Formación y Consultoría

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.