MACHINE LEARNING

​

Módulo 1: Machine Learning

 

• Definición del Machine Learning 

• Metodología del Machine Learning

  • Almacenamiento de la Data

  • Abstracción

  • Generalización

  • Evaluación

• Aprendizaje Supervisado

• Aprendizaje No Supervisado

• Aprendizaje por Refuerzo

• Deep Learning

• Tipología de algoritmos de Machine Learning

• Pasos para implementar un algoritmo

  • Recogida de información

  • Análisis Exploratorio

  • Entrenamiento del modelo

  • Evaluación del Modelo

  • Mejoras al modelo

  • Machine Learning en riesgo crédito de consumo

• Machine Learning en modelos de credit scoring

• Machine Learning cuántico 

​

Módulo 2: EDA Análisis Exploratorio 

​

• 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

  • Modelo Multivariante de Imputación

• Técnicas avanzadas de detección de Outliers y tratamiento

  • Técnica univariante: winsorized y trimming

  • Técnica Multivariante: Distancia de Mahalanobis

• ​Ejercicio 1: EDA Análisis Exploratorio 

​

Módulo 3: Análisis Univariante

​

• 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: Detección y tratamiento de Outliers Avanzado

• Ejercicio 3: Muestreo estratificado y Aleatorio en R

• Ejercicio 4: Modelo multivariante de impuación

• Ejercicio 5: Análisis univariante en percentiles en R

• Ejercicio 6: Análisis univariante óptimo variable continua en Excel

• Ejercicio 7: Estimación del KS, Gini e IV de cada variable en Excel

• Ejercicio 8: Análisis Word Cloud de variables en R

​

Aprendizaje No Supervisado

​

Módulo 4: 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 5: Regresión Logística y Regresión LASSO

 

• Modelos Econométricos 

  • Regresión Logit

  • Regresión probit

  • Regresión Piecewise

  • Modelos de supervivencia

• Modelos de Machine Learning

  • Regresión Lasso

  • Regresión Ridge

• Riesgo de Modelo en la regresión logística

• Ejercicio 10: Credit Scoring Regresión Logística Lasso en R

• Ejercicio 11: Credit Scoring Regresión Ridge en R

​

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 12: Credit Scoring KNN y PCA

​

Módulo 7: Support Vector Machine SVM

​

• Support Vector Classification

• Support Vector Regression

• Hiperplano óptimo

• Support Vectors

• Añadir costes

• Ventajas e Inconvenientes

• Visualiización del SVM

• Tuning SVM

• Truco de Kernel

• Ejercicio 14: Credit Scoring Support Vector Machine en R 

​

Módulo 8: Ensemble Learning

​

• Modelos de conjuntos de clasificación y regresión 

• Bagging

• Bagging trees

• Random Forest

• Boosting

• Adaboost

• Gradient Boosting Trees

• Xgboost

• Ventajas e inconvenientes

• Ejercicio 15: Credit Scoring Boosting en R 

• Ejercicio 16: Credit Scoring Bagging en R

• Ejercicio 17: Credit Scoring Random Forest, R y Python

• Ejercicio 18: Credit Scoring Gradient Boosting Trees

​

​DEEP LEARNING 

​

Módulo 9: Introducción al Deep Learning 

​

• Definición y concepto del deep learning

• ¿Porque ahora el uso del deep learning?

• Arquitecturas de redes neuronales

• Feedforward network

• R deep Learning

• Python deep Learning

• Redes neuronales convolucionales

• Uso del deep learning en la clasificación de imágenes

• Función de costes

• Optimización con Gradiente descendiente

• Uso del deep learning 

  • ¿Cuantas capas ocultas?

  • ¿Cuantas neuronas, 100, 1000?

  • ¿Cuantas épocas y tamñao del batch size?

  • ¿Cual es la mejor función de activación?

• Software Deep Learning: Caffe, H20, Keras, Microsoft, Matlab, etc.

