top of page
robot-futurista-inteligencia-artificial-revolucionario-concepto-tecnologia-ai.jpg

Stress Testing para Riesgo Crédito Quantum AI 

 

 

 

OBJETIVO

 

Curso intensivo y moderno de stress testing de riesgo de crédito usando modelos econométricos avanzados, inteligencia artificial y computación cuántica. Las pruebas de estrés pondrán a prueba la resiliencia de los bancos contra un escenario macroeconómico adverso debido a las suposiciones de estanflación, recesión de la economía, choques graves en los sectores vulnerables afectados por la pandemia de COVID-19, crisis energética desencadenada por la invasión Rusa de Ucrania y tensiones geopolíticas en China. 

Se explican las nuevas directivas sobre Basilea en materia de Stress Testing. Se exponen modelos de stress testing durante la pandemia del COVID-19 así como nuevos escenarios de recuperación tras la pandemia. Se explican las regulaciones y ejercicios de stress testing: EU-Wide Stress Testing del año 2023 y Comprehensive Capital Analysis and Review en Estados Unidos.

En el curso se explica el uso de la inteligencia artificial en las pruebas de estrés con el objetivo de mejorar la precisión de las proyecciones, la interpretabilidad de los resultados, capacidad de captar el comportamiento adaptativo de las empresas y los hogares ante rupturas estructurales del entorno económico y el detenimiento de las cadenas de sumistros como ha ocurrido durante el Covid-19.   

La precisión de las proyecciones en el Stress Testing puede ser difícil de lograr debido al conocimiento limitado sobre los impactos macroeconómicos en la rentabilidad, liquidez y solidez de las empresas financieras. Por lo anterior, el curso explica al participante el uso de la inteligencia artificial como una opción viable para mejorar la precisión de las proyecciones debido a la capacidad de los modelos para capturar efectos no lineales entre las variables del escenario y los factores de riesgo que impulsan la solvencia de una entidad financiera.

 

Se revisan las ventajas de los modelos de inteligencia artificial sobre los modelos de stress Testing  basados en modelos econométricos  tradicionales.

Los modelos de equilibrio general dinámico estocástico (DSGE) son una sub-clase de modelos económicos de equilibrio general aplicado, ampliamente usados para la creación de escenarios de Stress Testing. No obstante, cuando se aplican las redes neuronales en el DSGE ofrecen lo siguiente las siguientes ventajas: habilidad para resolver problemas de alta dimensión y alto poder de aproximación fuera del estado estacionario. Pero el deep learning tiene limitaciones y la simulación de Monte Carlo es esencial, por lo que es posible usar la simulación de Monte Carlo cuántica para mejorar la velocidad sobre la simulación tradicional.

Estos son los objetivos particulares del curso.

 

  • Exponer el impacto del COVID-19 en la banca, la inflación, recesión económica, crisis de energéticos  y tensiones geopolíticas en las entidades financieras a través de las practicas de stress testing y análisis de escenarios.

  • Medir y gestionar el stress testing de riesgo de crédito en carteras de empresas y retail usando modelos econométricos y mejoras a través de la inteligencia artificial y computación cuántica

  • Explicar el impacto del COVID-19, recesión e inflación en la calidad crediticia de los activos y particularmente en la estimación del Expected Credit Losses ECL del IFRS 9.

  • Se expone como incorporar los riesgos financieros del cambio climático en la práctica existente de gestión de riesgos financieros, como utilizar análisis de escenarios para informar el establecimiento de estrategias y la evaluación e identificación de riesgos.

  • Exponer metodologías para crear escenarios del cambio climático y su conversión en escenarios macroeconómicos para desarrollar modelos de stress testing. 

  • Explicar los principios de Stress Testing de Basilea. Se analiza el impacto y coste-beneficio, de las directivas, en las entidades financieras. 

  • Enseñar metodologías, de vanguardia, para calibrar la PD IRB en carteras retail, corporate, bancos y soberanos.

  • Ofrecer un número muy importante de metodologías de Stress Testing de la PD, LGD y EAD.

  • Exponer modelos de stress test LGD para carteras Low Default Portfolio e hipotecarias.

  • Abordar metodologias de validación de modelos de Stress Testing.

  • Exponer como construir análisis de escenarios de modelos econométricos de stress testing.

  • Explicar modelos DSGE y mejoras usando inteligencia artificial y computación cuántica.

  • Modelizar la Lifetime PD, LGD y EAD del Expected Credit Losses usando metodologías de vanguardia incluyendo modelos de machine learning.

