Capital Económico: Riesgo Operacional y CiberRiesgos en Python y R

 

OBJETIVO

 

Curso avanzado de Medición del Capital Económico por riesgo operacional y Ciberriesgos. Se explican las nuevas recientes metodologías avanzadas de cuantificación del capital económico, riesgo modelo y stress testing.

Se exponen potentes metodologías para estimar los parámetros de severidad y frecuencia. Se explica el uso del enfoque bayesiano en el riesgo operacional.

 

Se expone globalmente  los enfoques de Scenario Based Approach y Loss Distribution Approach para la estimación del capital económico en el Pilar 2 de Basilea III.

 
El curso explica metodologías recientes para la estimación del Risk Control Self Assessments, análisis de escenarios, creación y mantenimiento de bases de datos de pérdidas internas y externas, gestión de los Key Risk Indicators.

Se explica cómo integrar en las estimaciones de capital, las pérdidas externas, los Business Enviroment and Internal Control Factors (BEICFs) y el análisis de escenarios.

 

Innovadoramente, se muestran metodologías de stress testing y forecasting de riesgo operacional, incluyendo modelos GLM, VAR, ARIMAX, y midiendo el impacto en la cuenta de resultados y capital.

Se explican los aspectos regulatorios del Operational Risk Appetite, Risk Limits y Risk Tolerance para la gobernanza y control del riesgo operacional.

Se han incluido dos módulos sobre la cuantificación del riesgo de modelo para riesgo operacional, sobre la incertidumbre de los parámetros y la deficiencia de los datos.

 

El curso contiene muchos modelos para medir el riesgo operacional como la estimación bayesiana, credibilidades, teoría de valor extremo, métodos recursivos de Panjer, FFT, simulación de Monte Carlo, modelos de dependencia como cópulas así como distribuciones avanzadas como  g y h, GB2, alpha stable y distribuciones subexponenciales.

 

Los ejercicios se han desarrollado en dos potentes lenguajes, Python y R, y se muestran en el entorno JupyterLab. Además hay ejercicios en Cython, compilador de C++, que permite mejorar el tiempo de respuesta de las simulaciones de Monte Carlo.

El último módulo aborda tanto la gestión como la medición del capital económico del CiberRiesgo. Se aborda la experiencia regulatoria de este riesgo en la Unión Europea.

 

¿QUIÉNES DEBEN ASISTIR?

 

Este programa esta dirigido a directores, gerentes, consultores, reguladores, auditores y analistas de riesgo operacional así como aquellos profesionales que se encuentren implantando los acuerdos regulatorios de Basilea III. Profesionistas que trabajen en entidades bancarias, cajas de ahorro y todas aquellas empresas que se encuentren expuestas al riesgo operacional. Se requiere conocimientos estadísticos.

 

 

 

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: 4.900 €

Nivel: Avanzado

Duración: 30 h

Material: 

Presentaciones: PDF

Ejercicios:  Python, Cython, R y Jupyterlab

 

Capital Económico: Riesgo Operacional y CiberRiesgos en
Python y R

RIESGO OPERACIONAL

dulo 1: Requerimientos mínimos de capital por riesgo operacional Basilea IV

-Enfoque estandarizado SMA

-Indicador de negocios BI

-Componente del BI

-Internal Loss Multiplier y Loss Component

-Requerimiento mínimo de riesgo operacional

-Aplicación del enfoque estandarizado a grupos

-Estándares Mínimos sobre el uso de los datos de pérdida

-Criterios generales y especificos sobre identificación de las pérdidas, recogida de información y tratamiento de datos

-Pérdida bruta, pérdida neta y recuperaciones

-Exclusiones de actividades de desinversión para el BI

-Inclusión de pérdidas y BI relacionados con adquisiciones y fusiones

-Divulgación

Ejercicio 1: Medición del capital por riesgo operacional SMA, simulación del BI, Loss Multiplier y proyección de estados financieros en Excel.