• Software de implementación: Nvidia y Cuda

• Harware, CPU, GPU y entornos cloud

• Ventajas e inconvenientes del deep learning

 

Módulo 10: 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 19: Credit Scoring usando Deep Learning Feed Forward

​

Módulo 11: 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 20: Credit Scoring usando Deep Learning CNN

​

Módulo 12: 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 21: Credit Scoring usando Deep Learning LSTM

​

Módulo 14: Generative Adversarial Networks (GANs)

 

• Generative Adversarial Networks (GANs)

• Componentes fundamentales de la GANs

• Arquitecturas de la GANs

• Bidirectional GAN

• Training generative models

• Credit Scoring usando GANs

• Ejercicio 22: Credit Scoring usando GANs

​

Módulo 15: 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

• Ejercicio 23: Optimización Credit Scoring Xboosting, Random forest y SVM

• Ejercicio 24: Credit Scoring Deep Learning optimizado

​

PROBABILISTIC MACHINE LEARNING

​

Módulo 16: Probabilistic Machine Learning

​​

• Introducción al machine learning probabilistico 

• Modelos gaussianos 

• Estadística Bayesiana 

• Regresión logística bayesiana

• Familia de Kernels

• Procesos gaussianos

  • Procesos gaussianos para regresión

• Hidden Markov Model

• Markov chain Monte Carlo (MCMC)

  • Metropolis Hastings algorithm​

• Modelo Probabilístico de Machine Learning

• Boosting bayesiano

• Redes Neuronales bayesianas 

• Ejercicio 25: Proceso gaussiano para regresión 

• Ejercicio 26: Modelo de credit scoring usando Redes neuronales bayesianas

 

VALIDACIÓN DE MODELOS​

​

Módulo 17: Validación de modelos tradicionales y de Machine Learning

​

• Validación de modelos 

• Validación de modelos de machine learning

• Validación regulatoria de modelos de machine Learning en Europa

• 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​

• Multicolinealidad

• Matriz de confusión caso binario

• Matriz de confusión caso multinomial

• Principales test de poder discriminante​

• Intervalos de confianza

• Jackknifing con test de poder discriminante

• Bootstrapping con test de poder discriminante

• Estadístico Kappa

• K-Fold Cross Validation

• Ejercicio 27: Modelo de credit scoring usando regresión logística

• Ejercicio 28: Estimación Gini, Valor de la Información, Brier Score, Curva Lift, CAP, ROC, Divergencia en Excel

• Ejercicio 29: Jackkinifng en SAS

• Ejercicio 30: Bootstrapping en R

• Ejercicio 31: K-Fold Cross Validation en R

​

Módulo 18: Pruebas de estabilidad

​

• Índice de estabilidad en modelo

• Índice de estabilidad en factores

• Test Xi-cuadrada

• Test K-S

• Ejercicio 32: Pruebas de estabilidad de modelos y de factores

​

AUTOMACHINE LEARNING y XAI

​

Módulo 19: Automatización de la Modelización del Credit Scoring y PD

 

• ¿ 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

• Algoritmos genéticos

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

• Ejercicio 34: Automatización de la modelización y validación de la PD

​

Inteligencia Artificial Explicable

​

Módulo 20: 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 35: Interpretabilidad XAI del credit scoring

​

COMPUTACIÓN CUÁNTICA 

 

​

Módulo 21: Computación Cuántica y algoritmos 

 ​

Objetivo: La computación cuántica aplica los fenómenos mecánicos cuánticos. A pequeña escala, la materia física exhibe propiedades tanto de partículas como de ondas, y la computación cuántica aprovecha este comportamiento utilizando hardware especializado. La unidad básica de información en la computación cuántica es el qubit, similar al bit en la electrónica digital tradicional. A diferencia de un bit clásico, un qubit puede existir en una superposición de sus dos estados "básicos", lo que significa que se encuentra en ambos estados simultáneamente.