  • Explicar metodologías para modelizar el charge-off, net charge-off, recuperaciones, saldos para la estimación del ECL Loss Rate Approach del IFRS 9.

  • Mostrar metodologías de Stress Testing del ECL IFRS 9, SICR y matrices de transición

  • Analizar las pruebas de tensión en EU-Wide Stress Testing 2023 y el Comprehensive Capital Analysis and Review 2023.

  • Revisar la eficacia del Stress Testing en una entidad financiera con ejemplos prácticos sobre límites, ratios de capital, KPIs y triggers.

  • Se expone un ejercicio global de Stress Testing, gestión de capital, proyecciones financieras del balance general y estado de resultados, midiendo, no solo, el impacto de los escenarios estresantes en el capital y RWAs, sino el impacto en las métricas de rentabilidad tales como KRIs, RAPM, RARWA, KPIs, etc.

 

¿QUIÉNES DEBEN ASISTIR?

 

Este programa está dirigido a directores, gerentes, consultores, reguladores, auditores y analistas de riesgo de crédito así como aquellos profesionales que se encuentren implantando modelos de Stress Testing. Profesionistas que trabajen en entidades bancarias, cajas de ahorro y todas aquellas empresas que se encuentren expuestas al riesgo de crédito. Es importante disponer de conocimientos de Estadística y Probabilidad así como de Excel.

 

 

 

senalar-dedo-mano-robot-tecnologia-ai.jpg

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: 7.900 €

 

 

Nivel: Avanzado

 

Duración: 40 h

 

     Material: 

  • Presentaciones PDF

  • Ejercicios en Excel, R, Python y Jupyterlab 

  • Se entrega el vídeo grabado del curso de 40 horas.

AGENDA
 Stress Testing para Riesgo Crédito

 Quantum AI 

 

 

mano-empresario-tocando-pantalla-holograma-fondo-mapa-mundo-concepto-tecnologia-computacio
Anchor 10

Agenda Modular

Módulo 0: Computación Cuántica y algoritmos (Opcional)

 

  • Futuro de la computación cuántica en la banca

  • ¿Es necesario saber mecánica cuántica ?

  • Aplicaciones y hardware de QIS

  • Operaciones cuánticas

  • Representación de Qubit

  • Medición

  • Superposición

  • Multiplicación de matrices

  • Operaciones de Qubits

  • Múltiples Circuitos cuánticos

  • Entanglement

  • Algoritmo de Deutsch

  • Transformada cuántica de Fourier y algoritmos de búsqueda

  • Algoritmos híbridos cuánticos-clásicos

  • Quantum annealing, simulación y optimización de algoritmos

  • Algoritmos cuánticos de machine learning

  • Ejercicio 1: Operaciones cuánticas 

Agenda Total

COMPUTACIÓN CUÁNTICA

 

Módulo 0: Computación Cuántica y algoritmos (Opcional)

 

  • Futuro de la computación cuántica en la banca

  • ¿Es necesario saber mecánica cuántica ?

  • Aplicaciones y hardware de QIS

  • Operaciones cuánticas

  • Representación de Qubit

  • Medición

  • Superposición

  • Multiplicación de matrices

  • Operaciones de Qubits

  • Múltiples Circuitos cuánticos

  • Entanglement

  • Algoritmo de Deutsch

  • Transformada cuántica de Fourier y algoritmos de búsqueda

  • Algoritmos híbridos cuánticos-clásicos

  • Quantum annealing, simulación y optimización de algoritmos

  • Algoritmos cuánticos de machine learning

  • Ejercicio 1: Operaciones cuánticas 

STRESS TESTING

 

Módulo 1: Stress Testing en Basilea III

 

 

  • Principios del Stress testing en Basilea 

    • 1. Los marcos de pruebas de estrés deben tener objetivos claramente articulados y formalmente adoptados

    • 2. Los marcos de pruebas de estrés deben incluir una estructura de gobierno eficaz

    • 3. Las pruebas de estrés deben usarse como una herramienta de gestión de riesgos y para informar las decisiones comerciales.

