ALM em el Contexto actual

​

Módulo 1:  Gestión de Activos y Pasivos (ALM)

​

• Conceptos Básicos de ALM: Definición, objetivos y estrategias.

• Gestión de la tesorería bancaria

•  Implicaciones y la optimización de la estructura de capital de un banco

• Sistema de precios de transferencia de fondos del banco y su impacto en los resultados del banco

• Riesgo de liquidez y planes de contingencia.

• Riesgo de tipo de interés en la cartera bancaria en el marco del proceso de revisión y evaluación supervisora del Pilar 2.

• Identificar y gestionar el riesgo de tipo de interés y de tipo de cambio en el balance.

• Evaluar la gestión del capital.

• Riesgo de Inflación

• Relación entre los tipos de interés y la inflación

• Influencia de la inflación en la política monetaria y el tipo de interés

• Comprensión del tipo de interés real y de la tasa de inflación

• Implicaciones de un tipo de interés real positivo o negativo

• Relación entre los tipos de interés nominales y las tasas de inflación esperadas

• Implicaciones de la volatilidad en los tipos de interés y la inflación

 

 Módulo 2: Econometría Avanzada en ALM

​

• Modelos de Regresión Avanzada:

  • Regresión múltiple

  • Regresión no lineal.

• Modelos de Ecuaciones Simultáneas: Identificación, estimación y aplicación en ALM.

• Análisis de Series Temporales:

  • Modelos ARIMA

  •  Cointegración y modelos de corrección de errores

  • Modelos VAR

• Ejercicios 1 : Implementación de Non Maturity Deposits NMD un modelo de regresión múltiple en R.

• Ejercicios 2: Estimación de un modelo VAR para análisis de impacto de NMD en Python.

• Ejercicios 3: Implementación de un modelo de corrección de errores (VECM) de NMD en R.

 

 Nuevas Tecnologías en ALM

​

Módulo 3: Machine Learning en ALM

​

• Introducción al Machine Learning: Principios básicos y relevancia en ALM.

• Modelos de Aprendizaje Supervisado:

  • Regresión lineal y logística

  • Random forests

  • Gradient boosting

• Modelos de Aprendizaje No Supervisado:

  • Clustering

  • PCA análisis de componentes principales.

• Deep learning

  • Feed Forward Neural Network

  • Convolutional Neural Network

  • Recurrent Neural Network

  • LSTM – Long Short-Term Memory

• Aplicaciones en ALM: Predicción de tasas de interés, análisis de riesgo crediticio, optimización de carteras.

• Ejercicios 4: Uso de random forests para clasificación de Tasa de abandono de NMD en Python.

• Ejercicios 5: Implementación de PCA para reducción de dimensionalidad en tasas de interés en R.

• Ejercicios 6: Predicción de NMD utilizando LSTM en Python.

​

 Módulo 4: Machine Learning Probabilístico en ALM

​

• Fundamentos del ML Probabilístico: Principios y comparación con métodos deterministas.

• Modelos Bayesianos:

  • Redes bayesianas

  • Inferencia bayesiana

  • Markov Chain Monte Carlo (MCMC).

• Modelos de Probabilistic ML

  • Bayesian Networks

  • Gaussian processes

• Modelos de Riesgo y Pronóstico: Estimación de distribuciones de probabilidad para riesgos financieros.

• Ejercicios 7: Implementación de modelos de redes neuronales  bayesianas para  crear forecasting e intervals de confianza de NMD en Python.

• Ejercicios 8: Simulación de Markov Chain Monte Carlo para predicción de escenarios de NMD en R.

 

 Módulo 5: Computación Cuántica en ALM

​

• Introducción a la Computación Cuántica: Principios básicos y algoritmos cuánticos.

• Representación del Qubit

  • Medición

  • Superposición

  • multiplicación de matrices

  • Operaciones Qubit

  • Circuitos cuánticos múltiples

  • Puertas cuánticas

  • Entrelazamiento cuántico 

• Algoritmos de Búsqueda Cuántica: Grover's Algorithm.

• Algoritmos de Factorización Cuántica: Shor's Algorithm.

• Simulación Cuántica: Uso de algoritmos cuánticos para simular sistemas físicos.

