorio

    • Xgboost

    • Neural Networks

  • Ejercicio 63: Estimación y ajustes de LGD IFRS 9 mediante regresión Random Forest

  • Ejercicio 64: Estimación y ajustes para LGD IFRS 9 Regresión Beta y Redes Neuronales

  • Ejercicio 65: Estimación de la severidad IFRS 9 mediante regresión Xgboost en Python

  • Ejercicio 66: Estimación de la severidad IFRS 9 mediante SVM tradicional

  • Ejercicio 67: Estimación de la severidad de la IFRS 9 mediante SVM cuántica

  • Ejercicio 68: Estimación de la severidad de la IFRS 9 mediante redes neuronales tradicionales

  • Ejercicio 69: Estimación de la severidad de la IFRS 9 mediante redes neuronales bayesianas

IRB EAD

 

Módulo 25: Desarrollo de modelos para estimar la exposición en caso de impago (EAD) y el factor de conversión del crédito (CCF) para el método basado en calificaciones internas (IRB)

 

  • Impacto de COVID-19 en las líneas de crédito

  • Directrices para estimar el CCF

  • Directrices para estimar el CCF Descenso

  • Horizonte temporal

  • Transformaciones para modelizar el CCF

  • Enfoques para estimar el CCF

    • Enfoque de horizonte fijo

    • Enfoque de cohortes

    • Horizonte temporal de enfoque variable

  • Modelos econométricos

    • Regresión beta

    • Regresión beta inflada

    • Regresión de respuesta fraccionaria

    • Modelo de efectos mixtos

  • Modelos de aprendizaje automático

    • Neural networks

    • SVM

  • Modelo de intensidad para medir la retirada de líneas de crédito

  • Ejercicio 70: Modelo de regresión de red neuronal para estimar el CCF

  • Ejercicio 71: Modelo de regresión de vectores de soporte en Python para estimar el CCF

  • Ejercicio 72: Redes neuronales y regresión beta en R para estimar el CCF

  • Ejercicio 73: SVM cuántica y SVM de regresión clásica para estimar el CCF

IFRS 9 EAD

 

Tasa de prepago

 

Módulo 26. Opciones contractuales Opciones contractuales

 

  • Pago anticipado y otras opciones

  • Requisitos de la IFRS 9

  • Probabilidad ponderada

  • Previsión

  • Modelización de pagos anticipados IFRS 9

    • Regresión de Cox

    • Regresión logística

  • Estimación de la tasa de supervivencia

  • Modelo de probabilidad conjunta con duración de la PD

  • Ejercicio 74: modelo de prepago basado en regresión de bosque aleatorio, implementado utilizando R y Excel.

Módulo 27: EAD Lifetime para líneas de crédito

 

  • La pandemia ha afectado significativamente a la utilización de las líneas de crédito.

  • Medición de la vida útil en las tarjetas de crédito

  • EAD de por vida

  • Requisitos de la IFRS 9

  • Probabilidad ponderada

  • Previsión

  • Ajustes en la EAD

  • Devengo de intereses

  • CCF Estimación de la EIF

  • Estimación de la vida útil del CCF

  • Modelización de la vida útil de la EAD

  • Modelo de utilización de líneas de crédito con variables macroeconómicas

  • Ajuste por abandono de tarjetas de crédito

  • Modelo de vida útil de la EAD para el conjunto de líneas de crédito

    • modelo vintage

    • Chain ladder 

  • Ejercicio 75: Modelo de red neuronal para línea de crédito

  • Ejercicio 76: Modelo EAD Lifetime para línea de crédito

VALIDACIÓN DE BACKTESTING

Módulo 28: Backtesting PD

 

  • Validación de PD

  • Backtesting de PD

  • Prueba estadística:

    • Prueba de Hosmer Lameshow

    • Prueba de la normalidad

    • Prueba binomial

    • Prueba de Spiegelhalter

    • Prueba de Redelmeier

    • Enfoque del semáforo

  • Análisis del semáforo y cuadro de mandos

  • Prueba de estabilidad para PD

  • Comparación de la probabilidad de impago (PD) prevista con la tasa de impago a lo largo del tiempo.