    • 4. Los marcos de pruebas de tensión deben capturar los riesgos materiales y relevantes y aplicar tensiones que sean lo suficientemente severas

    • 5. Los recursos y las estructuras organizativas deben ser adecuados para cumplir los objetivos del marco de pruebas de estrés

    • 6. Las pruebas de estrés deben estar respaldadas por datos precisos y suficientemente granulares y por sistemas de TI robustos

    • 7. Los modelos y metodologías para evaluar los impactos de los escenarios y las sensibilidades deben ser adecuados para su propósito

    • 8. Los modelos, los resultados y los marcos de las pruebas de resistencia deben estar sujetos a desafíos y controles periódicos revisión

    • 9. Las prácticas y los resultados de las pruebas de estrés deben comunicarse dentro y entre jurisdicciones

  • Stress Testing interno y externo

  • Gestión de las herramientas del stress testing

  • Estructura de gobierno efectiva

  • Herramienta de gestión de riesgos 

  • Riesgos materiales y relevantes y tensiones que sean severas

  • Los recursos y estructuras organizativas 

  • Datos precisos y suficientemente granulares y sistemas IT robustos

  • Los modelos y metodologías 

  • Revisiones periódicas

  • Comunicación 

  • Planes de recuperación y resolución

Módulo 2: Metodología del Stress Testing 

 

  • Definición y alcance del Stress Testing

  • Metodologías de Stress Testing 

  • Escenarios macroeconómicos adversos

  • Tratamiento en carteras de negociación

  • Tratamiento del riesgo soberano

  • Riesgo de Crédito

  • Dotaciones por IFRS 9

  • Riesgo Operacional

  • Riesgo Legal

  • Riesgo Conducta

  • Riesgo Modelo

  • Aplicación de escenarios macroeconómicos

  • Activos y Pasivos

  • Capital

  • P&L

  • Stressed PD/Stressed LGD

  • RWA

  • Análisis de Resultados de Stress Testing en la UE del ejercicio 2023

MACHINE LEARNING

Módulo 3: Análisis Exploratorio 

  • Exploratory Data Analysis EDA

  • 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

    • Modelo Multivariante de Imputación

  • Técnicas avanzadas de detección de Outliers y tratamiento

    • Técnica univariante: winsorized y trimming

    • Técnica Multivariante: Distancia de Mahalanobis

Módulo 4: Feature engineering

  • Feature engineering

  • 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

    • Gini

    • Information Value

    • Optimización de variables continuas

    • Optimización de variables categóricas

  • ​Ejercicio 2: Análisis Exploratorio EDA

  • Ejercicio 3: Detección y tratamiento de Outliers Avanzado

  • Ejercicio 4: Muestreo estratificado y Aleatorio en R

  • Ejercicio 5: Modelo multivariante de imputación de valores missing

  • Ejercicio 6: Análisis univariante en percentiles en R

  • Ejercicio 7: Análisis univariante óptimo variable continua en Excel

  • Ejercicio 8: Estimación del KS, Gini e IV y otros estadísticos 

Aprendizaje No Supervisado

Módulo 5: Modelos no supervisados

  • Clusters Jerárquicos

  • K-Means

  • Algoritmo estándar

  • Distancia Euclidiana

  • Análisis de Componentes principales (PCA)

  • Visualización avanzada de PCA

  • Eigenvectores e Eigenvalores
  • Ejercicio 9: Segmentación de la data con K-Means R

 

Aprendizaje Supervisado

Módulo 6: Árboles, KNN y Naive Bayes

 

  • Árboles de Decisión

    • Modelización

    • Ventajas e inconvenientes

    • Procesos de Recursión y Particionamiento

    • Recursive partitioning tree

    • Pruning Decision tree

    • Conditional inference tree

    • Visualización de árboles

    • Medición de la predicción de árboles de decisión

    • Modelo CHAID

    • Modelo C5.0

  • K-Nearest Neighbors KNN

    • Modelización

    • Ventajas e inconvenientes

    • Distancia Euclidiana

    • Distancia Manhattan

    • Selección del valor K

  • Modelo Probabilístico: Naive  Bayes

    • Bayes Ingenuo

    • Teorema de Bayes

    • Estimador de Laplace

    • Clasificación con Naive Bayes

    • Ventajas e inconvenientes

  • Ejercicio 10: Credit Scoring KNN en R

Módulo 7: Support Vector Machine SVM

  • SVM con variables dummy

  • SVM

  • Hiperplano óptimo

  • Support Vectors

  • Añadir costes

  • Ventajas e Inconvenientes

  • Visualiización del SVM

  • Tuning SVM

  • Truco de Kernel

  • Ejercicio 11: Credit Scoring Support Vector Machine

Módulo 8: Ensemble Learning

  • Modelos de conjuntos

  • Bagging

  • Bagging trees

  • Random Forest

  • Boosting

  • Adaboost

  • Gradient Boosting Trees

  • Ventajas e inconvenientes

  • Ejercicio 12: Credit Scoring Boosting en R 

  • Ejercicio 14: Credit Scoring Bagging en R
  • Ejercicio 15 Credit Scoring Random Forest, R y Python