• Optimización Cuántica: Algoritmos cuánticos para la optimización de carteras.

• Aplicaciones en ALM: Uso de computación cuántica en la gestión de riesgos y en la optimización de activos y pasivos.

• Ejercicios 9: Estados y Operaciones Cuánticas y representación de datos en qubits.

• Ejercicios 10: Implementación de un algoritmo cuántico para optimización de portfolios en Python.

 

 Módulo 6: Quantum Machine Learning QML

​

• Introducción a QML: Diferencias clave con ML clásico.

• Estados y Operaciones Cuánticas: Representación de datos en qubits.

• Medición y Decoherencia: Impacto en algoritmos de aprendizaje.

• Variational Quantum Eigensolver (VQE): Aplicaciones en optimización.

• Variational Quantum Algorithm VQA

• Quantum Approximate Optimization Algorithm (QAOA): Problemas de optimización.

• Quantum Support Vector Machine (QSVM): Clasificación cuántica.

• Redes Neuronales Cuánticas

  • Quantum Neural Networks (QNN): Arquitectura y funcionamiento.

  • Circuitos Variacionales: Entrenamiento de redes neuronales cuánticas.

  • Aplicaciones de QNN: Casos de uso y ejemplos prácticos.

  • Quantum Long Short Term Memory

  • Quantum Convolutional Neural Networks 

• Aprendizaje Cuántico No Supervisado

  • Quantum Clustering: Algoritmos y aplicaciones

  • Quantum Principal Component Analysis (QPCA): Reducción de dimensionalidad cuántica

  • Quantum Boltzmann Machines: Aplicaciones y entrenamiento

• Ejercicios 11: QLSTM en NMD forecasting 

• Ejercicios 12: QNN en modelo de abandono de depósitos 

 

​Module 7: Tensor Networks para Machine Learning

 

• Que son Los  tensor networks?

• Quantum Entanglement

• Tensor networks en machine learning

• Tensor networks en unsupervised models

• Tensor networks en SVM

• Tensor networks en NN

• NN tensioning

• Aplicaciones de tensor networks en modelos de abandono

• Ejercicio 14: Neural Network usando tensor networks 

 

Módulo 8: Modelos Estocásticos en ALM

​

• Procesos Estocásticos: Definición y características.

• Modelos de Movimiento Browniano y Difusión: Aplicaciones en finanzas.

• Modelos de Tasas de Interés: Modelos de Vasicek, Cox-Ingersoll-Ross (CIR).

• Aplicaciones en ALM: Valoración de opciones, gestión de riesgo de tasas de interés.

• Ejercicios 15: Simulación de procesos estocásticos en R para valoración de opciones.

• Ejercicios 16: Estimación de un modelo de Vasicek para tasas de interés en Python.

• Ejercicios 17: Implementación de un modelo GARCH para análisis de volatilidad en R.

​

Módulo 9: Generative AI en ALM

​

• Introducción a la Generative AI: Conceptos básicos y aplicaciones en finanzas.

• Large Language Models LLM

• NN Transformers

• Generación de Datos Sintéticos: Técnicas y metodologías.

• Aplicaciones en ALM Simulación de escenarios financieros, creación de datos para stress testing.

• Ejercicios 18: Generación de datos sintéticos utilizando modelos de Generative AI en Python.

• Ejercicios 19: Simulación de escenarios financieros utilizando Generative AI en R.

 

 Módulo 10: Robust Machine Learning en ALM

​

• Fundamentos de Robust ML: Principios y técnicas para aumentar la robustez de los modelos ML.

• Modelos Robustos:

  • Técnicas de regularización

  • Manejo de outliers

  • Algoritmos robustos

• Aplicaciones en ALM: Predicción robusta de riesgos financieros, análisis de escenarios adversos.

• Ejercicios 20: Implementación de técnicas de regularización para modelos robustos en Python.

• Ejercicios 21: Análisis de escenarios adversos utilizando modelos robustos en R.