Módulo 2: Requerimientos del riesgo operacional en el pilar 2

 

-The Internal Capital Adequacy Assessment (ICAAP)

-Evaluación de la medición del riesgo operacional

-Estrategia y tolerancia

-gestión y descuidos

-Políticas y procedimientos

-Identificación, medición, monitorización y reporting

-Planes de contingencia

-Control Interno

-Tratamiento de los datos internos

-Datos Externos

-Análisis de escenarios

-BE&ICFs

-Revisión de la BBDD Interna

-Granularidad

-Revisión del Análisis Exploratorio de las distribuciones de probabilidad

-Técnicas apropiadas para la estimación de parámetros

-Herramientas de diagnostico

-Revisión de momentos estadísticos

-Revisión de umbrales en cuerpo y cola de la distribución

-Revisión de la agregación de pérdidas

-Revisión de la Pérdida Esperada

-Dependencia

-Seguros y mecanismos de transferencia

-Proceso de mapeo

-Estimación de la probabilidad de recuperación

-Cálculo de riesgo de mitigación

-Alineación del cálculo de la mitigación del riesgo al perfil de riesgo operacional

-Metodología para el reconocimiento del seguro

-Mecanismos de asignación de capital

-Ejecución paralela

-Calidad del dato e infraestructura IT

-Use Test

-Auditoria y Validación

-Proceso de autoevaluación de capital

-Metodología de Gobernanza

-Metodología del Risk Appetite

-Stress Testing en el Riesgo Operacional

Módulo 3: Risk Control Self Assessment

 

-Metodologías de Risk Control Self-Assessment (RCSA)

-Generación y Análisis de Escenarios

-Revisión de validación y conciliación contable

-Cuestionarios de Evaluación

-RCSA Practicas Internacionales

-Enfoque Scenario Based Approach

-Scorecard Approach

-Herramientas Especializadas de Software

-RCSA ventajas e inconvenientes de metodologías

 

Módulo 4: Base de Datos de Pérdidas internas

 

-Problemáticas en la captura de eventos de pérdida

-Fuentes de captura

-Información de ERPs

-Procedimientos de validación y conciliación contable

-Tratamiento del evento múltiple

-Definición del umbral de recogida de información

-Definición del pattern de captura de pérdidas

-Conciliación contable

-Herramientas de automatización y captura manual internacionales

-Tratamiento Lucro cesante en bancos Internacionales

-Tratamiento de umbrales bancos Europeos

-Conciliación contable en bancos internacionales

-Herramientas especializadas de Software

-Resultado de Revisiones

-Circuitos de validación y tratamiento de eventos

-Ciclo de vida de un evento

-Consolidación de eventos

-Pérdidas agrupadas

-Gestión de umbrales y seguros

-Validación y controles de calidad de información

-Reporting

-Plan de acción y mejoras

 

Módulo 5: BBDD de pérdidas externas

 

-Validación BBDD Externas

-Umbrales

-Escalado

-Homogeneización

-Tratamiento de BBDD de consorcios e información publica

-Tratamiento de datos externos en bancos internacionales

-Resultado de revisiones

-Técnicas estadísticas avanzadas de escalado para pérdidas

-Regresión de Poisson para escalado de eventos

-Plan de acción y mejoras

 

Módulo 6: Key Risk Indicators

 

-Tipología de KRIs

-Captura y transformación de KRI

-Gestión de KRI en las unidades

-Enfoques Metodológicos de KRI

-KRI Claves en bancos internacionales

-Herramientas de Software especializadas

-Resultados de revisión

-Indicadores orientados a la gestión de capital

-Business Environment and Internal Control Factors (BEICFs)

-Scorecard KRIs

-Plan de acción y mejoras

CAPITAL ECONÓMICO POR RIESGO OPERACIONAL

PILAR 2

 

Módulo 7: Estimación de Distribución de Frecuencia y Severidad

 

