top of page
finanzas-descentralizadas-o-concepto-defi-pantalla-computadora-moda (1).jpg

Pricing de Derivados, Inteligencia Artificial y Algoritmos Cuánticos 

 

 

 

OBJETIVO DEL CURSO

 

Curso Intensivo y avanzado de valoración de productos derivados de renta variable, renta fija, tipo de cambio y crédito usando modelos tradicionales, inteligencia artificial y computación cuántica .

 

En el curso se muestran estrategias y coberturas con opciones, modelos avanzados de pricing para opciones de tipo de interés, modelos de volatilidad implícita, local, estocástica y Jump Difussion Model.

 

Para la valoración de las opciones de tipo de interés, hay un módulo que aborda la construcción de la Yield Curve porque es sumamente importante para la valoración de modelos de derivados de tipo de interés. Se ha actualizado la transición de Libor y la creación del SOFR yield curve que impactará el pricing de derivados y los XVA.  

​

Innovadoramente, se expone el uso de potentes herramientas de machine learning, particularmente las redes neuronales y el deep learning, para la valoración de derivados, calibración de ecuaciones diferenciales estocásticas, estimación de la volatilidad implícita y creación de la curva yield.

​

Se explica la valoración de opciones exóticas de primera y segunda generación, empleando modelos de machine learning.

 

Se exponen métodos numéricos, tales como ecuaciones parciales diferenciales, PDEs, arboles trinomiales y simulación de Monte Carlo tradicional, además para incrementar la velocidad de cálculo,  se explica el pricing de las opciones mediante transformaciones de Fourier y mejoras en la Simulación de Monte Carlo. Para agilizar notablemente la estimación de las griegas se ha incluido el algoritmo Adjoint of Automatic Differentiation.

 

El curso tiene un número importante de ejercicios en Julia, Python y R así como casos de estudio que mejoran el aprendizaje. Se abordan las ventajas e inconvenientes de cada lenguaje para la valoración de derivados. Hemos introducido un reciente lenguaje, llamado Julia, que es potente, sencillo y muy rápido. Todos los ejercicios en el entorno JupyterLab.

​

La simulación de Monte Carlo es la técnica más empleada para valorar derivados. No obstante, los bancos están recurriendo al machine learning en un intento por dar un impulso a sus modelos de pricing. La técnica consiste en entrenar redes neuronales profundas para aproximar los resultados a los modelos de Monte Carlo sin tener que ejecutar millones de simulaciones. La red neuronal se aproxima al precio de su cartera cuando ejecuta un XVA gigantesco y complicado.

​

Se exponen metodologías de ajuste de valoración XVA, entre otras modelos:  la estimación de la exposición crediticia, el Credit Value Adjustment CVA, debit value adjustment DVA, Funding Value Adjustment, CoLVA, MVA y KVA, exponiendo metodologías tradicionales y modelos de deep learning.

​

La fijación de precios es una tarea computacional exigente que tradicionalmente se resuelve usando técnicas simulación de Monte Carlo. No obstante, las técnicas de computación cuántica Quantum Accelerated Monte Carlo (QAMC) prometen una aceleración cuadrática sobre la simulación de Monte Carlo (MC), esta ventaja cuántica de aumentar la velocidad de cálculo traería beneficios sustanciales, particularmente por el enorme volumen de productos derivados que hay en el mercado.

​

Se expondrá la ventaja cuántica del QAMC sobre la simulación de MC y la ventaja del machine learning cuántico sobre el tradicional.

​

Curso didáctico, claro en exposición, con la experiencia y calidad de Fermac Risk, buscando que el aprendizaje del participante sea lo más importante. El curso es práctico para aplicar lo aprendido inmediatamente en el trabajo.

 

¿QUIÉNES DEBEN ASISTIR?

 

Personas que trabajen en los siguientes departamentos: Investment Management, Tesorería, Analisis de Riesgos de Crédito, Modelización de Portfolios, Validación de Modelos, Quantitative Research, Estructuración, Pricing, Riesgo de Mercado, metodologías, dirección financiera, controller financieros y Portfolios managers. De bancos, sociedades de valores, corporativos, seguros, agentes de bolsa, casa de bolsa y corredor de bolsa.