 

IRRBB y Riesgo de Liquidez en Basilea IV 

​

Módulo 11: IRRBB y NMD

​

• Definición del IRRBB

• Subtipos de riesgo:

  • Gap Risk

  • Basis Risk

  • Option Risk

• Credit Spread Risk en el Banking Book

• Valor Económico y medidas basadas en ingresos

• Principios del IRRBB

• Principios para bancos

  • Expectativas

  • Metodología de gestión del riesgo

  • Delegación

  • Política de límites

  • Definición de Valor Económico, visión dinámica 

  • Shocks de tipo de interés y escenarios de estrés. 

  • Modelos de comportamiento

  • Prepago

  • Depósitos sin vencimiento definido

  • Sistemas de medición

  • Integridad de los datos

  • Modelo de gobernanza

• Principios para Supervisores

  • Valoración

  • Recursos

  • Cooperación supervisora

• Alcance y timeline

• Implementación

• Enfoque Estándar IRRBB​

• Metodología del enfoque estandar

• Componentes

• Cash Flow Bucketing

• Proceso para posiciones que son susceptibles de estandarización

• Tratamiento de depósitos sin vencimiento definido

  • Categorías

  • Separación

  • Caps sobre los core deposits

• Tratamiento de posiciones con opcionalidades

• Non-Maturity Deposits en IRRBB de Basilea III

•  Préstamos con tasa fija sujetos al prepago

• Depósitos a plazo con riesgo de rescate

• Add-on para opciones automáticas de tipo de interés

• Medida de riesgo del EVE estandarizado

•  Interest rate risks for banking book (IRRBB) supervisory outlier tests SOT

• Ejercicio 22: Ejercicio medición de riesgo de tipo de interés

  • Cash flow bucketing

  • Tratamiento de depósitos sin vencimiento definido

  • Tratamiento de opcionalidades, prepago.

  • EVE estandarizado

  • Comparativo de EVE estandarizado frente a modelo interno IRRBB de valor económico 

  • Revisión Supervisory outlier test SOT 

​

Módulo 12: SOFR / €STER Yield Curve

​

• Dual Bootsrapping

• Multi curvas yield curve

• Calibración y optimización 

• Nuevos instrumentos para SOFR USD

• Libor vs ARR Rates

• Nuevos riesgos para gestionar

• Curva de calibración singular

• Calibración global Interpolación

• Modelo de Optimización

• Multi-dimensional Newton-Raphson solver

• Uso de Jacobianos para recalibración

• Selección de instrumentos para la calibración Instrumentos ARR

• Pasos para la calibración del Yield Curve

• Requerimientos para lograr una adecuada calibración

• Ejercicio 23: Estimación multicurva y optimización con matrices de jacobianos en Python

• Ejercicio 24: Optimización con Jacobianos usando Multi- dimensional Newton- Raphson solver

• Ejercicio 25: Estimación curva singular

• Ejercicio 26: Estimación multicurva con matrices de jacobianos

• Ejercicio 27: Estimación curva SOFR 

​

Módulo 14: Medición de Riesgo de Liquidez 

 

• Funding Liquidity Risk

• Medición de la liquidez

  • Stock Based Approach

  • Cash Flow based Approach

  • Enfoque Hibrido

• Cash Flow at Risk

• Proyección avanzada de Cash Flow

• Estructura Temporal de la liquidez

• Counterbalancing Capacity

• Gap Dinámico de Liquidez

  • Opcionalidades en el Gap Dinámico

  • Entradas y salidas contractuales y comportamentales

• Diseño de planes de contingencia de fondos

  • Estrategias para implementación de planes

• Estrategias para la gestión de reservas de liquidez

  • Buffer de Liquidez

  • Asset Allocation

  • Gestión de activos en función de medidas de liquidez

  • Estimación del tamaño del buffer de liquidez

  • Estrategias de fondos

  • Gestión del riesgo de crédito

• Introducción al Stress Testing en Riesgo de Liquidez

  • Enfoque Histórico

  • Enfoque Estadístico

  • Enfoque Experto

  • Análisis de Escenarios

• Determinación de Escenarios en Riesgo de Liquidez

• Pasos para desarrollar un plan de contingencia de fondos

• Gestión de Riesgo de Liquidez Intradía

• Ejercicio 28: Ejercicio Global de riesgo liquidez y tipo de interés usando GAP Dinámico, ratios de liquidez de Basilea III, métricas claves de liquidez, simulación de Margen Financiero y Valor Económico a través del IRRBB en Excel