-Distribuciones clásicas y modernas de severidad de la pérdida

-Exponencial

-Gamma

-Lognormal

-Weibull

-Burr

-Inversa Gaussiana

-Pareto

-Generalizada Beta

-GB2

-G y H

-Lognormal-Gamma

-Alpha Stables

-Distribuciones de valor extremo EVT

-Gumbel

-Frechet

-Weibull

-Distribuciones generalizadas de Pareto

-Exponencial

-Pareto

-Beta

-Estimación del umbral

-Selección del Modelo

-Gráfico de Hill y Mean Excess

-Selección del óptimo usando el Hill plot

-Estimación EVT bajo enfoque Bayesiano

-Ventajas e Inconvenientes del EVT

-Distribuciones de Frecuencia para ajustar el número de eventos

-Binomial Negativa

-Poisson

-Ajustes a la Frecuencia

-Distribuciones con punto de truncamiento

-Distribución logística de truncamiento de Fontnouvelle

-Estimación de Máxima verosimilitud

-Truncamiento de datos

-Mixtura de Distribuciones

-Splicing Pieces en Distribuciones

-Body-Tail Distributions

-Distribuciones subexponenciales

-Revisión Regulatoria

-Revisión de la severidad

-Asimetría estadística

-Coeficiente de asimetría de Fisher

-Leptokurtosis

-Revisión de dispersión de datos en la cola de la distribución

-Revisión del umbral en las distribuciones Body-Tail

-Reducción de variabilidad de los parámetros

-Intervalos de confianza y p-values

-Estimadores robustos

-Uso de distribuciones subexponenciales

 

-Ejercicio 2: Ajustes de distribución de severidad y estimación de parámetros en R y Python:

o Lognormal

o Weibull

o Exponencial

o Inversa Gaussiana

o Gamma

o Burr

o Alpha Stables

-Ejercicio 3: Ajuste de distribución de frecuencia: Poisson y binomial negativa en R y Python

-Ejercicio 4: Ajuste de distribución generalizada beta GB2 en R

-Ejercicio 5: Ajuste de distribución G y H en Excel

-Ejercicio 6: Estimación de máxima verosimilitud de mixtura de lognormales en R

Ejercicio 7: Estimación de Gráficos: Mean Excess, Q-Q y Hill plot en Python

Ejercicio 8: Estimación de parámetros por máxima verosimilitud de GDP en R

Ejercicio 9: Generación de valores de números aleatorios EVT en R

Ejercicio 10: Ajuste de cuerpo lognormal y cola de EVT en R

Ejercicio 11: Revisión regulatoria de distribuciones de severidad

Ejercicio 12: Revisión de estimadores robustos: eficientes, bajo sesgo y asintóticamente insesgados  

Módulo 8: Inferencia Bayesiana y Markov Chain Monte Carlo

 

-Inferencia bayesiana

-Incertidumbre en los parámetros

-Credibilidad en los parámetros

-Distribución inicial y posterior

-Frecuencia: Gamma-Poisson

-Severidad: Gamma-Pareto y Normal-Lognormal

-Combinación de opiniones de expertos y datos internos y externos

-Bayesian Markov chain Monte Carlo (MCMC)

-Ejercicio 13: Estimación Bayesiana de parámetros de Gamma-Poisson en R

-Ejercicio 14: Estimación Bayesianade parámetros Gamma-Pareto en R

-Ejercicio 15: Estimación Bayesiana de parámetros Normal-Lognormal en R

Ejercicio 16: Distribución a posteriori usando MCMC en Python

 

Módulo 9: Pruebas de Bondad de Ajuste

 

-Selección y Validación del Modelo

-Revisión regulatoria

-Revisión Body-Tail Distributions.

-Comparativo del performance entre distribuciones

-Aproximación a la varianza e intervalos de confianza de los parámetros

Gráficos de densidad de distribuciones y Q-Q Plot

-Estadísticos de bondad de ajuste:

Kolmogorov-Smirnov

Anderson-Darling

Cramer Von Mises

Chi cuadrado test

-Estadísticos de performance

Likelihood Ratio

the Akaike Information Criterion

the Schwarz Bayesian Criterion

-Estimación de gráficos de densidad de distribuciones

-Ejercicio 17: Gráfico comparativo de densidad de distribuciones en R

-Ejercicio 18: Estadísticos de ajustes de K-S, AD, CVM en R

-Ejercicio 19: Intervalos de confianza de parámetros de la Lognormal

-Ejercicio 20: Generación de números aleatorios de distribuciones paramétricas.

-Ejercicio 21: Estadísticos de performance

 

Módulo 10: Modelización de Datos Truncados

 

Datos truncados

Umbral Constante

Estimación de parámetros con datos truncados

Estimación de Máxima Verosimilitud

Enfoque Bayesiano

Umbral cambiante en el tiempo

Ejercicio 22: Estimación de parámetros por máxima verosimilitud y simulación de distribución GDP en R

 

Módulo 11: Tratamiento de datos externos y escenarios

 