​

• Futuro de la computación cuántica en los seguros

• ¿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 36: Multiejercicios de operaciones cuánticas 

​

Módulo 22: Introducción a la mecánica cuántica

​

• Teoría de la mecánica cuántica

• La función de onda

• La ecuación de Schrödinger

• La interpretación estadística

• Probabilidad

• Normalización

• Impulso

• El principio de incertidumbre

• Herramientas Matemáticas de la Mecánica Cuántica

• El espacio de Hilbert y las funciones de onda

• El espacio vectorial lineal

• El espacio de Hilbert

• Dimensión y bases de un Espacio Vectorial

• Funciones cuadradas integrables: funciones de onda

• Notación de Dirac

• Operadores

• Definiciones generales

• Adjunto hermitiano

• Operadores de proyección

• Álgebra del conmutador

• Relación de incertidumbre entre dos operadores

• Funciones de los Operadores

• Operadores Inversos y Unitarios

• Eigenvalues and Eigenvectors de un operador

• Transformaciones unitarias infinitesimales y finitas

• Matrices y Mecánica Ondulatoria

• Mecánica de matrices

• Mecánica Ondulatoria

• Ejercicio 37: Multiejercicios de mecánica cuántica 

​

Módulo 23: Introducción a la corrección de errores cuánticos 

​

• Corrección de errores 

• De la corrección del error clásico reversible a la corrección del error cuántico simple 

• El criterio de corrección de errores cuánticos 

• La distancia de un código de corrección de errores cuánticos 

• Contenido del criterio de corrección de errores cuánticos y el criterio cuántico Hamming bound

• Digitalización del ruido cuántico 

• Códigos lineales clásicos 

• Códigos de Calderbank, Shor y Steane 

• Códigos de corrección de errores cuánticos del estabilizador 

• Ejercicio 38: Noise Model, Repetition Code y circuito cuántico 

​

​Módulo 24: Quantum Computing II

 

• Programación cuántica​

• Proveedores de soluciones

  • IBM Quantum Qiskit

  • Amazon Braket 

  • PennyLane  

  • Cirq 

  • Quantum Development Kit (QDK) 

  • Quantum clouds 

  • Microsoft Quantum 

  • Qiskit

• Principales Algoritmos

  • Algoritmo de Grover

  • Algoritmo de Deutsch-Jozsa

  • Algoritmo de Fourier Transform

  • Algoritmo de Shor

• Quantum annealers 

• D-Wave implementation 

• Implementación de Qiskit

• Ejercicio 39:Circuitos cuánticos, Simulación de algoritmo Grover, Fourier Transform y Shor

​

Módulo 25: Quantum Machine Learning

​

• Quantum Machine Learning

• Modelos híbridos 

• Quantum Principal Component Analysis

• Q means vs K Means

• Variational Quantum Classifiers 

• Clasificadores cuánticos variacionales

• Quantum Neural Network

  • Quantum Convolutional Neural Network

  • Quantum Long Short Memory LSTM

• Quantum Support Vector Machine (QSVC)

• Ejercicio 40: Quantum Support Vector Machine

​

Módulo 26: Redes Tensoriales para Machine Learning

 

• ¿Que son las redes tensoriales ?

• Entrelazamiento Cuántico

• Redes tensoriales en machine learning

• Redes tensoriales en modelos no supervisados

• Redes tensoriales en SVM

• Redes tensoriales en NN

• Tensorización de NN

• Aplicación de redes tensoriales en modelos de credit scoring

• Ejercicio 41: Neural Network usando redes tensoriales​

 

CREDIT SCORING

​

Módulo 27: Credit Scoring Cuántico

​

• Asignación de puntuación

• Clasificación del Scorecard

  • Scorecard WOE

  • Scorecard Binario

  • Scorecard Continuo

• Reescalamiento del Scorecard

  • Análisis del Factor y Offset

  • Scorecard WOE

  • Scorecard Binario

• ¿Qué es el machine learning cuántico?

