top of page

Riesgo de Modelo para Riesgo Crédito

 

OBJETIVO

 

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

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

 

El riesgo de modelo, en Estados Unidos, se define como el conjunto de posibles consecuencias adversas derivadas de decisiones basadas en resultados e informes incorrectos de modelos, o de su uso inapropiado. El regulador europeo, lo define, como el riesgo relacionado con la subestimación de los fondos propios, por ejemplo, por el uso del IRB. 

 

Los objetivos del curso son los siguientes:

 

  • Explicar la definición y alcance del riesgo de modelo, las mejores prácticas en cuanto a gestión, control, validación gobernanza y cuantificación del mismo. Conocer como impacta el COVID-19 en los modelos de riesgo crédito y en el propio riesgo de modelo.

  • Explicar la pionera directiva sobre riesgo de modelo SR 11-7 en EEUU, la reciente directiva de revisión de modelos internos, TRIM, en la Unión Europea, UE, y otras directivas importantes en materia de riesgo de modelo y validación como la directiva de estimación de PD y LGD y tratamiento de exposiciones de default de EBA.

  • Explicar el uso de la inteligencia artificial para la validación de los modelos.

  • Se muestran técnicas para alcanzar la automatización de la Construcción y Calibración de Modelos a través de la Inteligencia Artificial

  • Indicar las mejores prácticas de validación de modelos de riesgo crédito de las entidades financieras.

  • Mostrar  técnicas de cuantificación del riesgo de modelo en los modelos de credit scoring, parámetros PD, LGD y EAD y capital regulatorio y económico.

  • Explorar técnicas de validación del credit scoring, y otras como el poder discriminante, pruebas de estabilidad y backtesting. 

  • Ofrecer un número muy importante de metodologías econométricas y de machine learning, para desarrollar modelos de credit scoring, PD, LGD y EAD bajo los  enfoques IRB e IFRS9.

  • Explicar metodologías para desarrollar modelos de capital económico y stress testing.

  • Exponer técnicas de validación para modelos de capital económico y regulatorio.

  • Mostrar, un número importante, de técnicas de validación de modelos econométricos y series temporales usadas en el stress testing.

  • Modelizar el stress testing de la PD, LGD y matrices de transición carteras de consumo y corporate.

  • Mostrar, innovadoras, técnicas de validación de stress testing.

  • Explicar y detectar el riesgo modelo en el stress testing.

 

 

¿QUIÉNES DEBEN ASISTIR?

 

Este programa esta dirigido a responsables, analistas y consultores de riesgo crédito. Particularmente, a profesionistas del riesgo de modelo, validación de modelos y auditoria de modelos. Para la mejor comprensión de los temas es recomendable que el participante tenga conocimientos de estadística. El curso contiene ejercicios en SAS, R  y Excel.

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

Precio: 5.900 €

Nivel: Intermedio-Avanzado

Duración: 30 h

Material: 

Presentaciones PDF

Ejercicios en R, Python, SAS y Excel

399.jpg

Riesgo de Modelo

 

para Riesgo de Crédito

 

 

  • Gestión y Cuantificación de Riesgo de Modelo 

  • Automatización de la construcción de modelos de Credit Scoring

  • Automatización de la calibración de la PD

  • Validación de la Lifetime PD

  • Validación del ECL 

  • Validación del Stress Testing

 

485.jpg

AGENDA Riesgo de Modelo para Riesgo Crédito

Anchor 12

INTRODUCCIÓN RIESGO DE MODELO

 

Módulo 1: Gestión del Riesgo Modelo y Cuantificación

 

  • Definiciones de riesgo modelo

  • Gestión del riesgo modelo

  • Definición de modelo

  • Fuentes del riesgo modelo

    • ​Data

    • Estimación

    • Uso

  • Inventario de modelos de riesgos

  • Metodología de control

  • Gestión de procesos y tecnología

  • Gobernanza

  • Gestión del ciclo de vida de los modelos

  • Cuantificación del riesgo modelo

  • Ciclo de la gestión cuantitativa del riesgo modelo

  • Identificación de la fuente

  • Mitigación del riesgo modelo

  • Documentación de modelos

  • Validación de modelos

  • Perfil de equipos de riesgo de modelo en entidades financieras

  • Estructura y organigrama

  • Principales actividades del equipo

  • ¿como realizar un inventario de modelos?