  • Ejercicio 16: Credit Scoring Gradient Boosting Trees

DEEP LEARNING 

 

Módulo 9: Deep Learning Redes Neuronales Feed Forward

  • Single Layer Perceptron 

  • Multiple Layer Perceptron

  • Arquitecturas de redes neuronales

  • Función de activación

    • Sigmoidal

    • Rectified linear unit (Relu)

    • Elu

    • Selu

    • Hipertangente hiperbólica

    • Softmax

    • Otras

  • Back-propagation

    • Derivadas direccionales

    • Gradientes

    • Jacobianos

    • Regla de la cadena

    • Optimización y mínimos locales y globales

  • Ejercicio 17: Credit Scoring usando Deep Learning Feed Forward

Módulo 10: Deep Learning Redes Neuronales Convolucionales CNN

  • CNN para imagenes

  • Diseño y arquitecturas

  • Operación de convolución

  • Gradiente Descendiente

  • Filter

  • Strider

  • Padding

  • Subsampling

  • Pooling

  • Fully connected

  • Credit Scoring usando CNN

  • Estudios recientes de CNN aplicados al riesgo crédito y scoring

  • Ejercicio 18: Credit Scoring usando Deep Learning CNN

Módulo 11: Deep Learning Redes Neuronales Recurrentes RNN

  • Natural Language Processing

  • Natural Language Processing (NLP) text classification

  • Long Term Short Term Memory (LSTM)

  • Hopfield

  • Bidirectional associative memory

  • Gradiente Descendiente

  • Metodos de optimización globales

  • RNN  y LSTM para credit scoring

  • Modelos unidireccionales y bidireccionales

  • Deep Bidirectional Transformers for Language Understanding 

  • Ejercicio 19: Credit Scoring usando Deep Learning LSTM

Módulo 12: Calibración del Machine Learning y Deep Learning

  • Hiperparametrización

  • Grid Search

  • Random Search

  • Optimización Bayesiana

  • Train-test split ratio

  • Tasa de aprendizaje en algoritmos de optimización (e.g. gradient descent)

  • Selección de algoritmo de optimización (e.g., gradient descent, stochastic gradient descent, or Adam optimizer)

  • Selección de la función de activación en una red neuronal (nn) layer (e.g. Sigmoid, ReLU, Tanh)

  • Selección de la función de pérdida, coste y personalizada

  • Número de capas ocultas en una NN

  • Number of activation units in each layer

  • The drop-out rate in nn (dropout probability)

  • Number of iterations (epochs) in training a nn

  • Number of clusters in a clustering task

  • Kernel or filter size in convolutional layers

  • Pooling size

  • Batch size

  • Interpretación del modelo Shap

  • Ejercicio 20: Optimización Credit Scoring Xboosting, Random forest y SVM

  • Ejercicio 21: Credit Scoring Deep Learning optimizado e interpretación de modelo

Módulo 14: Credit Scoring para estimación de PD

 

  • 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

    • Machine Learning

  • Técnicas Avanzadas de punto de corte 

    • Optimización del punto de corte usando curvas ROC

  • Ejercicio 22: Construcción de Tarjeta de Puntuación en Excel, R  y Python

  • Ejercicio 23: Estimación óptima punto de corte en Excel y riesgo de modelo por selección punto de corte

Probabilidad de Default

Módulo 15: Probabilidad de Default PD 

  • Estimación de la PD

    • Modelos econométricos

    • Modelos de Machine Learning

    • Requerimiento de datos

    • Risk drivers y criterio del credit scoring

    • Filosofía del rating

    • Tratamiento de los Pools

  • Calibración de la PD

    • ​Definición de Default

    • Long run average for PD

    • Defaults técnicos y filtros técnicos del default

    • Requerimiento de datos

    • Cálculo de tasa de default a un año

    • Cálculo de Tasa de default a largo plazo

  • Riesgo de Modelo de la PD

    • Margen de Conservadurismo

  • Técnicas de calibración de PD

    • Estimación Anchor Point

    • Mapping de Score a PD

    • ​Ajuste al Ciclo Económico de la PD

    • Filosofía del Rating

      • Modelos PD Trough The Cycle (PD TTC)

      • Modelos PD Point in Time PD (PD PIT )