•  Qubit y Quantum States

•  Algoritmos de Machine automático cuántico

• Circuitos cuánticos

• K means cuántico 

• Support Vector Machine

• Support Vector Machine cuánticos

• Clasificador cuántico variacional

• Entrenamiento de modelos de machine learning cuántico 

• Redes Neuronales Cuánticas

• Quantum GAN

• Máquinas Quantum Boltzmann

• Machine learning cuántico en Riesgo Crédito

• Machine learning cuántico en credit scoring

• Software cuántico 

• Ejercicio 42: K-means cuántico 

• Ejercicio 43: Support Vector Machine cuántico para desarrollar modelo de credit scoring 

• Ejercicio 44: Redes Neuronales feed fordward cuánticas para desarrollar modelo de credit scoring 

• Ejercicio 45: Redes Neuronales convolucionadas  cuánticas para desarrollar modelo de credit scoring 

​

PD Modelos cuánticos y de Machine Learning

 

Módulo 28: Modelos cuánticos y de machine Learning de PD  

 

• Estimación de la PD

• Tratamiento de los datos de Panel

• Modelos de Machine Learning la PD​

  • PD Regresión COX de supervivencia

    • Cox XGBoost,

    • Survival Tree

    • Random Survival Forest  

  • PD Regresión Logística Bayesiana

  • PD Regresión Lasso

  • PD SVM

  • PD Redes Neuronales

  • PD Redes Neuronales Cuánticas

• 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 46: Calibración de la PD con regresión COX XGBOOST

• Ejercicio 47: Calibración de la PD con con SVM Cuántico 

• Ejercicio 48: Calibración de PD con Redes Neuronales en R

• Ejercicio 49: Calibración de PD con regresión logística bayesiana en Python

• Ejercicio 50: Calibración de la PD regresión LASSO

• Ejercicio 51: Calibración de la PD con redes neuronales cuánticos  en Python 

​

Módulo 29: Calibración de la PD 

 

• Concepto de ajuste a la tendencia central

• Enfoque Bayesiano

• 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

• Gaussian Process Regression

• Ejercicio 52: Calibración de PD usando Platt scaling y regresión isotónica para modelos de machine learning tradicionales y cuánticos 

• Ejercicio 53: Calibración de la PD usando Gaussian Process Regression

 

Módulo 30: PD Bayesiana y Proceso Gaussiano

 

• Enfoque bayesiano y determinista

• 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

• Process Gaussian regresión 

• Ejercicio 39: PD Bayesiana de modelo logístico en Python  

• Ejercicio 54: PD usando MCMC en R

• Ejercicio 55: PD usando Process Gaussian Regresión

​

Módulo 31: 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

  • LSTM Tradicional

  • LSTM Bayesiano

  • LSTM Cuántico 

• Ejercicio 56: Forecasting de la PD usando VARMAX en R

• Ejercicio 57: Forecasting de la PD usando LSTM cuántico

​

Módulo 32: Lifetime PD 

​​​

• 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

  • Aplicación de la Pandemia COVID-19

  • 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 

  • Ventajas e inconvenientes

• Modelo de Machine Learning​

  • Suport Vector Machine

• Modelos de Deep Learning

  • Arquitectura de la red neuronal 

• Modelos de Extrapolación de PD Lifetime

• Calibración de Lifetime PD

• Ejercicio 58: PD Lifetime usando regresión multinomial en R

• Ejercicio 59: PD Lifetime usando modelo Multi State Markov

• Ejercicio 60: PD Lifetime usando modelo ASRF matricial

• Ejercicio 61: PD Lifetime usando SVM  Cuántico

• Ejercicio 62: PD Lifetime usando SVM tradicional en Python

• Ejercicio 63: PD Lifetime usando Deep Learning tradicional 

• Ejercicio 64: PD Lifetime usando Deep Learning cuántico 

​

Módulo 33: 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​

• LGD IFRS 9 usando Regresión LASSO​

• Modelos de Machine Learning

  • Support Vector Machine

  • Random Forest

  • Xgboost

  • Neural Networks

• Ejercicio 65: Estimación y ajustes para LGD IFRS 9 usando regresión Random Forest 