  • COVID-19

    • Impacto del COVID-19 en el riesgo de crédito

    • Impacto del COVID-19 en el riesgo de modelo

    • Principales fallos en los modelos de riesgo crédito

    • Generación de modelos de riesgo crédito Post-COVID-19

  • Caso de estudio 1: riesgo de modelo banco europeo

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

 

IMPLEMENTACIÓN DEL RIESGO DE MODELO 

 

Módulo 2: PROCESO DE RIESGO MODELO

  • Proceso de validación de modelos

  • Definición del objetivo y metodología del modelo

  • Revisión de las memorias del modelo

  • Plan de validación

  • Conclusiones de la validación

  • Subriesgos del riesgo de modelo:

    • Riesgo de modelo en los datos

    • Riesgo de modelo en la metodología

    • Riesgo de modelo en la implementación

    • Riesgo en los resultados del modelo 

  • Gobernanza del modelo

  • Controles en cada nivel de subriesgo

  • Análisis y validación de la documentación del modelo

  • Proposito del modelo

  • Data

  • Diseño y metodología

  • Especificación y estimación

  • Pruebas

  • Implementación

  • Monitorización

  • Controles operacionales

  • Reporting

  • Cuadro de mando

  • Soluciones y tecnología necesaria para la gestión del riesgo de modelo

  • Caso de estudio 3: Gestión del riesgo de modelo para modelos de riesgo de crédito, validación y revisión de documentación

REGULACIÓN DEL RIESGO DE MODELO UE y EEUU

Módulo 3: Directiva sobre la gestión del Riesgo Modelo

SR 11-7 en USA

  • Introducción

  • Alcance y propósito

  • Model Risk Management

  • Desarrollo del modelo, implementación y uso

  • La validación del modelo

  • Evaluación de la solidez conceptual y pruebas de desarrollo

  • Monitorización permanente, verificación de procesos y Benchmarking

  • Análisis de los resultados, incluido el Backtesting

  • Gobernanza, Políticas y Controles

  • Políticas y procedimientos

  • Roles y responsabilidades

  • Auditoria Interna

  • Inventario de modelos

Módulo 4: Guide for the Targeted Review of Internal Models (TRIM) UE

  • Alcance y objetivos de la guía

  • Principios generales de los modelos internosRoll-out and PPU

  • Gobernanza

  • Auditoría interna

  • Validación interna

  • Uso del modelo

  • Gestión en los cambios del modelo

  • Calidad del dato

  • Participación de terceros

  • Riesgo de Crédito

    • Alcance de la guía de riesgo crédito

    • Requerimientos de datos

  • Probability of default (PD)

    • Estructura de los modelos de PD

    • Principales drivers

    • Distribución de los pools

    • Filosofia del Rating

    • Cálculo de la tasa de default

    • Cálculo de PD media a largo plazo

  • Loss Given Default (LGD)

  • Credit conversion factor (CCF)

  • Margen de conservadurismo relacionado con el modelo

  • Revisión de las estimaciones

RIESGO DE MODELO

 

Módulo 5: Validación de Modelos en la práctica

 