-Análisis de escenarios

-Tratamiento de datos externos

-Modelos de reescalamiento de datos externos

-Regresión OLS para reescalar severidad

-Regresión poisson para reescalar frecuencia

-Inferencia bayesiana con datos externos y opiniones expertas

-Combinación optima datos externos y datos internos

-Integración de datos internos, externos, BEICF’s y análisis de escenarios

Ejercicio 23: Regresión de Poisson de reescalamiento de la frecuencia en R

 

Módulo 12: Modelización del análisis de escenarios

 

-Integración del análisis de escenarios en el capital

-Convertir el análisis de escenarios en atributos de las características

-Ajuste de distribuciones al análisis de escenarios

-Modelización Cola de la distribución

-Test de Bondad de ajuste en el análisis de escenarios

-Modelos para asignación de capital

Ejercicio 24: Ajuste de distribución al escenario análisis en Excel

 

Módulo 13: Modelización de los BEICFs

 

-Business enviromental and internal control factors

-Integración del los BEIFCs en el capital 

-El uso de los BEICFs como herramientas looking forward

-Modelización de los BEIFCs

-Correlación entre lo BEIFCs

-Impacto del los BEIFCs en el capital

Ejercicio 25: Modelización de los BEIFCs análisis en Excel

 

 

Módulo 14: Técnicas de Agregación de Pérdidas

 

-Pérdidas esperada e inesperada

-Estimación del VaR

-Estimación del Expected Shortfall (Tail VaR)

-Simulación de Monte Carlo

-Métodos de Reducción de Varianza

-Recursión de Panjer

-Discretización

-Problemas computacionales

-Extensiones de Panjer

-Fast Fourier Transformation

-Revisión regulatoria

-Mitigación de la muestra

-Errores en la agregación y magnitudes

-Reducción del Sampling variability en simulación de Monte Carlo

-Estabilidad del algoritmo y error de propagación en FFT y Panjer

Ejercicio 26: Estimación de VaR y Expected Shortfall en Python

Ejercicio 27: Técnica de Reducción de Varianza de Hipercubo latino en R

Ejercicio 28: Agregación de pérdidas por método recursivo Panjer y FFT en R

Ejercicio 29: Simulación de Monte Carlo en Python y Cython

 

Módulo 15: Modelización de la Dependencia

 

-Dependencia en el riesgo operacional

-Tipología de Copulas

-Copulas de Arquímedes

-Copulas elípticas

-Copulas de EVT

-Medidas de Dependencia

-Correlación Lineal

-Spearman’s Rank Correlation

-Kendall’s tau Rank Correlation

-Tail Dependence

-Dependencia entre frecuencias usando Copulas

-Dependencias entre pérdidas agregadas usando Copulas

-Revisión Regulatoria de la dependencia

Ejercicio 30: Estimación de copula Arquímedes y t.-student en R

Ejercicio 31: Dependencia entre frecuencias usando copula gaussiana Ejercicio 32: Dependencia entre pérdidas agregadas entre unidades de negocio usando copulas

 

Módulo 16: Loss Distribution Approach y Scenario Based Approach

 

-Top Down-Bottom-Up

-Loss Distribution Approach (LDA)

-Scenario Based Approach (SBA)

-Generación de escenarios -Valoración de Escenarios

-Definición de las U. de Negocio

-Calidad de los datos -Validación

-Determinación de parámetros

-Simulación Montecarlo

-Estimación de Capital

-Capital Económico y Pérdida Esperada

-Principio de Parsimonia

-Efecto de los Seguros en la simulación de Montecarlo

-Interpretación de Resultados

-Selección del mejor modelo:

-Enfoque Experto

-Score Approach

-Forecasting de las pérdidas

-Validación de modelos de riesgo operacional

-Asignación de capital

-Euler Allocation capital

-Marginal contributions

-Revisión de la asignación de capital

-Revisión regulatoria de la pérdida esperada

 

 

Módulo 17: Análisis y Modelización del Seguro

 

-Análisis de las pólizas de seguros

-Gestión del seguros en riesgo operacional

-Transferencia del riesgo

-Criterios en Basilea III

-Rating de la empresa de Seguros

-Duración y vencimiento de los contratos de seguros

-Incertidumbre en el reembolso de los siniestros

-Tipología de pólizas de seguros en las entidades bancarias

-Cobertura de los seguros por clase de riesgos

-Modelización del Seguro

-Ajuste de deducibles y límites de pólizas en las pérdidas

-Establecimiento de los Haircuts en el vencimiento residual

-Modelización de la Incertidumbre en los pagos

-Modelización de la tasa de recuperación

-Probabilidad de que el seguro no aplique

-Riesgo de contraparte o reaseguro

-Aplicación de los seguros en fraudes externos

-Revisión de la modelización del seguro en Basilea III

Ejercicio 33: Modelos de la probabilidad de tasas de recuperación de los seguros en Excel