• Ejercicio 66:  Regression Beta y Redes Neuronales

• Ejercicio 67: Estimación LGD IFRS 9 usando regresión Xgboost en Python

• Ejercicio 68: Estimación de  LGD usando SVM tradicional

• Ejercicio 69: Estimación  LGD usando SVM cuántico 

• Ejercicio 70: Estimación  LGD usando redes neuronales tradicionales

• Ejercicio 71: Estimación  LGD usando redes neuronales bayesianas

​

EAD IFRS 9

 

Módulo 34: Modelización avanzada EAD y CCF para IRB

 

• 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 72: Modelo de regresión de redes neuronales del CCF 

• Ejercicio 73: Modelo de Support Vector Regresión del CCF en Python

• Ejercicio 74: Redes Neuronales y regresión beta CCF en R

• Ejercicio 75: SVM cuántico del CCF y SVM Clásico de regresión

 

Prepago

 

Módulo 35: Opciones Contractuales

 

• Prepago y otras opciones

• Requerimientos IFRS 9

• Probability Weighted

• Forward Looking

• Modelización del prepago IFRS 9

  • Regresión Cox

  • Regresión Logística

• Estimación tasa de Supervivencia​

• Modelo de probabilidad conjunta con PD Lifetime

• Ejercicio 76: Modelo de prepago de regresión random forest en R y Excel

​

Módulo 36: 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 77: Modelo de redes neuronales para línea de crédito

• Ejercicio 78: Modelo EAD Lifetime para línea de crédito 

 

 

 

VALIDACIÓN BACKTESTING
 
Módulo 37: Backtesting PD

 

• Validación de la PD

• Backtesting PD

• Validación de Calibración de PD

• Hosmer Lameshow test

• Normal test

• Binomial Test

• Spiegelhalter test

• Redelmeier Test

• Traffic Light Approach

• Análisis Semafórico y Cuadro de mando de la PD

• PD Stability Test

• Forecasting PD vs PD Real en el tiempo

• Validación con simulación de Monte Carlo

• Ejercicio 79: Backtesting de PD en Excel

Módulo 38: Backtesting LGD

 

• Backtesting LGD

• Ratio de precisión

• Indicador absoluto de precisión

• Intervalos de Confianza

• Análisis de transición

• Análisis de RR usando Triángulos

• Backtesting Avanzado de LGD con enfoque vintage

• Backtesting para modelos econométricos:

• Calibración test

• T test

• Wilcoxon signed rank test

• Precision Test

• F Test

• Ansari-Bradley Test

• Ejercicio 80: Comparativo del performance de los modelos usando test de Calibración y precisión.

Módulo 39: Backtesting EAD

 

• Performance EAD

• R cuadrada

• Coeficiente de Pearson

• Spearman correlation

• Validación usando ROC, KS y Gini

• Ejercicio 81: Comparativo del performance de los modelos de EAD

 

AI STRESS TESTING 

​

Módulo 40: 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 82: Modelo macroeconómico de ecuación de Bellman usando redes neuronales 

​

Módulo 41: Modelos de Deep Learning para proyecciones macroeconómicas

​​

• ​Estrategias de Trading con modelos de forecasting

• Modelos Multivariantes

  • Modelos de Vectores Autoregresivos VAR

  • Modelos ARCH

  • Modelos GARCH

  • Modelos GARCH Multivariante Copulas

  • Modelo de Vector de Corrección de Error VEC

  • Método de Johansen

• 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

• Deep Learning cuántico 

• Análisis de series temporales con Prophet de facebook​

• Predicción de la propagación del Covid-19

• Ejercicio 83: Modelo de charge-off con VAR y VEC

• Ejercicio 84: Forecasting series financieras e indices LSTM Bayesiano en Python

• Ejercicio 85: Forecasting de la Pandemia usando RNN LSTM Multivariante en Python