  • Lecciones aprendidas en la crisis financiera sobre validación

  • Validation Framework

  • Definición de Validación

  • Principios de validación

  • Roles y Responsabilidades

  • Alcance y frecuencia

  • Proceso de Validación

  • Gobernanza Interna

  • Validación de Modelos IRB

  • Validación Cualitativa

    • Model Design

    • Data Quality

    • Use Test

  • Validación Cuantitativa

    • Backtesting

    • Poder Discriminante

    • Pruebas de Estabilidad

  • Infraestructura tecnológica​

  • Documentación Requerida

  • Departamento y equipo de validación interna

  • Departamento  y equipo de Auditoria

  • Inteligencia Artificial​

    • Validación, reconstrucción y recalibración autónoma 

    • Validación de Modelos usando Machine Learning 

    • Inteligencia artificial para riesgo de modelo

    • Inteligencia artificial para validar modelos

Módulo 6: Gestión del Riesgo de Modelo

  • Gobernanza en el riesgo de modelo

    • Rol del consejo y alta dirección

    • Rol del departamento de riesgos

    • Responsables y creadores del modelo

    • Comités de riesgo de modelo

    • Auditoria interna

    • Definición de políticas

  • Organización

    • Tres líneas de defensa

    • Comunicación interna y externa

  • Fases del Ciclo de vida del modelo

    • Identificación

    • Inventario de los modelos

    • Clasificación

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

    • Planificación y desarrollo

    • Validación interna

    • Documentación

    • Aprobación del modelo

    • Implementación y uso del modelo

    • Monitorización del modelo

    • Mejores prácticas internacionales de gestión del riesgo modelo

  • Mitigación del riesgo de modelo

    • Test de calidad del dato

    • Validación y auditoria

    • Benchmarks

    • Pruebas de sensibilidad what-if

    • Stress testing

    • Backtesting

  • Model risk appetite

    • Model risk appetite statement

    • Tolerancia al riesgo

  • Medición cualitativa del riesgo de modelo

    • Creación del Scorecard de riesgo de modelo

    • Definición de escala y rangos

    • Mejores prácticas internacionales de scorecards

  • Caso de estudio: Scorecard para riesgo de modelo

 

RIESGO DE MODELO EN EL

CREDIT RATING Y SCORING

 

Módulo 7: Riesgo de modelo en rating y scoring

  • Dimensión y uso de la materialidad

  • Clasificación de modelos de scoring por importancia dentro de la entidad financiera

  • Impacto del modelo en la entidad

  • Dependencia del modelo 

  • Limitaciones del modelo

  • Gobernanza del modelo

  • Documentación y revisión

  • Implementación 

  • Controles operativos

  • Árbol de decisión para valorar modelos de rating y scoring

  • Casuística en modelos de Credit Rating expertos

  • Casuística en modelos de credit scoring estadísticos

  • Riesgo modelo en el big data

  • Riesgo modelo por machine learning y black box

Construcción del Credit Scoring y análisis

del riesgo de modelo

Módulo 8: Validación avanzada de los datos

 

  • Tipología de datos

  • Datos transaccionales

  • Unstructured data embebida en documentos de texto

  • Social Media Data

  • Fuentes de datos

  • Revisión del dato

  • Definición del Target

  • Horizonte temporal de la variable objetivo

  • Muestreo

    • Muestreo Aleatorio

    • Muestreo Estratificado

    • Muestreo Rebalanceado

  • Análisis Exploratorio:

