CREDIT SCORING

​

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 

​

Módulo 1: Inteligencia Artificial para el Credit Scoring

 

• Definición de Big Data

• Big Data en las entidades financieras y fintech

• Big data en las Bigtech

• Tipología de datos

  • Estructurados

  • Semiestructurados

  • Datos No Estructurados

• Big data: Volumen, Velocidad, Variedad, Veracidad y Valor

• Tamaño de los Big Data

• Fuentes de grandes volúmenes de datos

  • Data transaccional

  • Data de redes sociales

  • Data de buró de crédito

  • Origen de las fuentes de datos

  • Los datos de la web

  • Datos de Texto

  • Datos de sensores

  • Datos de RFID y NFC

  • Datos de operadores de telecos

  • Datos de redes inteligentes

• Digitalización bancaria​

• Inclusión financiera

• Regulación en Europa, EEUU y Latinoamérica

• Inteligencia Artificial en la banca

• Inteligencia Artificial en el ciclo de crédito

 

Módulo 2: AI en el Credit Scoring 

 

• AI en el Credit Scoring para Banca y Fintech

• Credit scoring offline y online

• Diseño y Construcción de Modelos de Credit Scoring

• Ventajas e Inconvenientes

• Modelos para afrontar nuevas crisis financierias

• Machine Learning para desarrollar y validar credit scoring

• Importancia del Bureau Score

• Gestión de los Credit Scorecards

• Estimación de la Probabilidad de Default PD 

​

Módulo 3: 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 

 

MODELIZACIÓN

​

Módulo 4: 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

​

Módulo 5: 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 1: Análisis Exploratorio en R

• 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

​

MACHINE LEARNING

​

Aprendizaje No Supervisado

​

Módulo 6: Modelos no supervisados

​

• Clusters Jerárquicos

• K-Means

• Algoritmo estándar

• Distancia Euclidiana

• Análisis de Componentes principales (PCA)

• Visualización avanzada de PCA

• Eigenvectores e Eigenvalores

• Ejercicio 14: Componentes principales en R y SAS

• Ejercicio 15: Segmentación de la data con K-Means R

 

Aprendizaje Supervisado

​

Módulo 7: 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 16: Credit Scoring Regresión Logística en SAS y R

• Ejercicio 17: Credit Scoring Regresión Logística Lasso en R

• Ejercicio 18: Riesgo de Modelo usando Intervalos de confianza de coeficientes de regresión logística 

​

Módulo 8: 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 19: Credit Scoring Árbol de decisión en SAS y R

• Ejercicio 20: Credit Scoring KNN en R y SAS

• Ejercicio 21: Credit Scoring Naive Bayes en R

​

Módulo 9: 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 22: Credit Scoring Support Vector Machine en R data 1

• Ejercicio 23: Credit Scoring Support Vector Machine en Python data 2

​

Módulo 10: Ensemble Learning

​

• Modelos de conjuntos

• Bagging

• Bagging trees

• Random Forest

• Boosting

• Adaboost

• Gradient Boosting Trees

• Ventajas e inconvenientes

• Ejercicio 24: Credit Scoring Boosting en R 

• Ejercicio 25: Credit Scoring Bagging en R

• Ejercicio 26: Credit Scoring Random Forest, R y Python, data 1 y 2

• Ejercicio 27: Credit Scoring Gradient Boosting Trees

​

VALIDACIÓN DE MODELOS​

​

Módulo 11: 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 28: Test de Bondad de Ajuste Regresión Logística

• Ejercicio 29: Validación cruzada en SAS

• Ejercicio 30: Estimación Gini, Valor de la Información, Brier Score, Curva Lift, CAP, ROC, Divergencia en SAS y Excel

• Ejercicio 31: Bootstrapping de parámetros SAS

• Ejercicio 32: Jackkinifng en SAS

• Ejercicio 33: Bootstrapping de Gini/ROC en SAS

• Ejercicio 34: Estimación Kappa

• Ejercicio 35: K-Fold Cross Validation en R

• Ejercicio 36: Validación semafórica out of time (horizonte 6 años) de modelos Logístico y de Machine Learning

​

Módulo 12: Pruebas de estabilidad

​

• Índice de estabilidad en modelo

• Índice de estabilidad en factores

• Test Xi-cuadrada

• Test K-S

• Ejercicio 37: Pruebas de estabilidad de modelos y de factores

​

DEEP LEARNING 

​

Módulo 14: Introducción al Deep Learning 

​

• Definición y concepto del deep learning

• ¿Porque ahora el uso del deep learning?

• Redes Neuronales artificiales

• Arquitecturas de redes neuronales

• Función de activación

  • Sigmoidal

  • Rectified linear unit

  • Hipertangente

  • Softmax

• Feedforward network

• Perceptrón Multicapa

• Uso de Tensorflow

• Uso de Tensorboard

• 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 para el credit scoring

  • ¿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 15: 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 38: Credit Scoring usando Deep Learning Feed Forward

​

​

​

​

​

​

Módulo 16: 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 39: Credit Scoring usando Deep Learning CNN

​

Módulo 17: 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 40: Credit Scoring usando Deep Learning LSTM

​

Módulo 18: 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 41: Credit Scoring usando GANs

​

Módulo 19: 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 42: Optimización Credit Scoring Xboosting, Random forest y SVM

• Ejercicio 43: Credit Scoring Deep Learning optimizado

​

​Módulo 20: Construcción Tradicional del Scorecard 

 

• Asignación de puntuación

• Clasificación del Scorecard

  • Scorecard WOE

  • Scorecard Binario

  • Scorecard Continuo

• Reescalamiento del Scorecard

  • Análisis del Factor y Offset

  • Scorecard WOE

  • Scorecard Binario

• Técnicas de Reject Inference

  • Cut-Off

  • Parcelling

  • Fuzzy Augmentation

  • Machine Learning

• Técnicas Avanzadas de punto de corte 

  • Optimización del punto de corte usando curvas ROC

• Ejercicio 44: Construcción de Tarjeta de Puntuación en Excel, R  y Python

• Ejercicio 45: Estimación óptima punto de corte en Excel y riesgo de modelo por selección punto de corte

• Ejercicio 46: Matriz de confusión para verificar Error Tipo 1 y Tipo 2 en Excel con y sin variables

 

​

MACHINE LEARNING CUÁNTICO

​

Módulo 21: Credit Scoring Cuántico

​

• ¿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 47: K-means cuántico 

• Ejercicio 48: Support Vector Machine cuántico para desarrollar modelo de credit scoring 

• Ejercicio 49: Redes Neuronales feed fordward cuánticas para desarrollar modelo de credit scoring 

• Ejercicio 50: Redes Neuronales convolucionadas  cuánticas para desarrollar modelo de credit scoring 

​

Módulo 22: Redes Tensoriales para Machine Learning Cuántico

 

• ¿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 51: Construcción de credit scoring usando redes tensoriales

​

PROBABILISTIC MACHINE LEARNING

​

Módulo 23: 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 52: Proceso gaussiano para regresión 

• Ejercicio 53: Modelo de credit scoring usando Redes neuronales bayesianas

​

​RIESGO DE MODELO

​

Módulo 24: Riesgo de Modelo en el Credit Scoring

​

• Riesgo de Modelo

• Riesgo de Modelo en el deep learning

• Riesgo de Modelo en el credit scoring

• Cajas Negras

• decisión de punto de corte

• ausencia de datos

• Riesgo de Modelo por no actualizar o recalibrar

• Conceptos éticos del credit scoring

• Ejercicio 54: Riesgo de modelo en credit scoring por no recalibrar a tiempo

​

MODELOS DE CREDIT SCORING

​

Módulo 25: Modelos de Credit Scoring por producto

​

• Credit Scoring de Admisión

  • Score de Tarjetas de crédito

  • Score de Hipotecas

  • Score de consumo

  • Score de Automóvil

• Behavior Score (BS)

  • Horizonte temporal

  • Información de datos de panel

  • Regresión de datos de panel

  • Regresión Cox

  • Behavior Score con variables macroeconómicas

  • Matrices de transición

  • Behavior Score con matrices de transición 

  • Transaction Score

  • Modelos de Machine Learning

• BEHAVIOR SCORE EN TARJETAS DE CRÉDITO

• Ejercicio 55: Behavior Score Regresión Logística en Python data 2

• Ejercicio 56: Behavior Score Support Vector Machines en python

• Ejercicio 57: Behavior Score Random Forest en python

• ​Ejercicio 58: Behavior Score Gradient Boosting Trees en python

• Ejercicio 59: Behavior Score Deep Learning  LSTM en python

​

Módulo 26: Tipología de Scores

​​​

• Response Score

• Score de Ingresos

• Score de Abandono

• Score de Fraude en Admisión

• Score de Fraude en Seguimiento

• Collection Score

• Recovery Score

• Big Data Scoring

• Ejercicio 60 : Fraud Score con redes neuronales

• Ejercicio 61: Score de Ingresos

• Ejercicio 62: Collection Score 

• Ejercicio 63: Recovery Score 

• Ejercicio 64: Score de Abandono 

​

CALIBRACIÓN DE MODELOS DE PD

​

Módulo 27: Calibración de la Probabilidad de Default PD IRB

​

• 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

• Ejercicio 65: Calibración de PD en modelos de Machine Learning

​

Módulo 28: Modelos de Machine Learning para estimar

Lifetime PD bajo IFRS 9

​​

• Modelos de credit scoring para estimar Lifetime PD

• PD Lifetime en IFRS 9

• Impacto del COVID-19 en los modelos

• Impacto del Riesgo Climático

• Impacto de la inflación 

• Impacto de la subida de los precios

• Modelos de Regresión

  • Regresión Logística

  • Regresión Multinomial Logística

  • Regresión Probit Ordinal

• Modelos de VAR y VEC

• Modelo de Machine Learning​

  • SVM: Definición de función Kernel

  • Red Neuronal: definición de hiperparámetros y función de activación

  • Deep Learning 

  • LSTM

• Calibración de PD de modelos usando Machine y Deep Learning

• Ejercicio 66: PD Lifetime usando regresión logística

• Ejercicio 67: PD Lifetime usando regresión multinomial en R

• Ejercicio 68: PD Lifetime usando SVM en Python

• Ejercicio 69: PD Lifetime usando Deep Learning en Python

• Ejercicio 70: PD Lifetime usando Deep Learning LSTM en Python

 

VALIDACIÓN DE MODELOS DE PD

​

Módulo 29: Validación de modelos PD

 

• Definición del Backtesting PD

• Validación de Calibración de PD​

  • Normal test

  • Binomial Test

  • Traffic Light Approach

• Análisis Semafórico y Cuadro de mando de la PD

• PD Stability Test

• Forecasting PD vs PD Real en el tiempo

• ¿Cuando recalibrar o reestimar un modelo de credit scoring?

• Re-development 

• Re-estimation

• Riesgo de Modelo en la PD

• Machine Learning para validar los modelos de PD

• Inteligencia Artificial para recalibrar y reconstruir modelos autónomamente

• Ejercicio 71: Backtesting de PD en Excel

• Ejercicio 72: Forecasting PD y PD real en Excel

​

AUTOMATIZACIÓN DEL CREDIT SCORING Y PD

CON AI

​

Módulo 30: 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 73: Automatización de la modelización, optimización y validación de  hiperparametría del credit scoring

• Ejercicio 74: Automatización de la modelización y validación de la PD