 

El curso no aborda matemáticas abstractas ni teoría compleja. No obstante, se explican con seriedad los modelos matemáticos. El alumno conocerá no solo la teoría sino ejercicios prácticos. Es recomendable dominar algún lenguaje de programación.

 

 

 

fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg
Time.png

Horarios:

  • Santiago de Chile, Sao Paulo, Buenos Aires, Santo Domingo: L a V: 18-21h

​

  • España, Portugal: L a V 19-22 h

 

  • Ciudad de México, Quito, Bogotá, San José: L a V 19-22 h

Price.png

Precio: 7.900 €

 

Level.png

Nivel: Avanzado

 

Duration.png

Duración: 40 h

 

Material.png

     Material: 

​

  • Presentaciones PDF

  • Ejercicios en Excel, R, Python y Jupyterlab 

fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg

AGENDA
 Pricing de Derivados, Inteligencia Artificial y Algoritmos Cuánticos

 

 

Anchor 10

Inteligencia Artificial en Finanzas

​

Módulo -2: AI en Finanzas (opcional)

 

  • Inteligencia artificial AI en finanzas

  • 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 Finanzas

  • Aplicaciones en la valoración de opciones, proyecciones, asset management y trading

​​

Módulo -1: Deep Learning  (opcional)

​

  • Definición y concepto del deep learning

  • ¿Porque ahora el uso del deep learning?

  • 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

  • Feedforward neural network

  • Perceptrón Multicapa

  • Redes neuronales convolucionales

  • Uso del deep learning en la clasificación de imágenes

  • Redes neuronales recurrentes

  • Series temporales

  • Long Short Term Memory

  • Ejercicio 1: Deep Learning feedforward perceptron neural network

​

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

  • Números complejos

  • 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

  • Limitación cuántica 

  • Ordenadores cuánticos 

  • Ejercicio 2: Operaciones de computación cuánticas 

​

Aprendizaje No Supervisado

​

Módulo 1: Modelos no supervisados

​

  • Clusters Jerárquicos

  • K-Means

  • Algoritmo estándar

  • Distancia Euclidiana

  • Análisis de Componentes principales (PCA)

  • Visualización avanzada de PCA

  • Eigenvectores e Eigenvalores

  • Ejercicio 3: Componentes principales para yield curve

  • Ejercicio 4: Segmentación de la data financiera con K-Means

​

Aprendizaje Supervisado​​​

​

Módulo 2: 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 5: Support Vector Machine en Python data financiera

​

Módulo 3: Redes Neuronales

(Neural Networks NN)

​

  • Neurona artifical

  • Entrenamiento de Perceptron

  • Perceptrón 

  • Algoritmo de backpropagation

  • Procedimientos de entrenamiento

  • Tuning NN 

  • Visualización de NN

  • Ventajas e inconvenientes

  • Ejercicio 6: Redes Neuronales en Python data financiera

 

Módulo 4: Ensemble Learning

 

  • Modelos de conjuntos

  • Bagging

  • Bagging trees

  • Random Forest

  • Boosting

  • Adaboost

  • Gradient Boosting Trees

  • Ventajas e inconvenientes

  • Ejercicio 7: Random Forest, R y Python, data 1 y 2

  • Ejercicio 8: Gradient Boosting Trees​

​

Futuros y Opciones

​

Módulo 5: Futuros y Opciones

 

  • Mercado de derivados en España

  • Mercado de Derivados en Latinoamérica

  • Futuros

  • Forwards

    • Fx Forwards

    • FRAs

  • Swaps

    • Interest Rate Swaps IRS

    • Equity Swaps

    • Fx Swaps

    • Credit Default Swap CDS

  • ​Características Opciones

  • Tipología de opciones

  • Call y Put Europea y Americana

  • Modelos de Valoración

    • Black-Scholes

    • Heston Model

    • Árbol binomial

  • Opciones sobre índices de Acciones y Divisas

  • Ejercicio 9: Modelo Heston Model

  • Ejercicio 11: Valoración Call Option en Python

  • Ejercicio 12: Valoración binomial de opción americana en Python

  • Ejercicio 14: Valoración de opción por Simulación de Montecarlo en R y Phyton

  • Ejercicio 15: Valoración Black y Scholes en R

 

Módulo 6: Estrategias con Opciones

 