Ejercicio 34: Simulación de Pérdidas esperadas e inesperadas aplicando recuperaciones aleatorias en R

Módulo 18: Ejercicio Global de Capital Económico

 

Ejercicio 25: Estimación de Capital Económico de 5 unidades de negocio, agregadas e individuales, utilizando las siguientes distribuciones de Frecuencia y Severidad:

Frecuencia

-Poisson

-Binomial Negativa

Severidad

-Lognormal

-Burr

-Gamma

-Weibull

-Inversa Gaussiana

-GDP EVT

-LogLogistic

-G-H 4 parámetros

-Mixtura de Lognormales

-Body-Tail: Lognormal-EVT

-Alpha Stable

-Poisson-Gamma Enfoque bayesiano

-Partición Lognormal y GDP

-Escenarios con criterio Experto

Backtesting

-Backtesting de la severidad del año

-Backtesting de las frecuencias

Ejercicio 35: Selección de mejor distribución usando test de bondad de ajustes

Ejercicio 36: Comparativo de Estimación del capital económico usando el VaR 99.9% y Expected ShortFall

Ejercicio 37: Capital Económico Neto y Bruto de Seguros usando Simulación de Monte Carlo con efecto del deducible / franquicia del seguro en R, Python y Cython

Ejercicio 38: Capital Económico usando Simulación de Monte Carlo de pérdidas agregadas de las unidades de negocio con copulas gaussianas y T-Student en Python y R

Ejercicio 39: Comparativo de Capital Económico con Panjer Recursivo, Fast Fourier Transformation y Simulación de Monte Carlo

Ejercicio 40: Distribución Subexponencial en R

Ejercicio 41: Interpretación de resultados, capital y pérdida esperada, mayor pérdida esperada

Ejercicio 42: Riesgo de Modelo por el impacto del nuevo capital por riesgo operacional cumpliendo las nuevas directivas AMA y sin considerarlas.

Ejercicio 43: Metodologías de Backtesting de la severidad y frecuencia

Ejercicio 44: Comparativo capital económico y SMA 

 

Módulo 19: Riesgo de Modelo:

Incertidumbre del parámetro del modelo

  • ¿Porque sucede este tipo de riesgo de modelo?

  • Ejemplos

  • Magnitud del error de modelo relacionados con la incertidumbre del parámetro

  • Incertidumbre en distribuciones paramétricas

    • Simulación de Monte Carlo

    • Rango Intercuartílico

    • Desviación cuartil

    • Análisis usando box plot

  • Análisis de incertidumbre usando enfoque bayesiano

    • Distribución a priori

    • Teorema de Bayes

    • Distribución a posteriori

    • Soluciones analíticas

    • Gibbs Sampler

    • MCMC

  • Propagación de la incertidumbre en modelos lineales y no lineales

  • Model risk appetite y umbrales

  • Ejercicio 45: Medición del riesgo modelo de distribución lognormal y burr. Se mide el error de modelo relacionado con la estimación de la incertidumbre en los parámetros

  • Ejercicio 46: Estimación del riesgo de modelo del VaR y ES de distribución paramétrica lognormal  

  • Ejercicio 47: Riesgo de modelo por la incertidumbre de los parámetros de severidad usando enfoque bayesiano

 

Módulo 20: Riesgo de Modelo por deficiencia de datos

  • Gestión de proceso de la calidad del dato

  • Principios de gobernanza

  • Alcance y componentes la calidad del dato

    • Precisión

    • Consistencia

    • Unicidad

    • Validación

    • Disponibilidad

    • Trazabilidad

  • Indicadores de calidad en la gestión del dato

  • Tratamiento de los valores Missing

    • Imputación, borrar y mantener

    • Modelos multivariantes de imputación

  • Detección de Outliers en el riesgo de modelo

  • Técnicas robustas

  • Análisis univariante

  • Análisis multivariante

    • Distancia de Mahalanobis

  • Machine Learning para detectar outliers

  • Deficiencia de los datos en los modelos

  • Modelización del riesgo de modelo con deficiencias del dato

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

  • Ejercicio 48: Análisis de la calidad del dato

  • Ejercicio 49: Modelo multivariante de imputación de valores

  • Ejercicio 50: Uso del Machine learning para detectar outliers

  • Ejercicio 51: Análisis univariante óptimo

  • Ejercicio 52: Estimación de Intervalos de confianza de distribuciones de paramétricas de riesgo operacional