• Ejercicio 86: Forecasting usando redes neuronales cuánticas 

​

Módulo 42: Stress Testing PD y LGD 

​

• Horizonte temporal

• Enfoque Multiperíodo

• Data requerida

• Impacto en P&L, RWA y Capital

• Escenarios Macroeconómicos de Estrés en consumo

  • Experto

  • Estadístico

  • Regulatorio

• Stress Testing de la PD:

  • Credit Porfolio View 

  • Mutiyear Approach

  • Reverse Stress Testing

  • Rescaling

  • Regresión Cox

• Stress Testing de la Matriz de Transición

  • Enfoque Credit Portfolio View 

  • Índice de ciclo de crédito

  • Extensión Multifactorial

• Stress Testing de la  LGD:

  • LGD Downturn: Enfoque Mixtura de distribuciones

  • Modelización PD/LGD Multiyear Approach

  • Stress test de LGD para carteras hipotecarias

• Stress Testing de:​

  • Net Charge Off 

  • Matrices de transición de Rating/Scoring

  • Tasa de Recuperación Y LGD

• ​Ejercicio 52: Stress Testing PD en Excel y SAS modelo multifactorial Credit Portfolio Views

• Ejercicio 87: Stress Testing PD usando LSTM Bayesiano

• Ejercicio 88: Stress test de PD usando Variational Quantum Regression

• Ejercicio 89: Stress Test LGD usando Modelo MARS

• Ejercicio 90: Stress Test  de la LGD usando regresión LASSO

​

Módulo 43: Stress Testing en carteras corporate

 

• Horizonte temporal

• Data requerida

• Principales variables Macroeconómicas

• Impacto en P&L, RWA y Capital

• Modelo ASRF

• Modelo de Creditmetrics

• Uso de Matrices de transición

• Uso del indice de ciclo de crédito

• Forecasting del default

• Metodología de Stress Test para portfolios corporate

• Impacto en el RWA y Capital

• Ejercicio 91: Stress Testing PD y matrices de transición de cartera corporativa usando matriz de transición y modelo ASRF en SAS, R y Excel

​

Módulo 44: Stress Testing Cuántico 

 

• Economía cuántica 

• Simulación de Monte Carlo clasica

• Monte Carlo Cuántico

• Codificar problema de Monte Carlo 

• Estimación de Amplitud

• Aceleración  aplicando el algoritmo de estimación de amplitud

• Modelo DGSE usando redes neuronales

• Simulación de Monte Carlo Cuántica vs Simulación de Monte Carlo normal

• Ejercicio 95: Modelo DGSE usando deep learning

• Ejercicio 92: Simulación de Monte Carlo Cuántica vs Simulación de Monte Carlo Clásica

​

CREDIT RISK OF PORTFOLIO

​

Módulo 45: Modelos de Capital Económico 

 

• Capital Regulatorio

• Metodologías de Capital Económico

• Correlación de Activos y Default 

• Pérdida Inesperada Contributoria

• Modelos de Capital Económico ASRF

• Modelos Comerciales

  • KMV

  • Creditmetrics

  • Credit Portfolio View

  • Creditrisk +

• Gestión del capital económico

• Allocating Capital Económico

• Ejercicio 93: Enfoque Porfolio: Estimación de EL, UL, ULC, Correlación y Capital Económico en Excel

• Ejercicio 94: Creditrisk + en SAS 

• Ejercicio 95: Creditmetrics en Excel y R

• Ejercicio 96: Modelo Unifactorial en Excel 

​ 

CAPITAL ECONÓMICO CUÁNTICO

​

Módulo 46: Capital Económico Cuántico 

 

• Distribución de pérdidas por riesgo crédito

• Modelo de incertidumbre cuántico

• Definición del circuito

• Aceleración cuadrática sobre la simulación clásica de Monte Carlo

• Pérdida esperada

• Función de distribución acumulativa

• VaR

• Expected Shortfall

• Ejercicio 97: Estimación EL, VAR, ES de riesgo de crédito cuántico