  • Calibración de PD de modelos usando Machine y Deep Learning

  • Margen de Cautela

  • Ejercicio 24: Modelos de calibración de PD

  • Ejercicio 25: Calibración de PD en modelos de Machine Learning

  • Ejercicio 26: Modelización del Margen de Cautela PD

Módulo 16: Modelos econométricos de PD  

 

  • Estimación de la PD

  • Tratamiento de los datos de Panel

  • Modelos Econométricos para estimar la PD

    • PD Regresión Logística

    • PD Regresión Probit

    • PD Regresión COX de supervivencia 

    • PD Log-log Complementary

    • PD Regresión Data Panel

    • PD Regresión Logística Bayesiana

    • PD Regresión Lasso

  • Calibración de la PD

  • Calibración de modelos econométricos

  • Estimación Anchor Point

  • Calibración de PD por Añadas o cosechas

  • Análisis Vintage 

    • PD Marginal 

    • PD Forward 

    • PD Acumulada

  • Ejercicio 27: Calibración de la PD por edad de operación en SAS

  • Ejercicio 28: Calibración de PD con regresión COX en R

  • Ejercicio 29: Calibración de PD con log-log complementary en R

  • Ejercicio 30: Calibración de PD con modelo logístico en Python

  • Ejercicio 31: Calibración de la PD por cosecha o añada en R

  • Ejercicio 32: Calibración de la PD con regresión probit en Python

 

Módulo 17: Calibración de la PD 

 

  • Concepto de ajuste a la tendencia central

  • Calibración de PD en paises desarrollados

  • Calibración de PD en paises emergentes

  • Calibración Scaled PD

  • Calibración Scaled Likelihood ratio

  • Suavizamiento de las curvas de PD

  • Quasi moment matching

  • Métodos de aproximación 

    • Scaled beta distribution  

    • Asymmetric Laplace distribution

  • Función Cauchit  

  • Platt scaling  

  • Broken curve model

  • Isotonic regression

  • Ejercicio 33Calibración de PD con modelo programación no lineal en Excel y Solver.

  • Ejercicio 34: Calibración de la PD usando Quasi moment matching

  • Ejercicio 35: Calibración de PD usando most prudent estimation

 

STRESS TESTING DEL MODELO

Módulo 18: Modelos bayesianos para Stress Testing de PD

 

  • Enfoque bayesiano y determinista

  • Intervalos de confianza

  • Criterio experto

  • Distribuciones a priori

  • Teorema de Bayes

  • Distribuciones a posteriori

  • Estimación de PD Bayesiana

  • Enfoque Markov Chain–Monte Carlo MCMC

  • Intervalos de credibilidad

  • PD Bayesiana en la práctica

  • Calibración con enfoque bayesiano

  • Test de convergencia

  • Ejercicio 36: PD Bayesiana de modelo logístico en Python  

  • Ejercicio 37: PD Bayesiana de modelo probit en R

  • Ejercicio 38: Stress Testing de PD 

PD IFRS 9

Módulo 19: Matrices de Transición y  Estructura temporal de PD

 

  • Estructura temporal de PD en IFRS 9

  • Propiedades de las matrices de transición

  • Cadenas de Markov

  • Multi-year transition matrix

    • Tiempo discreto

    • Tiempo continuo

    • Matriz Generatriz

    • Exponencial de una matriz

  • Método de duración 

  • Método Cohort

  • Gestión del error

  • Estructuctura temporal de PD

  • Calibración de la estructura temporal de la PD

  • Levenberg-Marquardt Algoritmo

  • Ciclos Económicos

  • Calibración de la estructura temporal de la PD para LDP

  • Ejercicio 39: Ejercicio análisis y error de Matriz de transición usando enfoque cohort  y duration en Python

  • Ejercicio 40: Calibración de la estructura temporal de la PD

 

Módulo 20: Forecasting de la PD IFRS 9

 

  • Requerimientos IFRS 9

-Probability Weighted Outcome

-Forward Looking

  • Modelización del Lifetime PD 

  • Modelización PD Forecasting

  • PD Point in Time Forecasting

  • PD TTC Forecasting

  • Modelos de Markov

  • Modelos de Forecasting de la PD PIT

    • ARIMA

    • VAR

    • VARMAX

    • ASRF

  • Ejercicio41: Forecasting de la PD usando VARMAX en R

  • Ejercicio 42: Forecasting de la PD usando ASRF en R y Excel

 