​

​​

Modelos de Comportamiento

​

Módulo 15: Metodologías para los modelos de

comportamiento NMD

 

• Marco regulatorio de Basilea IV IRRBB

• Condiciones actuales del mercado, el entorno competitivo y factores macroeconómicos

• Calidad de datos

• Análisis de la longitud y frecuencia de las series temporales

• Parametrización de modelos estocásticos

• Calibración

• Calidad de los datos y complejidad del modelo

• Estimación de la vida promedio de los depósitos sin vencimiento

• La liquidez y el perfil de riesgo de tasa de interés

• Definición de modelos estables

• Modelos alternativos

• Análisis de los depósitos banco SVB y otros bancos de EEUU

 

Módulo 16: Modelización de pasivos sin vencimiento definido con modelos econométricos 

 

• Depósitos estables e inestables

• Non Maturity Deposits (NMD) en Basilea IV

• Modelos estadísticos de pasivos

• Tranchas por volatilidad de depósitos

• Modelo Portfolio Replica y optimización

• Modelo Option-Adjusted Spread

• Modelo experto para definir depósitos estables

• Estimación del Cash Flow en el margen financiero y valor económico

• Ejercicio 29: Modelo econométrico y simulación de pasivos sin vencimiento en Excel

• Ejercicio 30: Tranchas de depósitos estables e inestables en Excel

• Ejercicio 31: Enfoque de portfolio replica 

• Ejercicio 32: Modelo avanzado de NMD econométrico con pruebas de cointegración y metodología de portfolio replica 

 

Módulo 17: Modelización del NMD con procesos estocásticos

 

• Modelización con el Ornstein-Uhlenbeck framework

• Sistema de ecuaciones de Ornstein-Uhlenbeck impulsado por procesos de Lévy

• Factores dinámicos

• Aplicación del riesgo de liquidez

• Stress testing con parámetros

• Estimación de Run-Off

• Ejercicio 33: Modelo NMD usando sistema de ecuaciones de Ornstein-Uhlenbeck 

• Ejercicio 34: Generative AI para modelo de NMD usando procesos estocásticos 

 

Módulo 18: Modelización del NMD con AI y econometría​​

​​

• ​Machine Learning for NMD Forecasting

• Multivariate Models

  • Autoregressive Vector VAR Models

  • ARCH Models

  • GARCH Models

  • Multivariate GARCH Models Copulas

  • Vector Error Correction VEC models

  • Johansen Method

• Machine Learning ​​

  • ​Multivariate Adaptive Regression Splines

  • Xgboost

• Deep Learning

  • Redes Neuronales Recurrentes RNN

  • Red Neuronal de Elman

  • Red Neuronal de Jordan

  • Estructura básica de RNN

  • Long short term memory LSTM

  • Gated Recurrent Units GRU

  • Modelos híbridos 

  • CNN + LSTM

  • TCN + LSTM/GRU

• Bayesian Deep Learning

  • Bayesian Long short term memory LSTM
  • Cuantificación de la incertidumbre

• Advanced Forecasting

  • DeepAR 

    • Deep Learning

    • Probabilistic Forecasting

  • Transformer Model​

• Quantum Machine Learning 

  • Quantum Neural Network
  • Quantum Long short term memory LSTM

• Exercise 35: Econometric Forecasting ARIMA and SARIMA

• Exercise 36: Forecasting using Recurrent Neural Networks LSTM 

• Exercise 37: Forecasting using Quantum LSTM 

• Exercise 38: Forecasting using Bayesian Neural Networks

• Exercise 39: Multivariate Forecasting Model with VAR

• Exercise 40: Multivariate forecasting model with LSTM NMD

• Exercise 41: DeepAr forecasting NMD

• Exercise 42: Transformer forecasting NMD

• Exercise 43: Generative AI para forecasting de NMD

​

Módulo 19: Modelización del NMD con

modelos de clasificación de ML

 