  • Ejercicio 53: Cuantificación del riesgo de modelo con deficiencia del dato en capital económico por riesgo operacional

 

STRESS TESTING EN EL RIESGO OPERACIONAL

 

Módulo 21: Stress Testing  y Forecasting del Riesgo Operacional

 

-Ventajas e inconvenientes de los Modelos de Stress Testing

-Clases de eventos susceptibles de modelizar el stress test

-Stress Test en las distribuciones de  frecuencias y severidades

-Principales variables macroeconómicas en Riesgo Operacional

-Tipología de modelos

-Regresión lineal

-Regresión no lineal

-Regresión Logística 

-Regresión de Poisson

-Generalized Linear Model (GLM)

-Regresión Cuantílica

-VAR

-ARIMAX

-VEC

-Stress Testing en las correlaciones

-Simulación de Monte Carlo

-Ejercicio 54: Regresión lineal  con variables macroeconómicas y pérdidas de riesgo operacional

-Ejercicio 55: Regresión Poisson y Regresión de Binomial negativa entre variables macroeconómicas y frecuencia

-Ejercicio 56: Regresión cuantílica, de pérdidas y variables macroeconómicas en R

-Ejercicio 57: Forecasting  de pérdidas usando VAR y ARIMAX con variables macroeconómicas en Python

-Ejercicio 58: Simulación de Monte Carlo de pérdidas y variables macroeconómicas en R

-Ejercicio 59: Comparativo del performance de los modelos usando test de Calibración y precisión.

 

Módulo 22: Risk Appetite (RA) y Capital Económico

 

-Risk Appetite en el ICAAP

-Principios de una metodología efectiva de Risk Appetite

-Definiciones y análisis:

Risk appetite framework

Risk Appetite Statement

Risk Tolerance

Risk Capacity

Risk Profile

-Risk Limits en riesgo operacional

-Principios de Efectividad del RA Statement

-Establecimiento de Límites y Métricas en RO

-Capital Económico en RO

-Pérdidas Esperadas e Inesperadas en RO

-Establecimiento de límites de riesgo y tolerancia al riesgo operacional

-Incorporación de toma de decisión, nuevos productos, nuevas líneas de negocio, etc.

-Planes de mitigación

Ejercicio 60: Ejercicio Global de Risk Appetite en Riesgo operacional, límites, KRIs, capital AMA, SMA y stress testing.

CAPITAL ECONÓMICO POR RIESGO OPERACIONAL

PILAR 2

Módulo 23: Capital Económico en CiberRiesgos

  • Situación actual

  • Ciberamenazas en la banca 

  • Vulnerabilidades de los sistemas

  • Principales ciber incidentes en la banca

  • Tipología de amenazas

  • Definición del ciber riesgo

  • Ciberriesgos en la banca

  • Categorización de las pérdidas

  • Principales desafios para afrontar los ciber riesgos en la banca 

  • Gestión del Ciber Riesgo en banca

  • Estrategias de gestión de los ciber riesgos

  • Tendencias en la ciber seguridad

  • Normas de ciber seguridad

  • Ciber seguridad en Banca por Internet.

  • Ciber seguridad en Tarjetas de Crédito

  • Ciber seguridad en la información de los clientes en la Nube.

  • Implementación clasica de prevención, detección y  mitigación los ciberriesgos.

  • Seguridad del entorno físico y Centros de Datos

  • Seguridad de pagos de internet en EBA

  • Gestión avanzada de ciberriesgos

  • Framework del National Institute of Standards and Technology

  • Framework core

  • Framework implementation Tiers

  • Framework Profile

  • Medición de los ciber riesgos

  • Enfoque Loss Distribution Approach

  • VaR de Ciber riesgo

  • Enfoque Bayesiano

  • Stress Testing

  • Risk Appetite

  • Ejercicio 61: Pérdida Esperada y VaR del Ciber Riesgo en Python