Módulo 21: Modelos PD Lifetime

  • PD Lifetime cartera consumo

  • PD Lifetime cartera hipotecas

  • PD Lifetime cartera Tarjeta de crédito

  • PD Lifetime cartera Pymes

  • Modelo Vintage

    • Modelo Exogenous Maturity Vintage EMV

    • Análisis decomposition

    • Ventajas e inconvenientes

  • Modelo ASRF de Basilea 

    • Modelo ASRF matricial

    • Aprovechamiento de IRB en IFRS 9

    • Ventajas e inconvenientes

  • Modelos de Regresión

    • Regresión Multinomial Logística

    • Regresión Probit Ordinal

  • Modelos de Supervivencia​

    • Kaplan-Meier

    • Regresión Cox

    • Ventajas e inconvenientes

  • Modelos de Markov

    • ​​Modelo Multi State Markov 

    • Modelo Semiparamétrico Cox

    • Ventajas e inconvenientes

  • Modelo de Machine Learning​

    • SVM: Definición de función Kernel

    • Red Neuronal: definición de hiperparámetros y función de activación

  • Modelos de Extrapolación de PD Lifetime

  • Ejercicio 43: PD Lifetime usando modelo vintage EMV Decomposition

  • Ejercicio 44: PD Lifetime usando regresión multinomial en R

  • Ejercicio 45: PD Lifetime usando modelo de Markov

  • Ejercicio 46: PD Lifetime usando modelo ASRF matricial

  • Ejercicio 47: PD Lifetime usando SVM en Python

  • Ejercicio 48: PD Lifetime usando Red Neuronal en Python

Módulo 22: Calibración Avanzada

Lifetime PD

  • Calibración por sistemas de ecuación no lineales

  • Calibración de estructura temporal con modelo de Vasicek

  • Calibración de matrices de transición usando Vasicek

  • Calibración bayesiana

  • Ajuste de distribuciones de curvas 

  • Calibración de extrapolación 

    • Ajuste Gamma

    • Acelerador exponencial 

  • Recalibración de Lifetime PD​

  • Ejercicio 49: Modelos de Calibración avanzada de Lifetime PD 

LIFETIME PD CUÁNTICO

 

Módulo 23: Lifetime PD

  • Modelización de la lifetime PD 

  • Exogenous Maturity Vintage

  • Age Period Cohort

  • Simulación clásica de Monte Carlo

  • Simulación de Monte Carlo cuántico

  • Aceleración cuadrática sobre la simulación clásica de Monte Carlo 

  • Modelización de la lifetime PD 

  • Monte Carlo Markov Chain MCMC

  • Mejora cuántica en MCMC

  • Ejercicio 50: Estimación Lifetime PD IFRS 9 usando mejoras cuánticas 

LGD IRB e IFRS 9

 

Módulo 24: LGD en carteras Retail y empresas IRB

 

  • Impacto del COVID-19 en la LGD

    • Definición del default

    • Moratorias

    • Renovaciones y reestructuras

    • Ciclo del Default

    • Ciclos Reales del Default

  • Expected Loss y Unexpected Loss en la LGD

  • LGD in Default

  • Defaulted Weighted Average LGD o Exposure-weighted average LGD

  • LGD para performing y no performing exposures

  • Tratamiento de los colaterales en el IRB

  • Enfoque Workout

    • Técnicas para determinar la tasa de descuento

    • Tratamiento de las recuperaciones, gastos y costes de recuperación

    • Ciclos de Default

    • Gastos de recuperación

  • Downturn LGD en carteras de consumo

  • Downturn LGD en hipotecas

  • LGD en consumo

  • LGD  en Hipotecas

  • LGD en empresas

  • LGD para carteras con reposición

 

Módulo 25: Modelos Econométricos y de Machine Learning de la LGD

 

  • Ventajas e inconvenientes de los Modelos Predictivos de LGD

  • Modelos Forward Looking incorporando variables Macroeconómicas

  • Modelos paramétricos, no paramétricos y transformation regressions

  • Tipología de Modelos Multivariantes de LGD

    • Regresión Lineal y transformación Beta

    • Regresión Lineal y transformación Logit

    • Regresión Líneal y trasnsformación Box Cox

    • Regresión Logística y Lineal

    • Regresión Logística y no Lineal

    • Censored Regression

    • Generalized Additived Model

    • Regresión Beta

    • Inflated beta regression

  • Support Vector Regression

  • Support Vector Classification

  • Random Forest Regression 

  • XGBoosting Regression

  • Redes Neuronales 

  • Deep Learning

  • Ejercicio 51: Modelos econométricos de LGD 

  • Ejercicio 52: Modelos de Machine Learning y Deep Learning de  LGD

  • Ejercicio 53: Comparativo del performance de los modelos usando test de Calibración y precisión.