  • Estrategia Alcista, Bajista, de movimiento y estabilidad 

  • Bull y Bear Spread 

  • Ratio Call-Put Back Spread 

  • Compra y Venta de Túnel 

  • Straddle y Strangle 

  • Estrategias Butterfly 

    • Butterfly spread con calls

    • Butterfly spread con puts

  • Estrategias Condor

    • Puts

    • Calls

  • Como usan los traders el precio de las opciones

 

Módulo 7: Tratamiento de volatilidad

​

  • Modelo Garch

  • Volatilidad Implícita

  • Volatilidad Local

  • Superficies de volatilidad

  • Smiles de volatilidad

  • Modelos de volatilidad estocástica

  • Jump Diffusion model

  • Tratamiento de volatilidad usando redes neuronales

  • Ejercicio 16: Volatilidad Local e Implícita en R, gráficos de superficie de volatilidad en R

  • Ejercicio 17: Modelización volatilidad GARCH en Python

  • Ejercicio 18: Simulación jump diffusion model en R

  • Ejercicio 19: Redes Neuronales para volatilidad implicita

 

Módulo 8: Gestión de Portfolios de Opciones

 

  • Parámetros de cobertura

  • Griegas: Delta, Gamma, Vega, Theta, Rho

  • Seguimiento y ajuste de posiciones de opciones en tiempo real

  • Simulaciones y análisis de sensibilidades de precios de ocpiones

  • Modelos de Barone-Adesi y Whaley model

  • Monitorización y gestión real de:

    • delta

    • gamma

    • theta

    • vega

    • elasticidad

  • Ajustes ante cambio de volatilidades

  • Relación entre parámetros de cobertura

  • Enfoques de estimación de griegas:

    • Diferenciación

    • Árbol binomial

    • Estimación de diferencias finitas

    • Estimación de Máxima Verosimilitud (EMV)

  • Ejercicio 20: Estimación de griegas delta, gamma, theta y vega en Julia y Python

  • Ejercicio 21: Estimación de griegas usando R

​

Módulo 9: Derivados usados en Banca

 

  • Derivados de Renta Variable

    • Opciones Renta Variable

    • Swaps Renta Variable

    • Opciones de mercados organizados

  • Derivados de Renta Fija

    • Forwards de renta fija

  • Derivados de tipo de cambio

    • Cross Currency Swap

    • Opciones de tipo de cambio

  • Derivados de Crédito

    • Credit Default Swap CDS

  • Ejercicio 22: Pricing Cross Currency Swap

  • Ejercicio 23: Pricing de opción de renta variable en Python

​

 

​​

​

Opciones de Tipo de Interés

​

Módulo 10: Estructura temporal de tipo de interés (Yield Curve)

​

  • Construcción de ETTI

  • Instrumentos disponibles

    • Bonos y Depósitos

    • FRAs

    • Interest Rate Swap

    • Basis Swap

    • Cross Currency Swap

  • Usando múltiples instrumentos

  • ETTI en la práctica y principales Issues

  • Curva colateralizada

    • Overnight Index Swaps (OIS)/EONIA

  • Enfoque Bootstrapping

    • Componentes principales PCA

    • Curva Euribor

    • Curva Eonia

  • Enfoque Interpolación

    • Cubic Splines

    • Basis Splines

  • Enfoque Extrapolación

    • Smith-Wilson

  • Enfoque Modelo Nelson Siegel

    • Calibración

  • Modelización estocástica

    • Modelo de Vasicek

    • Modelo Cox-Ingersoll-Ross

    • Modelo Ornstein-Uhlenbeck

    • Modelo Hull-White

  • Redes neuronales para calibrar modelos estocásticos

    • Modelo de Vasicek

    • Modelo de Hull-White

  • Libor Market Model

  • Martingalas y Numerario

  • Calibración de caps y swaptions

  • Modelos de Multicurvas 

  • Modelos SABR para tasas negativas

  • Ejercicio 24: Construcción de Curva de Estructura temporal de tipo de interés Euribor y Eonia en Python

  • Ejercicio 25: Construcción de Curva de Estructura temporal de tipo de interés. Caso práctico con depósitos, FRAs e Interest Rates Swaps y componentes principales PCA

  • Ejercicio 26: Caso Real Banco de España Nelson Siegel ejercicio en R y Excel

  • Ejercicio 27: Estructura temporal de Splines cúbicos y basis splines en Excel

 

Módulo 11: Estructura temporal de tipo de interés para 

SOFR (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 28: Estimación multicurva y optimización con matrices de jacobianos en Python

  • Ejercicio 29: Estimación multicurva con matrices de jacobianos

  • Ejercicio 30: Estimación curva SOFR 

​

Módulo 12: Calibración de 

modelos estocásticos de tipo de interés 

​​​

  • Análisis yield curve

  • Modelos one factor

    • Modelo de Vacicek

    • Modelo Cox-Ingersoll-Ross

    • Modelo Hull-White

  • Calibración tradicional

  • Calibración con machine learning

  • Redes neuronales para calibrar modelos estocásticos

    • Modelo de Vasicek

    • Modelo de Hull-White

  • Ejercicio 31: Calibración modelos Hull-Whit, CIR y Vacisek

​

Módulo 14: Futuros, Swaps y Opciones de Tipo de Interés

 

  • Futuros y Swaps

  • Forward Rate Agreements (FRAs)

  • Estrategias de Coberturas con Futuros de tipo de interés

  • Interest Rate Swaps (IRS)

  • Overnight Index Swaps (OIS)

    • Tipo libre de riesgo vs OIS

    • Curva cero OIS

    • OIS vs Libor

    • Funding Risk

    • CVA y DVA

  • Opciones sobre tipo de interés

    • Bond Options

    • Caplet/Caps

    • Floorlets/Floors

    • Swaptions

    • Collar

    • Reverse Collar

  • Opciones y Futuros sobre tipo de interés sobre SOFR

    • SOFR Options

    • SOFR Swaps

    • SOFR Futures

    • SOFR Trading Resources

  • Modelos de valoración

    • Pricing caps y floores usando Black`s Model

    • Pricing con árboles trinomiales

    • Pricing de Caps y Floors usando Libor Market Model

  • Ejercicio 32: Pricing de caps y floors Black`s model en Excel

  • Ejercicio 33: Pricing de Swaption encPython

  • Ejercicio 34: Caplet y Swaption Libor Market Model en Excel y VBA

 

Opciones Exóticas

​

Módulo 15: Opciones Exóticas 1º y 2º generación

 

  • Primera Generación

  • Opciones Asiáticas

  • Opciones Cliquet

  • Gap Options

  • Perpetual American call/put option

  • Chooser Options

  • Opciones Lookback

  • Opciones Barrera

  • Opciones Digitales/Binarias

  • Opciones Multi-Asset/Rainbow

  • Segunda Generación

  • Power Options 

  • Corridors

  • Faders Fx Option

  • Digital Barrier Options 

  • Pay-Later Options 

  • Step Up and Step Down Options 

  • Forward Volatility Agreements (FVAs)

  • Spread and Exchange Options 

  • Baskets 

  • Outside Barrier Options 

  • Best-of and Worst-of Options 

  • Ejercicio 35: Pricing opción Lookback en Excel con VB

  • Ejercicio 36: Pricing de opción asiática en Python

  • Ejercicio 37: Pricing de opción Barrera en Python

​

Módulo 16: Técnicas Speed Up

Pricing de opciones 

 

  • Métodos numéricos

    • Optimal stopping time para opciones americanas

    • Partial Differential Equations (PDEs) para opciones europeas

    • Simulación de Monte Carlo

    • PDEs: Finite Differences

    • Simulación de SDEs

  • ​Árboles trinomiales

  • Mejoras de velocidad​

  • Pricing Simulación de Monte Carlo

    • Pricing Opción Europea

    • Pricing  Opción Americana

    • Pricing Opción Bermudas

    • Reducción de varianza

    • Antithetic Variable

    • Muestreo Estratificado

    • Secuencia de Sobol

  • Pricing de opciones basados en Fast Fourier (FFT)

    • Enfoque Carr-Madan

    • Enfoque Lewis

    • Enfoque Convolución

    • Estimación de griegas

  • Adjoint of Automatic Differentiation​​​

    • Sensibilidades griegas

    • Incremento de velocidad 

    • Inconveniente y ventajas

  • Ejercicio 38: Pricing usando simulación de Monte Carlo opción Europea y Americana en Python

  • Ejercicio 39: Estimación call con enfoque FFT Carr-Madan, Lewis y Convolución con Python

  • Ejercicio 40: valoración de opción usando con árbol trinomial 

  • Ejercicio 41: Adjoint of Automatic Differentiation para estimar griegas en Python

​

AI para valoración de derivados​

​

Módulo 17:  Deep Learning para valoración de derivados

​

  • Deep Learning en finanzas

  • Rapidez y precisión

  • Ventajes e inconvenientes del deep learning sobre técnicas tradicionales

  • Ecuaciones diferenciales parciales PDE

  • PDE deep learning

  • Ecuaciones diferenciales estocásticas

  • Modelos de optimización

  • Modelos de Ecuaciones estocásticas diferenciales

  • Movimiento browniano

  • Modelo Black-Sholes 

  • Modelo de Libor Market Model

  • Pricing de un Swaption

  • Pricing en opciones exóticas

  • Ventajas e inconvenientes del deep learning

  • Ejercicio 42: Deep Learning para valoración de modelo Black-Sholes

  • Ejercicio 43: Deep Learning para pricing de Swaption Bermudas Pricing

​

Módulo 18:  Machine Learning para IV y griegas

​

  • Proceso gaussiano

  • Multiproceso gaussiano

  • Regresión líneal y no líneal

  • Matriz de covarianza

  • Funciones de Kernel

  • Volatilidad implicita

  • Superficies de volatilidad

  • Estimación de griegas con machine learning

  • Deep Learning

  • Ejercicio 44: Machine Learning para volatilidad implícita

  • Ejercicio 45: Griegas usando modelos de machine learning

​

Módulo 19:  Machine Learning avanzado para medición de volatilidad y opciones exóticas 

​

  • Deep Learning en la volatilidad

  • Pricing y calibración

  • Volatilidad Local

  • Superficies de volatilidad implicita

  • Valoración de opciones exóticas 

  • Pricing de derivados

  • Estimación de griegas

  • Ejercicio 46: Deep Learning Volatility

​

​

​

AI Cuántico para valoración de derivados​

​

Módulo 20: Machine Learning Cuántico

​

  • ¿Qué es el machine learning cuántico?

  •  Qubit y Quantum States

  •  Algoritmos de Machine automático cuántico

  • Circuitos cuánticos

  • 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

  • Ejercicio 47: Machine learning tradicional y Machine Learning cuántico de redes neuronales adversaria generativa para valorar un derivado

​

Módulo 21: 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 48: Modelo de valoración de derivados usando Redes Neuronales frente a tensorización de redes neuronales

 

PRICING CUÁNTICO

​

Módulo 22: Simulación de Monte Carlo Cuántica Acelerada

 

  • Valoración de derivados 

  • Simulación de Monte Carlo clasica

  • Quantum Accelerated Monte Carlo (QAMC)

  • Velocidad cuadrática

  • Codificar problema de Monte Carlo 

  • Estimación de Amplitud

  • Aceleración  aplicando el algoritmo de estimación de amplitud

  • Circuito cuántico para amplificación y estimación de amplitud

  • Pricing de derivados

  • Quantum PDEs

  • Ejercicio 49: Simulación de Monte Carlo Cuántica vs Simulación de Monte Carlo Clásica 

​

Módulo 23: Pricing de Derivados usando Algoritmos cuánticos 

​

  • Pricing de derivados

  • Monte Carlo para valorar derivados

  • Pricing de opciones americanas por simulación Longstaff and Schwartz

  • Algoritmos Cuánticos para derivados

  • Pricing call opción Europea usando algoritmos cuánticos 

  • Pricing put opción Europea usando algoritmos cuánticos 

  • Pricing Bull-Spread

  • Pricing Asian Barrier Spread

  • Pricing de Basket Options usando algoritmos cuánticos

  • Redes antagónicas generativas cuánticas

  • Ejercicio 50: Pricing de opción Europea put y call usando algoritmo cuántico   

  • Ejercicio 51: Pricing de opción americana usando algoritmo cuántico   

  • Ejercicio 52: Pricing de derivados usando Monte Carlo frente a algoritmos cuánticos

  • Ejercicio 53: Pricing de Basket Options usando algoritmo cuántico 

  • Ejercicio 54: Pricing de Bull Spread usando algoritmo cuántico  

  • Ejercicio 55: Pricing de Asian Barrier Spread usando algoritmo cuántico  

​

 

XVA Ajustes de Valoración

 

Módulo 24: ¿Que es XVA?