  • Realización de una validación mediante simulación Monte Carlo

  • Ejercicio 77: Backtesting PD en Excel

Módulo 29: LGD Backtesting

 

  • LGD Backtesting

  • Índice de precisión

  • Indicador de precisión absoluta

  • Intervalos de confianza

  • Análisis de transición

  • Análisis RR mediante triángulos

  • Backtesting avanzado de LGD con un enfoque vintage

  • Backtesting para modelos econométricos

  • Prueba de calibración

  • Prueba T

  • Prueba de rango con signo de Wilcoxon

  • Prueba de precisión

  • Prueba F

  • Prueba de Ansari-Bradley

  • Ejercicio 78: Comparación del rendimiento de los modelos mediante las pruebas de calibración y precisión.

 

Módulo 30: Backtesting de EAD

 

  • Rendimiento de EAD

  • R al cuadrado

  • Coeficiente de Pearson

  • Correlación de Spearman

  • Validación mediante ROC, KS y Gini

  • Ejercicio 79: Comparación del rendimiento de los modelos EAD

STRESS TESTING IRB

Módulo 31: Aprendizaje profundo para modelar la dinámica macroeconómica

​​

  • Modelos macroeconómicos

  • Modelo de crecimiento neoclásico

  • Ecuaciones diferenciales parciales

  • Modelos de equilibrio general dinámico estocástico DSGE

  • Arquitecturas de aprendizaje profundo

  • Aprendizaje por refuerzo

  • Análisis avanzado de escenarios

  • Ejercicio 80: uso de redes neuronales para el modelo macroeconómico de ecuaciones de Bellman

Módulo 32: Modelos de aprendizaje profundo para proyecciones macroeconómicas

​​​

  • Modelos multivariantes

    • Modelos vectoriales autorregresivos VAR

    • Modelos ARCH

    • Modelos GARCH

    • Modelos GARCH Cópulas multivariantes

    • VEC Modelo vectorial de corrección de errores

    • Método de Johansen

  • Machine Learning Models

    • Supported Vector Machine

    • Neural network

      • Previsión de rendimientos de series temporales de mercado

      • Algoritmos NN y SVM para la previsión de rendimientos

      • Previsión de la volatilidad NN frente a Garch

    • Base de desarrollo y validación

  • Deep learning

    • Redes neuronales recurrentes RNN

    • Red neuronal de Elman

    • Red neuronal de Jordan

    • Estructura básica de una RNN

    • Memoria a corto plazo LSTM

    • Ventanas temporales

    • Muestra de desarrollo y validación

    • Regresión

    • Modelado de secuencias

  • Quantum Deep Learning

  • Análisis de series temporales con Facebook Prophet

  • Predicción de la propagación de Covid-19

  • Ejercicio 81: Modelo Charge-off con VAR y VEC

  • Ejercicio 82: Forecasting de PD usando series financieras e índices Bayesianos LSTM en Python

  • Ejercicio 83: Predicción de pandemias usando RNN LSTM multivariante en Python

  • Ejercicio 84: Predicción de la PD utilizando redes neuronales cuánticas
     

Module 33: Stress Testing PD y LGD

  • Horizonte temporal

  • Enfoque multiperiodo

  • Datos necesarios

  • Impacto en P&L, RWA y Capital

  • Escenarios de estrés macroeconómico en el consumo

    • Experto

    • Estadística

    • Reglamentación

  • Stress Testing PD :

    • Vista de la cartera de créditos

    • Enfoque plurianual

    • Pruebas de estrés inversas

    • Reescalado

    • Regresión de Cox

  • Stress Testing de la matriz de transición

    • Enfoque de la cartera de créditos

    • Índice del ciclo crediticio

    • Extensión multifactorial

  • Stress Testing LGD: 

    • Downturn LGD : Enfoque de distribución mixta

    • Modelización PD/LGD Multiyear Approach

    • Prueba de estrés de LGD para carteras hipotecarias

  • Stress Testing:​

    • Liquidación neta

    • Matrices de transición Rating/Scoring

    • Tasa de recuperación y LGD

  • Ejercicio 85: Uso de las vistas de la cartera de créditos para las pruebas de estrés de PD