Módulo 26: LGD para IFRS 9

 

  • Comparativa de LGD IRB frente a IFRS 9

  • Impacto en el COVID-19

  • Requerimientos IFRS 9

    • Probability Weighted

    • Forward Looking

  • Ajustes en la LGD IRB

    • Selección de Tipos de Interés

    • Imputación de Costes

    • Floors

    • Tratamiento del colateral en el tiempo

    • Duración del COVID-19

  • Modelización LGD PIT

  • Modelización del Colateral

  • LGD IFRS 9 para cartera de empresas 

  • LGD IFRS 9 para cartera de hipotecas 

  • LGD IFRS 9 para carteras corporate

    • Ciclo de crédito

    • Regresión Tobit

  • LGD IFRS 9 usando Regresión LASSO​

  • Modelos de Machine Learning

    • Support Vector Machine

    • Neural Networks

  • Ejercicio 54: Estimación y ajustes para LGD IFRS 9 usando regresión Tobit en R

  • Ejercicio 55: Censored Regression Model LGD en R

  • Ejercicio 56: Estimación  LGD IFRS 9 SVM y Estimación  LGD IFRS 9 NN

EAD  IFRS 9

 

Módulo 27: Modelización avanzada EAD y CCF 

 

  • Impacto del COVID-19 en las líneas de crédito

  • Directivas para la estimación del CCF

  • Directivas para la estimación del CCF Downturn 

  • Horizonte temporal

  • Transformaciones para modelizar el CCF

  • Enfoques para estimar el CCF

    • Enfoque Fixed Horizon

    • Enfoque Cohort

    • Enfoque Variable time horizon

  • Modelos Econométricos

    • Regresión Beta
      Inflated beta regression
      Fractional Response Regression

    • Mixed Effect Model

  • Modelos de Machine Learning

    • Redes Neuronales
      SVM

  • Modelo de intensidad para medir el retiro de líneas de crédito

  • Ejercicio 57: Modelo de regresión logística del CCF en Python

  • Ejercicio 58: Redes Neuronales y SVM CCF en R

  • Ejercicio 59: Comparativo del performance de los modelos de EAD

Módulo 28: EAD Lifetime para Líneas de crédito

 

  • Impacto de la pandemia en la utilización de las líneas de crédito

  • Medición del Lifetime en tarjetas de crédito

  • Lifetime EAD

  • Requerimientos IFRS 9

  • Probability Weighted

  • Forward Looking

  • Ajustes en la EAD

  • Interest Accrual

  • Estimación CCF PIT

  • Estimación de CCF Lifetime

  • Modelización de la EAD lifetime

  • Modelo del uso de línea de crédito con variables macroeconómicas

  • Ajuste del abandono en tarjetas de crédito

  • Modelo de EAD Lifetime para pool de líneas de crédito

    • Modelo Vintage

    • Enfoque Chain Ladder

  • Ejercicio 60: Modelo econométrico de uso de línea de crédito en R

  • Ejercicio 61: Modelo EAD Lifetime para línea de crédito individual

  • Ejercicio 62: Modelo Vintage de EAD Lifetime para pool de líneas de crédito en R y Excel

Módulo 29: Validación de Modelos Econométricos

 

  • Revisión de supuestos de los modelos econométricos

  • Series estacionarias 

  • Pruebas de cointegridad

  • Revisión de los coeficientes y errores estándar de los modelos

  • Medidas de la confiabilidad del modelo

  • Gestión de los errores

  • Test de No normalidad

  • Medición y tratamiento de la Heterocedasticidad

  • Detección y tratamiento de Outliers

  • Autocorrelación Serial

  • Multicolinealidad

    • Uso de la Correlación para detectar colinealidad bivariante

    • Detección de colinealidad multivariante en regresión lineal

    • Detección de colinealidad multivariante en regresión logística

  • Tratamiento de estacionalidad

  • Ejercicio 63: test de no normalidad

  • Ejercicio 64: Detección series no estacionarias y cointegración

  • Ejercicio 65: Medición de colinealidad multivariante de modelo de regresión logística y líneal 

  • Ejercicio 66: test de heterocedasticidad

  • Ejercicio 67: test de autocorrelación serial

 

STRESS TESTING MODELOS

 

DISEÑO DE ESCENARIOS​

Módulo 30: Escenarios Macroeconómicos 

de inflación, climáticos  y  geopolíticos

 

