CURSO PROPEDÉUTICO

​

Módulo 1: Probabilidad

 

Objetivo: Explicar algunos conceptos elementales de la teoría matemática de la probabilidad. Se expone cuales son las distribuciones de probabilidad usadas en los riesgos financieros y de seguro y como estimar parámetros. Se explica la importancia de la probabilidad en Solvencia II. 

•       Introducción a la probabilidad  

•       Análisis combinatorio 

•       Probabilidad condicional e independencia

•       Variables aleatorias 

•       Funciones de densidad y de distribución                

•       Esperanza, varianza, momentos 

•       Distribuciones de probabilidad 

•       Distribuciones de frecuencia, Poisson, Binomial, Binomial Negativa

•       Distribuciones de pérdidas, lognormal, EVT, gyh, beta, gamma, weibull, etc.

•       Vectores Aleatorios

•       Ajuste de distribuciones y estimación de parámetros

•       Uso de distribuciones de probabilidad en Solvencia II

•       Ejercicio 1: Ajustes de distribuciones de probabilidad en R

 

Módulo 2: Estadística

 

Objetivo: La estadística inferencial consiste en un conjunto de técnicas para obtener, con determinado grado de confianza, información de una población con base en la información de una muestra. La estadística es imprescindible para la construcción de modelos y validación de los mismos. 

 

•       Introducción 

•       Variables y tipos de datos

•       Estadística descriptiva

•       Estadística inferencial

•       Muestras aleatorias y estadísticas

•       Estimación puntual

•       Estimación por intervalos 

•       Pruebas de hipótesis 

•       Importancia de la estadística en Solvencia II

•       Ejercicio 2: Estadística descriptiva en Python de datos de una compañía de seguros

•       Ejercicio 3: Pruebas de hipótesis en R 

 

Módulo 3: Finanzas

 

Objetivo: Revisar los conceptos del valor del dinero en el tiempo, matemáticas financieras, valoración de las annuities, bonos, y modelos de valoración Capital Asset Pricing Model y Arbitrage pricing theory. Los modelos son fundamentales para la valoración de activos y pasivos de una compañía de seguros.

 

•       Valor del dinero en el tiempo

•       Matemáticas financieras y annuities

•       Valoración de bonos

•       Duración y convexidad

•       Modelo CAPM y APT

•       Procesos estocásticos

•       Simulación de Monte Carlo

•       Ejercicio 4: Valoración bonos en Excel

•       Ejercicio 5: Estimación de la duración y convexidad en Excel

•       Ejercicio 6: Estimación del CAPM y APT en Excel

•       Ejercicio 7: Simulación de Monte Carlo y Procesos Estocásticos en R 

​

Módulo 4: Programación en Python

 

Objetivo: Explicar que es el lenguaje de programación Python y funcionalidades. Se explica que es Jupyter y como instalarlo. Exponer nociones básicas de programación y las librerías que serán usadas desarrollar modelos de Solvencia II.

 

•  Introducción a Python

• Entorno e instalación de librerías

• Jupyter

• Importación y exportación de datos

• Programación básica

• Herramientas de estadística

• Librerías de regresión

• Librerías de finanzas

• Librerías de Machine Learning

• Librerías Cuánticas

• Ejercicio 8: programación en Python

 

Módulo 5: Programación en R

 

Objetivo: Explicar que es R y Rstudio y como instalarlo. Explicar nociones básicas de programación de R y las librerías usadas para desarrollar modelos de Solvencia II.

 

•       Introducción a R

•       Entorno e instalación de librerías

•       R Studio

•       Importación y exportación de datos

•       Programación básica

•       Herramientas de estadística

•       Librerías de regresión

•       Librerías de finanzas

•       Librerías de ciencias actuariales

•       Ejercicio 9: programación en R

​

Módulo 6: Machine Learning

 

Objetivo: El aprendizaje automático de maquinas, en ingles machine learning, indispensable para que los sistemas sean inteligentes, permite desarrollar predicciones basadas en datos y mejora las proyecciones de los modelos tradicionales. Se introduce el uso de los algoritmos de machine learning y Deep learning. Se explican los beneficios del machine learning en la gestión de riesgos de las compañías de seguros.

 

• Introducción Machine Learning

• Diferencias con la estadística

• Modelos supervisados y no supervisados

• Árboles de decisión

• Support Vector Machine

• K-means

• Ensamble Learning

• Random Forest

• Redes neuronales

• Introducción a los modelos de conjunto

• Introducción al Deep learning

• Ejercicio 10: Estimación del Support Vector Machine y Random Forest

• Ejercicio 11: Creación de algoritmo de Deep learning

 

Módulo 7: Introducción Riesgos Financieros

 

Objetivo:  Sentar las bases teóricas sobre los riesgos financieros que impactan a las compañías de seguros, explicar la tipología de riesgos y las fuentes de tales riesgos. Entender la probabilidad e impacto de los eventos que detonan el riesgo financiero en las compañías de seguro.