  • Ejercicio 86: Uso de LSTM bayesiano para pruebas de estrés de PD

  • Ejercicio 87: Utilización de la Regresión Cuántica Variacional para las Pruebas de Estrés PD

  • Ejercicio 88: Utilización del modelo MARS para las pruebas de estrés PD

  • Ejercicio 89: Utilización de la regresión LASSO para las pruebas de estrés PD

Módulo 34: Stress Testing en las carteras de las empresas

 

  • Horizonte temporal

  • Datos necesarios

  • Principales variables macroeconómicas

  • Impacto en P&L, RWA y Capital

  • Modelo ASRF

  • Modelo Creditmetrics

  • Uso de matrices de transición

  • Utilización del índice del ciclo crediticio

  • Previsión de impagos

  • Metodología de pruebas de tensión para carteras de empresas

  • Impacto sobre los APR y el capital

  • Ejercicio 90: Realización de pruebas de estrés para la Probabilidad de Impago (PD) en carteras corporativas utilizando una matriz de transición y el modelo ASRF

STRESS TESTING ECL IFRS 9

Módulo 35: Stress Testing en ECL IFRS 9

 

  • Stress Testing con arreglo a la NIIF 9 y COVID-19

  • Escenarios pandémicos aplicados al cálculo de la ECL

  • Pruebas de estrés de los parámetros de la NIIF 9

  • Pruebas de estrés de la ABE para 2023

  • Tratamiento de la moratoria

  • Posibles escenarios regulatorios

  • Impacto en las pérdidas y ganancias

  • Parámetros de partida del EIF

  • Parámetros proyectados del EIF

  • Cálculo de los activos improductivos y las pérdidas de valor

  • Cambios en el stock de provisiones

  • Variación del stock de provisiones para riesgos fase S1

  • Variación del stock de provisiones para riesgos fase S2

  • Variación del stock de provisiones para riesgos fase S3

  • Pérdidas por deterioro de la exposición soberana

  • Impacto en el capital

  • Modelo interno de pruebas de tensión para ECL iIFRS 9

  • Migración de etapas

  • Matriz de transición de etapas

  • Stress testing de PDs y migraciones de crédito

  • Pruebas de estrés de exposiciones

  • Pruebas de estrés de recuperaciones

  • Ejercicio 91: Se realizó un ejercicio global interno para las pruebas de estrés de ECL utilizando R y Excel

 

Módulo 36: Quantum Stress Testing

  • Economía cuántica

  • Simulación Monte Carlo clásica

  • Montecarlo cuántico

  • Problema de codificación Monte Carlo

  • Estimación de amplitud

  • Aceleración aplicando el algoritmo de estimación de amplitud

  • Modelo DGSE mediante redes neuronales

  • Simulación Monte Carlo Cuántica vs Simulación Monte Carlo Normal

  • Ejercicio 92: Modelo DGSE utilizando aprendizaje profundo

  • Ejercicio 93: Simulación cuántica de Montecarlo frente a simulación clásica de Montecarlo

CREDIT RISK PORTFOLIO

Módulo 37: Modelos de capital económico

  • Capital Regulatoria

  • Metodologías de capital económico

  • Correlación de activos y morosidad

  • Pérdida fiscal inesperada

  • Modelos de capital económico ASRF

  • Modelos de negocio

    • KMV

    • Creditmetrics

    • Vista de la cartera de créditos

    • Riesgo de crédito +

  • Gestión del capital económico

  • Asignación del capital económico

  • Ejercicio 94: Enfoque de Cartera: Estimación de EL, UL, ULC, Correlación y Capital Económico en Excel

  • Ejercicio 95: Riesgo de Crédito + en SAS

  • Ejercicio 96: Creditmetrics en Excel y R

  • Ejercicio 97: Modelo de factor único en Excel

QUANTUM COMPUTING PARA EL CAPITAL ECONÓMICO

Módulo 38: Quantum computing para el capital económico

  • Distribución de las pérdidas por riesgo de crédito

  • Modelo de incertidumbre cuántica

  • Definición del circuito

  • Aceleración cuadrática respecto a la simulación Monte Carlo clásica

  • Pérdida esperada

  • Función de distribución acumulativa

  • VaR

  • Pérdida esperada

  • Ejercicio 98: Estimación EL, VAR, ES del riesgo de crédito cuántico

Quantifying climate change-related credit risk 

Module 39: Climate Risk en Credit Risk

​​

  • Riesgo de crédito Riesgo de transición

    • Análisis de escenarios para evaluar el componente de riesgo de transición del riesgo de crédito de una cartera

    • Introducción: preparar a los bancos para la transición hacia una economía con bajas emisiones de carbono

      • Una necesidad creciente de análisis de escenarios climáticos

      • El reto para los bancos

      • Aprovechar e integrar los recursos de que disponen los bancos

    • Un enfoque integrado de la evaluación del riesgo de transición Escenarios de transición

      • Comprender los escenarios de transición y sus fuentes

      • Utilizar escenarios para evaluar el riesgo de transición

      • Cerrar la brecha entre los escenarios climáticos y la evaluación del riesgo financiero

    • Calibración a nivel de prestatario

    • Evaluación del impacto de la cartera

      • Vincular la pérdida esperada a los efectos de la transición en las carteras

      • Evaluación de la probabilidad de impago (PD)

      • Evaluación de la pérdida en caso de impago (LGD)

    • Poner en práctica el enfoque: Lecciones aprendidas de los proyectos piloto bancarios

    • Pilotaje de la metodología del riesgo de transición

      • Definición de sectores y segmentos

      • Evaluación de las sensibilidades relativas de los segmentos

      • Determinación de los puntos de calibración a nivel del prestatario Casos prácticos y resultados

      • El escenario piloto de transición

      • resultados del piloto

    • Oportunidades de transición: Exploración de una estrategia institucional

      • evaluación del mercado

      • Basar la evaluación de oportunidades en el análisis de escenarios

      • Evaluación del atractivo del segmento en el mercado

      • Identificación de las capacidades bancarias

      • Descubrimiento de las oportunidades con mayor potencial

    • Orientaciones futuras: Desarrollo de la próxima generación de análisis de riesgos de transición

  • Riesgos físicos y oportunidades​​

    • Un enfoque integrado de la evaluación de riesgos físicos

      • Características del prestatario

      • El seguro como mitigador del riesgo debido a fenómenos climáticos y meteorológicos extremos

      • Escenarios de cambio climático

      • Impactos del cambio climático en la probabilidad de impago PD

      • Evaluación de los cambios en la productividad del sector

      • Ajuste de las métricas de la cuenta de resultados

      • Determinación de los cambios en la probabilidad de impago

      • Inmobiliario: Impactos del cambio climático en la relación préstamo-valor (LTV)

      • Estimación de los impactos de eventos extremos en el valor de las propiedades.

      • Determinación de los cambios en la relación préstamo-valor LTV

      • Oportunidades físicas: Exploración de una estrategia institucional

      • Taxonomía de oportunidades y fuentes de datos

      • evaluación del mercado

      • Evaluación de la demanda de financiación del sector

      • Evaluación del sector

      • Evaluar la capacidad institucional y el posicionamiento en el mercado de un banco

      • Evaluar las oportunidades

    • Orientaciones futuras: Hacia la próxima generación de análisis de riesgos y oportunidades físicos

      • Desarrollar análisis y capacidades internas en los bancos

      • Reforzar la base de investigación

      • Desarrollar plataformas y herramientas analíticas para apoyar las evaluaciones físicas de riesgos y oportunidades.

      • Mejorar los flujos de información sobre riesgos físicos y adaptación entre bancos y prestatarios

      • Mejorar el diálogo con los gobiernos y las aseguradoras

  • Ejercicio 99: Estimación de PD y DD ajustada al cambio climático en el riesgo de transición

  • Ejercicio 100: Estimación de PD y DD ajustadas al cambio climático en el riesgo físico

bottom of page