    • Histogramas

    • Q-Q Plot

    • Análisis de momentos

    • Box Plot

  • Tratamiento de los valores Missing

    • Imputación

    • Borrar

    • Mantener

  • Técnicas avanzadas de detección de Outliers y tratamiento

    • Z-Score

    • Distancia de Mahalanobis

  • Estandarización de los Datos

  • Categorización de variables

    • Equal Interval Binning

    • Equal Frecuency Binning

    • Prueba Ji-Cuadrada

  • Binary Coding

  • WOE Coding

    • Definición WOE

    • Análisis Univariante con variable Target

    • Selección de variables

    • Tratamiento de Variables continuas

    • Tratamiento de Variables Categóricas

    • Fisher Score

    • Gini

    • Information Value

    • Pearson Correlation

    • Cramer Von Misses

    • Optimización de variables continuas

    • Optimización de variables categóricas

    • Àrboles de Decisión

  • Segmentación

    • Decisión Experta

    • Estadística

      • Àrboles de Decisión

      • K Means Clustering

      • Finite Mixture Model

      • Mixtura gaussiana Univariante

      • Mixtura gaussiana Bivariante

  • ​Ejercicio 1: Análisis Exploratorio en R

  • Ejercicio 2: Detección y tratamiento de Outliers en R

  • Ejercicio 3: Técnicas de imputación de missing en R

  • Ejercicio 4: Muestreo estratificado y Aleatorio

  • Ejercicio 5: Análisis del Weight of Evidence en Excel

  • Ejercicio 6: Análisis univariante en percentiles en R

  • Ejercicio 7: Análisis univariante óptimo variable continua en R

  • Ejercicio 8: Validación KS, Gini e IV de cada variable en R y Excel

  • Ejercicio 9: Optimización de variables categóricas en R

  • Ejercicio 10: Análisis Univariante con árboles de decisión en R

  • Ejercicio 11: Segmentación usando K means Clustering en R

 

Módulo 9: Modelos multivariantes y Machine Learning

 

  • Modelos Multivariantes 

    • Regresión Logística

    • Regresión Cox

    • Riesgo de Modelo

  • ​Machine Learning

    • Árboles de decisión

    • Redes Neuronales

    • SVM

    • Ensemble Learning

    • Bagging

    • Boosting

    • Random Forest

  • Riesgo Modelo en Machine Learning​

    • Sobreajuste

    • Transparencia

    • Muestreo fallido

    • Variables importantes

  • Ejercicio 12: Regresión Logística, método stepwise en R

  • Ejercicio 14: Regresión Piecewise en Excel y R

  • Ejercicio 15: Árboles de decisión en R

  • Ejercicio 16: Support Vector Machine en R

  • Ejercicio 17: Redes Neuronales en R

  • Ejercicio 18: Ensemble models enR

  • Ejercicio 19: Random Forest en R

  • Ejercicio 20: Bagging en R

  • Ejercicio 23: Comparativo de modelos de poder discriminante entre modelos: Redes Neuronales, Regresión Logística, Regresión Logística Panel Data y Regresión Cox

  • Ejercicio 24: Riesgo de Modelo usando Intervalos de confianza de coeficientes de regresión logística 

​Módulo 10: Riesgo de Modelo en el Scorecard

 

  • Asignación de puntuación

  • Clasificación del Scorecard

    • Scorecard WOE

    • Scorecard Binario

    • Scorecard Continuo

  • Reescalamiento del Scorecard

    • Análisis del Factor y Offset

    • Scorecard WOE

    • Scorecard Binario

  • Técnicas de Reject Inference

    • Cut-Off

    • Parcelling

    • Fuzzy Augmentation

  • Técnicas Avanzadas de punto de corte 

    • Optimización del punto de corte usando curvas ROC

  • Riesgo de Modelo por decisión de punto de corte

  • Riesgo de Modelo por ausencia de datos

  • Riesgo de Modelo por no actualizar o recalibrar

  • Ejercicio 21: Construcción de Tarjeta de Puntuación en Excel

  • Ejercicio 22: Estimación óptima punto de corte en Excel y riesgo modelo por selección punto de corte

  • Ejercicio 23: Matriz de confusión para verificar Error Tipo 1 y Tipo 2 en Excel con y sin variables

  • Ejercicio 24: Riesgo de modelo en credit scoring por no recalibrar a tiempo

Validación de modelos de Credit Scoring

Módulo 11: Pruebas de estabilidad

  • Índice de estabilidad en modelo

  • Índice de estabilidad en factores

  • Test Xi-cuadrada

  • Test K-S

  • Ejercicio 25: Pruebas de estabilidad de modelos y de factores

 