 

  • Concepto de XVAs

  • CVA, DVA, LVA, FVA, CollVA, KVA

  • Rentabilidad en los derivados

  • Perspectiva regulatoria

  • XVA Trading

  • Nuevas Funciones del XVA Trader

  • La base CSA Precio

  • Colaterales y OIS como tasa de descuento

  • Pricing y Multicurva negativa en el marco XVA

​

 

Módulo 25: Exposición Esperada y Exposición Potencial Futura

​

 

  • Modelización de exposición de riesgo de contraparte

    • MtM+Add on

    • Simulación de Monte Carlo

  • Exposición potencial futura (PFE)

  • Exposición esperada (EE)

  • Máxima PFE

  • Expected positive exposure

  • Exposición Negativa

  • Effective expected positive exposure

  • Factores: vencimiento, frecuencias de pago, opcionalidades y default

  • PFE de Interest Rate Swaps, Swaptions y CDS 

  • Impacto del Neteo en la exposición

  • Modelización de la exposición colateralizada

  • Modelización del colateral

  • Acuerdo de margen Unilateral

  • Acuerdo de margen Bilateral

  • Perfiles de exposiciones colateralizadas

  • PFE colateralizado

  • EE colateralizado

  • Ejercicio 56: Simulación de MtM de valores de IRS

  • Ejercicio 57: Simulación del tipo de interés usando modelo CIR y Vacicek para determinar MtM de IRS. Estimación del  PFE y EE

​

Módulo 26: Modelización del

Credit Value Adjustment (CVA)

 

  • Definición y concepto CVA

  • Fórmula y parámetros

  • Factores que afectan el CVA

  • Gestión del riesgo por CVA

    • Contrapartes con Colaterales

    • Cobertura sobre factores de mercado

    • Cobertura sobre spread

  • CVA visto como Spread

  • Riesgo de correlación adversa

  • Mecanismos de mitigación en el CVA

  • CVA marginal y CVA incremental

  • Modelización del CVA con modelo de forma reducida

    • CVA en IRS

    • CVA en portfolio de IRSs

    • Probabilidad neutra al riesgo

    • Simulación

  • Ejercicio 58: Estimación CVA, EE, PFE 

  • Ejercicio 59: Estimación CVA  de portfolios de IRSs usando simulación de Monte Carlo

  • Ejercicio 60: Estimación CVA  de portfolios de IRSs usando Machine Learning

 

​Módulo 27: Debt Value Adjustment (DVA)

 

 

  • Definición del Ajuste del valor de la deuda (DVA)

  • Norma contable IFRS

  • CVA Bilateral

  • Propiedades del DVA

  • Valor Ajustado al Riesgo

  • Monetización del DVA

  • Cobertura del DVA o Transferencia a la tesorería

  • LVA concepto

  • Ejercicio 61: Estimación DVA

 

 

Módulo 28: Funding Value Adjustment (FVA) y Deep Learning para XVA

 

  • Concepto de los Ajustes de valor por costes de financiación

  • Overnight Indexed Swaps (OIS) frente a tipos de interés bancarios

  • Debate acerca del FVA

  • Fórmula del FVA: Negativo y Positivo

  • Interacción CVA, DVA y FVA

  • Coste de financiación

  • Impacto del Ratio de financiación estable neta

  • Prima de Liquidez

  • Valor Ajustado al Riesgo

  • Estimación alternativa del FVA

    • Fórmula del Ajuste por coste del colaterial CollCA y MVA

    • Fórmula del Ajuste por costes de Cobertura HVA

    • Estimación del FVA

  • Estimación del coste de capital KVA

  • Cálculo del XVA

  • Gestión de riesgos del XVA

  • Deep Learning para XVA

  • Ejercicio 62: Cálculo de XVA en Python

  • Ejercicio 63: Estimación del CVA, DVA, FVA, CollVA, HVA, KVA, LVA y XVA en Excel

  • Ejercicio 64: Deep Learning para FVA y XVA

 

 

 

bottom of page