  • Escenarios Macroeconómicos  de inflación

  • Escenarios geopolíticos

  • Escenarios climáticos 

  • Conversión de escenarios climáticos en escenarios macroeconómicos

  • Análisis de escenarios

  • Diseño de escenarios adversos

  • Shocks financieros y económicos

  • Variables macroeconómicas importantes

  • Modelos macroeconómicos estructurales

  • Bayesian VaR

  • Equilibrium models

    • Dynamic Stochastic General Equilibrium (DSGE)

  • Non-equilibrium models

    • Análisis de Sensibilidad

  • ​Integrated assessment model (IAM)

  • Computable general equilibrium (CGE)

  • Overlapping generation

  • Input-output

  • Agent-based

  • Scenario analysis

  • Juicio experto en el diseño de los escenarios

  • Score de la severidad del escenario

  • Valiación de escenarios

  • Ejercicio 68: Modelo avanzado de escenarios macroeconómicos BVaR y DSGE

  • Ejercicio 69: Escenarios de riesgos inflacionarios 

  • Ejercicio 70: Escenarios de riesgos geopolíticos​

AI STRESS TESTING 

Módulo 31: Modernización de la dinámica macroeconómica usando Deep Learning

​​

  • Modelos de macroeconomía 

  • ​Modelo de crecimiento neoclásico

  • Ecuaciones diferenciales parciales

  • DSGE Modelos de equilibrio general dinámico estocástico

  • Arquitecturas de deep learning

  • Reinforcement Learning

  • Análisis de Escenarios avanzados

  • Ejercicio 71: Modelo macroeconómico de ecuación de Bellman usando redes neuronales 

Módulo 32: Modelos econométricos y de Deep Learning para proyecciones macroeconómicas

​​

  • Modelos econométricos 

  • Series temporales

    • AR, MA, ARMA, ARIMA, SARIMA

    • Ventanas temporales

    • Hiper parametros 

  • Modelos Multivariantes

    • Modelos de Vectores Autoregresivos VAR

    • Modelos ARCH

    • Modelos GARCH

    • Modelos GARCH Multivariante Copulas

    • Modelo de Vector de Corrección de Error VEC

    • Modelo VARMAX

  • Hiper parámetros ​ en VARMAX y VAR

  • Modelos de Machine Learning

    • Supported Vector Machine 

    • Red Neuronal

      • Forecasting rendimientos series temporales de mercado

      • Algortimos NN y SVM para forecasting de rendimientos

      • Forecasting volatilidad NN frente a Garch

    • Base de desarrollo y validación 

  • Deep Learning

    • Redes Neuronales Recurrentes RNN

    • Red Neuroal de Elman

    • Red Neuronal de Jordan

    • Estructura básica de RNN

    • Long short term memory LSTM

    • Ventanas temporales

    • Muestra de desarrollo y validación

    • Regresión

    • Modelización de la secuencia

  • Análisis de series temporales con Prophet de facebook​

  • Predicción de la propagación del Covid-19

  • Ejercicio 72: Forecasting volatilidad GARCH en Python

  • Ejercicio 73: Forecasting volatilidad Multivariante GARCH en R

  • Ejercicio 74: Forecasting series financieras con Machine Learning usando python

  • Ejercicio 75: Forecasting series financieras e indices usando Redes Neuronales Recurrentes en Python

  • Ejercicio 76: Forecasting de la Pandemia usando RNN LSTM en Python

  • Ejercicio 77: Modelo de charge-off con VAR y VEC

  • Ejercicio 78: Modelo de charge-off con RNN LSTM

Módulo 33: Machine learning aplicado

 a Stress Testing

  • Stress Testing: un proceso de varios pasos 

  • Desafíos de la selección de modelos en las pruebas de estrés

  • Machine Learning: el equilibrio entre interpretabilidad y flexibilidad 

  • Modelos lineales: Selección de subconjuntos y métodos de contracción 

  • Aplicaciones de la Regresión Lasso 

  • Una aplicación de prueba de estrés: proyección de PD 

  • Multivariate adaptive regression splines MARS

    • MARS vs VAR

  • Modelos black-box

  • Enfoques  de interpretación

  • Shapley valué en modelos de stress testing

  • Calibración de modelos de stress testing

  • Agent-Based Models

  • Stress Testing usando deep learning 

  • Redes neuronales feed forward

  • Ejercicio 79: Modelo de stress testing usando regresión LASSO

  • Ejercicio 80: Modelo de stress testing usando MARS

  • Ejercicio 81: