Credit Scoring
con AI y Quantum Computing
Curso intensivo para desarrollar herramientas de credit scoring, calibrar la probabilidad de default, PD, y validar modelos. Se explican metodologías de machine learning tradicional, probabilístico y cuántico. Además se explica como automatizar la construcción y calibración de la PD con la propia inteligencia artificial.
El participante aprenderá a desarrollar modelos de credit scoring, tradicionales y avanzados, en la etapa de admisión y seguimiento del crédito. Es decir, se explica la construcción del credit y behavior scoring empleando volúmenes de información enormes.
Respecto a la analítica de datos, se expone un módulo, sobre el tratamiento avanzado de los datos, explicando entre otros temas, el muestreo, análisis exploratorio, segmentación y detección de outliers.
Intensive course to develop credit scoring tools, calibrate the probability of default, PD, and validate models. Traditional, probabilistic and quantum machine learning methodologies are explained. It also explains how to automate the construction and calibration of the PD with the artificial intelligence itself.
The participant will learn to develop traditional and advanced credit scoring models in the credit admission and monitoring stage. In other words, the construction of credit and behavior scoring is explained using enormous volumes of information.
Regarding data analytics, a module is exposed on advanced data processing, explaining, among other topics, sampling, exploratory analysis, segmentation and detection of outliers.
Se entregan más de 20 modelos de credit scoring, con distintas metodologías en diversos lenguajes de programación como lo son: R, Python, Jupyterlab, Tensorflow y SAS. Se entregan modelos de credit scoring de admisión, seguimiento, recobro, ingresos y abandono.
Se enseñan metodologías avanzadas para calibrar el parámetro de riesgo PD IRB. Se aborda la calibración por ajuste a la tendencia central, la filosofía del rating PD PIT y PD TTC, la calibración de modelos de machine learning para que produzcan probabilidades de default. Además se ha incluido un modulo para desarrollar y calibrar la PD Lifetime de IFRS 9 empleando modelos de deep learning.
El participante tendrá una visión global de la gestión del recobro, a través de políticas, sistemas, personal, métricas, metodologías de modelos y estrategias.
El objetivo del curso es exponer el uso de la inteligencia artificial en los procesos de recobro de la banca de cara a la transformación digital. Se exponen las principales herramientas predictivas y de decisión en los procesos de recobro.
-
Se explican los avances sobre la transformación digital de los bancos y entidades financieras. Se espera que la digitalización traiga consigo reducción de tiempo y costes.
-
Se destaca la importancia de las recientes tecnologías de inteligencia artificial durante el proceso de recuperación.Tales como la Automatización Robótica de Procesos, Chatbots y machine learning.
El objetivo del curso es exponer el uso de la inteligencia artificial en los procesos de crédito de la banca de cara a la transformación digital. Así como mostrar una visión holística de los riesgos en la financiación de préstamos de consumo y tarjetas de crédito. Se exponen las principales herramientas predictivas y de decisión en los procesos de originación, seguimiento y recobro. Otros importantes objetivos son:
-
Primeramente se explica la reciente directiva de EBA sobre la concesión y seguimiento de prestamos.
-
Se explican pormenorizadamente los riesgos, controles, análisis, aspectos regulatorios, sistemas de reporting, validaciones y evaluaciones en los procesos del ciclo de crédito.
-
Se destaca la importancia de las recientes tecnologías de inteligencia artificial durante el ciclo de crédito.Tales como la Automatización Robótica de Procesos y el machine learning.
Curso innovador sobre técnicas de machine learning, aprendizaje de máquinas en castellano, aplicado al desarrollo de herramientas de credit scoring. Empleando ejercicios reales y usando los potentes lenguajes Python y R.
Respecto a la analítica de datos, se expone un módulo, sobre el tratamiento avanzado de los datos, explicando entre otros temas, el muestreo, análisis exploratorio, detección de outliers, técnicas avanzadas de segmentación y algoritmos de clasificación.
Se muestran modelos predictivos tanto econométricos, como de machine learning tales como: árboles de decisión, redes neuronales, redes bayesianas, Support Vector Machine, modelo de conjuntos, etc. Además, se explica, detalladamente, como validar modelos de machine learning para evitar sobreajustes.