• Modelos de clasificación de NMD

• Modelos Estadísticos de probabilidad de churn/runoff de depósitos

• Variables de modelo churn

• Modelos de machine learning para estimar tasa churn

• Feature Engineering

• ML models

  • Support Vector Machine Regression

  • Neural Networks Feed Forward

  • Convolutional Neural Network CNN

• Quantum ML models

  • Qubit and Quantum States

  • Quantum circuits

  • Quantum k means

  • Support Vector Quantum Machine

  • Quantum Neural Networks

  • Variational Quantum Regressor (VQR)

• Exercise 44: Variational Quantum Regressor ( VQR ) for churn rate

• Exercise 45: Quantum Support Vector Machine and classical SVM for churn model

• Exercise 46: Quantum feed forward Neural Networks  and  classical NN for churn model

• Exercise 47: Classical CNN for churn model

​

Módulo 20: Modelización del Prepago

 

• Modelos Empíricos

• Modelos Estadísticos de probabilidad de prepago

• Modelos de machine learning para estimar tasa prepago

  • Redes Neuronales Recurrentes

  • SVC

  • SVR

  • Red neuronal prealimentada

• Probabilidad de pago por contrato y por pool de créditos

• Modelos de opciones de prepago

• Modelos de Prepago racionales

• Factores como tipo de interés, estacionalidad, ciclo económico, Burnout factor y tendencia

• Estudio de Prepagos parciales y totales en hipotecas

• Ejercicio 48: Ejercicio de prepago en cartera hipotecaria usando redes neuronales y SVR

• Ejercicio 49: Modelo econométrico y de machine learning de probabilidad de prepago en R

 

Módulo 21: Modelos de Utilización de líneas de Crédito

 

• Estimación del CCF en la EAD

• Modelos intensivos de utilización  de línea de crédito

• Gestión de líneas de crédito

• Distribución Marginal del uso de líneas de crédito

• Modelos de Machine Learning para modelizar la utilización de líneas de crédito

  • SVC

  • Redes Neuronales

• Ejercicio 50: Modelo de utilización de línea de crédito en R

• Ejercicio 51: Modelo de utilización de línea de crédito con redes neuronales en Python

 

FUNDS TRANSER PRICING (FTP) 

​

Módulo 22: Funds Transfer Pricing FTP y LFTP

 

• Funds Transfer Pricing FTP 

• Impacto de transición de Libor en los FTPs

• Sistema de Precios de Transferencia

• Metodologías de precios de transferencia

• Multiple Pool TP

• Cuenta de resultados y Margen financiero Pool

• Matched Maturity FTP

• Estimación de Curva FTP

• Estimación del Coste de liquidez

• Matched Maturity TP en pasivos

• Impacto de Basilea III en el FTP

• FTP para préstamos

• FTP para depósitos

• FTP para contigent liquidity risk

• Configuración de la curva de fondos

  • Segmento de Curvas específicas

  • Consideración de Clientes grandes

  • Curvas Flats

• Consideración de la estrategia de tipo de interés y riesgo de liquidez

• Liquidity Risk Pricing 

• Liquidity Funds Transfer Pricing LFTP 

• Requerimientos regulatorios de LFTP

• Requerimientos del LFTP

• Ejercicio 52: Precios de Transferencia y estimación de margen ordinario pool en Excel.

• Ejercicio 53:  Precios de Transferencia enfoque Matched Maturity

• Ejercicio 54: LFTP condicionado a riesgo de liquidez de Basilea III

Stress Testing​

 

Módulo 23: Stress Testing de Riesgo de Tipo de Interés

 

• Escenarios y Stress Testing en  el IRRBB

• Metodología de shock de parámetros de tipo de interés

• NII tras el Shock sobre el tipo de interés

• Stress testing yield curve

• Escenarios de tipos de interés y divisa para la gestión interna

• Escenarios de tipo de interés para el stress testing

• Programa de Stress testing IRRBB

• Gobernanza Stress Testing

• Stress testing en los modelos de comportamiento y entorno económico

• Ejercicio 55: Simulación de Monte Carlo, escenarios macroeconómicos, impacto en el EVE y margen financiero escenarios de yield curve adversos y cambios macroeconómicos adversos 

• Ejercicio 56: Simulación de Monte Carlo Cuántica en el stress testing

• Ejercicio 57: aplicación de la inteligencia artificial generativa para el stress testing

 

Módulo 24: Reverse Liquidity Stress Testing

 