Módulo 12: Validación de modelos tradicionales y de Machine Learning

  • Validación Out of Sample y Out of time

  • Verificación p-values en regresiones

  • R cuadrado, MSE, MAD

  • Diagnóstico de los residuos

  • Test de Bondad de Ajuste

    • Deviance

    • Bayesian Information Criterion (BIC)

    • Akaike Information Criterion 

  • Multicolinealidad Multivariante

  • Validación cruzada

  • Bootstrapping del error

  • Matriz de confusión caso binario

  • Matriz de confusión caso multinomial

  • Principales test de poder discriminante:

    • KS, Curva ROC, Gini Index, Cumulative Accuracy Profile, Distancia de Kullback-Leibler, Pietra Index, 1-Ph, Entropía condicional, Valor de Información, Tau de Kendall, Brier Score, Divergencia

  • Intervalos de confianza

  • Jackknifing con test de poder discriminante

  • Bootstrapping con test de poder discriminante

  • Estadístico Kappa

  • K-Fold Cross Validation

  • Análisis Semafórico

  • Ejercicio 26: Validación cruzada en R

  • Ejercicio 27: Estimación Gini, Valor de la Información, Brier Score, Curva Lift, CAP, ROC, Divergencia en Excel

  • Ejercicio 28: Bootstrapping de parámetros R

  • Ejercicio 29: Bootstrapping de Gini/ROC en R

  • Ejercicio 30: Estimación Kappa

  • Ejercicio 31: K-Fold Cross Validation en R

  • Ejercicio 32: Validación semafórica out of time (horizonte 6 años) de modelos Logístico y de Machine Learning

 

Automatización de la Construcción y Calibración

de Modelos con Inteligencia Artificial

Módulo 14: Automatización de la Construcción y Calibración 

 

  • ¿ Que es la automatización de la modelización?

  • Que se automatiza

  • Automatización de los procesos de machine learning

  • Optimizadores y evaluadores

  • Componentes del Workflow de la automatización de la modelización

    • Resumen

    • Procesado

    • Feature engineering

    • Generación del modelo

    • Evaluación

  • Optimización de hiperparámetros

  • Reconstrucción o recalibración del credit scoring

  • Modelización del Credit Scoring

    • Principales hitos

    • Evaluación y optimización

    • Posibles Issues

  • Modelización de la calibración de la PD 

    • Evaluación y optimización

    • Backtesting

    • Poder Discriminante

    • Pruebas de Estabilidad

  • Evaluación global de la automatización de la modelización

  • Implementación de la automatización de la modelización en banca

  • Requerimientos tecnológicos

  • Herramientas disponibles

  • Beneficios y posible estimación del ROI

  • Principales Issues

  • Riesgo de Modelo

  • Ejercicio 33: Automatización de la modelización y optimización y validación de  hiperparametría del credit scoring

 

Inteligencia Artificial Explicable

Módulo 15: Explainable Artificial Intelligence XAI

 

  • Problema de interpretabilidad

  • Riesgo de modelo

  • Regulación del Reglamento General de Protección de Datos GDPR

  • EBA discussion paper on machine learning for IRB models

    • 1. El desafío de interpretar los resultados,

    • 2. El desafío de asegurar que las funciones gerenciales entiendan adecuadamente los modelos, y

    • 3. El desafío de justificar los resultados a los supervisores

  • ​Modelos de caja negra contra algoritmos transparentes e interpretables

  • Herramientas de interpretablidad

  • Shap, Shapley Additive explanations

    • Global Explanations

    • Dependence Plot

    • Decision Plot

    • Local Explanations Waterfall Plot

  • Lime, explicaciones agnósticas del modelo interpretable local

  • Explainer Dashboard

  • Otras herramientas avanzadas 

  • Ejercicio 34: Interpretabilidad XAI del credit scoring

 

 

 

 

 

 

 

 

 

 

VALIDACIÓN DE MODELOS

Validación PD, LGD y EAD IRB e IFRS 9

 Módulo 16: Directiva sobre la estimación de PD y LGD IRB y exposiciones en default dictada EBA

 

  • Directiva Europea sobre estimación de PD  y LGD, y exposiciones en en default

  • ¿Porque es recomendable considerarla en Latinoamérica?