• Introducción del Reverse Stress Testing 

• Funding Liquidity Risk

• Stress testing del Funding Liquidity Risk

• Stress testing en el NMD

• Coste de los fondos en tiempos de crisis y normales

• Identificación de los factores de riesgo en los fondos

• Score de Funding Risk

• Asignación de critical values 

• Cálculo de periodos de supervivencia

• Cuadro de mando

• Impacto del funding risk en el banco 

​

Módulo 25: Stress Testing de Riesgo de Liquidez

 

• Requisitos del Stress Testing para ILAAP

• Consistencia entre el Risk Appetite y el Stress Testing el ILAAP

• Escenarios adversos que producen shock en el riesgo de liquidez

• Acciones de liquidez

• Magnitud de las salidas de cuentas de depósitos

• Factores relacionados con el estrés de la liquidez

  • Depósitos

  • Compromisos

  • Financiación garantizada

  • Financiación mayorista

  • Liquidez intradía

  • Capacidad de contrapeso

  • Préstamos de valores

• Metodologías de stress testing en riesgo de liquidez

  • Enfoque Bottom-up

  • Enfoque Top-Down

  • Enfoque híbrido

  • Valoración de las metodologías

• Diseño de escenarios

  • Benchmark Escenarios de estrés de liquidez

  • Modelización de los Haircuts y Add-ons

  • Magnitud las tasas de Run-Off

  • Vinculo de la liquidez y solvencia

• Modelización y Stress Tresting del Run-Off con modelos econométricos

• Stress Testng en los Cash Flows Contractuales

• Stress Testing en los los cash flows comportamentales

• Ejercicio Global 58: Stress Testing de riesgo de liquidez en estados financieros, simulación de escenarios macroeconómicos, impacto en flujos comportamentales, contractuales y tasas de Run-off 

• Ejercicio 59: Computación Cuántica en el stress testing de riesgo de liquidez 

• Ejercicio 60: aplicación de la inteligencia artificial en el stress testing de riesgo de liquidez

 

Optimización del Balance

​

Módulo 26: Optimización del Balance 

 

• Optimización del balance

• Definición de escenarios post COVID-19

• Arboles de Escenarios estocásticos y dinámicos 

• Programación dinámica

• Programación dinámica Estocástica Multiperíodo

• Maximización del margen financiero y valor económico

• Aplicación de teorías económicas y financieras 

• Condicionantes de liquidez, capital y Basilea III

• Escenarios de Stress Testing COVID-19

• Optimización del Capital Adequacy Ratio (CAR)

• Condicionantes de IRRBB Risk Appetite

• Ejercicio 61: Optimización de ratios de cobertura y financiación estable con Solver de Excel

• Ejercicio 62: Optimización del margen financiero sujeto a reestricciones del ratio de apalancamiento, liquidez NSFR, LCR y capital, usando programación estocástica multiperíodo

• Ejercicio 63: Optimización Cuántica del balance

​

Módulo 27: Inflación y ALM

​

• Modelos de Inflación: Medición y predicción de la inflación

• Stress Testing de la inflación y modelización de escenarios

• Modelización de la inflación basado en escenarios

• Previsión de la inflación transitoria frente a la inflación subyacente

• Impacto de la Inflación en ALM: Ajuste de estrategias de ALM para considerar la inflación.

• Protección Contra la Inflación: Instrumentos financieros y estrategias de cobertura.

• Ejercicio 64: Predicción de inflación utilizando modelos Transformer y LSTM.

• Ejercicio 65: Simulación de estrategias de inversión bajo diferentes escenarios de inflación con Gen AI

​

Módulo 28: Medición del Riesgo Geopolítico

​​

• Medición del riesgo geopolítico

• Inteligencia artificial aplicada a los riesgos geopolíticos

• Enfoques cuantitativos versus cualitativos

• Calificaciones de riesgo geopolítico

• Identificar señales de alerta temprana 

• Identificar problemas clave

• interpretación de  tendencias en datos financieros y económicos.

• Creación de índices de geopolítica 

• Análisis de los principales índices 

• Posibles sesgos en los índices

• Tipología de artículos para mejoras de índices

• Ejercicio 66: Análisis de principales índices de riesgo geopolítico 

​​