  • Reducción de variabilidad de los parámetros

  • Homogeneización del cálculo de PD y LGD

  • Fechas de implementación en bancos europeos

  • Calidad de la dato

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

  • Juicio humano para la estimación de parámetros

  • Tratamiento de deficiencias y margen de conservadurismo (Moc)

  • Estimación de la PD

  • Desarrollo del modelo

  • Requerimiento de datos

  • Risk drivers y criterio del rating

  • Tratamiento de ratings externos

  • Filosofía del rating

  • Tratamiento de los Pools

  • Calibración de la PD

  • Requerimiento de datos

  • Cálculo de tasa de default a un año

  • Cálculo y uso de la tasa media de default observada

  • Tasa de default a largo plazo

  • Calibración de la tasa de default a largo plazo

  • Estimación de la LGD

  • Metodologías para la estimación de la PD

  • Requerimiento de datos

  • Recuperaciones desde los colaterales

  • Desarrollo del modelo

  • Risk drivers

  • Elegibilidad de los colaterales

  • Inclusión de colaterales

  • Calibración de LGD

  • Definición de pérdida económica y pérdida realizada

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

  • Tasa de descuento

  • Costes directos e indirectos

  • LGD a largo plazo

  • Calibración LGD a largo plazo

  • Estimación de parámetros de riesgo para exposiciones en default

  • Estimación y calibración del Expected Loss Best Estimate

  • Estimación y calibración del LGD in-default

  • Aplicación de parámetros de riesgo

  • Revisión de las estimaciones

  • Documentos que acompañan

  • Valoración del impacto

  • Identificación del problema

  • Objetivos de las políticas

  • Escenario Baseline

  • Opciones consideradas

  • Análisis del coste-beneficio

Módulo 17: Modelos de PD para enfoque IRB e IFRS 9

 

  • Introducción a la Probabilidad de Default

  • Definición de Default

  • Triggers del Default

  • Proceso efectivo y robusto para detectar al default

  • Defaults técnicos y filtros técnicos del default

  • Modelo de datos indispensable

  • Análisis Unifactorial

  • Análisis Multifactorial

  • Selección del Modelo

  • PD Histórica 

  •  Modelos Econométricos y de Machine Learning de la PD  

  • Fatores de riesgo que afectan el default

    • Macroeconómicos

    • Idiosincráticos

  • PD Regresión Logística

  • PD Regresión COX

  • PD Log-log Complementary

  • PD Regresión Logística Data Panel

  • Machine Learning para estimar la PD

  • ​Calibración de la PD  

  • Introducción a la Calibración

  • Estimación Anchor Point

  • Mapping de Score a PD

  • Estructura temporal de la PD

    • PD Marginal

    • PD Forward

    • PD Acumulada

  • Técnicas de Mapeo de PD´s a estructura temporal

  • Añadas o cosechas de PD

  • PD Bayesiana

  • Juicio Experto

  • Distribución a priori y posteriori

  • Markov Chain Monte Carlo

  • Modelo Probit

  • ​Ajuste al Ciclo Económico de la PD

  • Introducción de Ajuste al Ciclo Económico

  • Directivas sobre el ciclo económico en la PD

  • Modelos de PD Trough The Cycle (PD TTC)

  • Consideraciones del Ajuste al ciclo enfoque “Variable escalar”

  • PD en Low Default Portfolios  

  • Estimación de PD sin correlaciones 

  • Estimación de PD con correlaciones 

  • Calibración de LDP usando Curvas CAP

  • Estimación Bayesiana de PD para LDP 

  • Correlación de defaults