 

•       ¿Qué es el riesgo?

•       Riesgos financieros en las compañías de seguros

•       Probabilidad e Impacto

•       Fuentes de riesgos financieros

•       Diferencias entre Riesgos financieros y no financieros

•       Riesgo de Mercado

•       Riesgo de tipo de interés

•       Riesgo de liquidez

•       Riesgo de Crédito

•       Riesgo operacional

 

Módulo 8: Ciencias Actuariales

 

Objetivo:  Introducción de las ciencias actuariales para participantes sin formación actuarial. Se expone una breve introducción del seguro de vida y no vida, así como de matemáticas actuariales.  

 

•       ¿Qué hacen los actuarios?

•       Introducción al seguro de Vida

•       Introducción al seguro de No Vida

•       Tipología de contratos

•       Introducción a las Reservas de seguro de vida

•       Introducción a las Reservas del seguro de no vida

•       Margin Based Pricing

•       Introducción a las matemáticas actuariales

•       Introducción al Seguro de Vida

•       Introducción al Seguro de No Vida

•       Ejercicio 12: Modelización de distribución de la severidad y frecuencia de siniestros en Excel y R

•       Ejercicio 14: Simulación de los valores actuales de una Annuity de una renta vitalicia.

​

Módulo 9: 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 15: Operaciones cuánticas 

​

Módulo 10: 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

​

Módulo 11: 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 

​

​Módulo 12: 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 16: Simulación de algoritmo Grover, Fourier Transform y Shor

​

Módulo 14: 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 17: Quantum Support Vector Machine

 

Módulo 15: Computación Cuántica en compañías de seguros

​

• Building Blocks of Payoff Valuation  

  • Distribution Loading 

  • Payoff Implementation 

  • Calculation of the Expected Value 

• Amplitude Estimation

  • Amplitude Estimation based on Phase Estimation 

  • Amplitude Estimation without Phase Estimation 

• Grover’s Quantum Search Algorithm 

• Insurance-related Payoffs 

  • General Payoff 

• Insurance-related Quantum Circuits 

  • Whole life insurance 

  • Dynamic Lapse 

• Quantum Hardware 

  • Simulator 

  • Real Hardware

• Ejercicio 18: Insurance-related Quantum Circuits 

​

Módulo 16: 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 19: Neural Network usando redes tensoriales​

​

Módulo 17: Probabilistic Machine Learning

​​

• Probabilidad 

• 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 20: Proceso gaussiano para regresión 

• Ejercicio 21: Redes neuronales bayesianas

 

Module 18: Generative AI

​

Generative artificial intelligence  is artificial intelligence capable of generating text, images, or other media, using generative models. Generative AI models learn the patterns and structure of their input training data and generate new data that has similar characteristics. Generative AI differs from other types of AI as it is about creating something new that is not modified or copied from its training data. Generative AI is a general-purpose technology used for multiple purposes across many industries. There are many types of multimodal generative AI tasks such as text summarization that produce a shorter version of a piece of text while retaining the main ideas, creating source code from natural language code comments, reasoning through a problem to discover potential new solutions or latent details and assigning a category to a given piece of content such as a document, image, video, or audio clip among other applications.

​

• Introducing generative AI

• What is Generative AI?

• Generative AI Models

  • Generative Pre- trained Transformer (GPT)

  • Llama 2

  • PaLM2

  • DALL-E

• Text generation

• Image generation

• Music generation

• Video generation

• Generating text

• Generating Code

• Ability to solve logic problems

• Generating Music

• Enterprise Use Cases for Generative AI

• Overview of Large Language Models (LLMs)

  • Transformer Architecture

  • Types of LLMs

  • Open-Source vs. Commercial LLMs

  • Key Concepts of LLMs

• Prompts

• Tokens

• Embeddings

• Model configuration

• Prompt Engineering

• Model adaptation

• Emergent Behavior

• Specifying multiple Dataframes to ChatGPT

• Debugging ChatGPT’s code
  Human errors

• Exercise 22: Embeddings for words, sentences, question answers

• Exercise 23: Embedding Visualization

• Exercise 24: First let's prepare the data for visualization

• Exercise 25: PCA (Principal Component Analysis)

• Exercise 26: Embeddings on Large Dataset

• Exercise 27: Prompt engineering

• Exercise 28: Advanced Prompting Techniques

• Exercise 29: Large Language Models (LLMs)

• Exercise 30: Retrieval Augmented Generation

• Exercise 31: Traditional KMeans to LLM powered KMeans

• Exercise 32: Cluster Visualization

• Exercise 33: Semantic Search

• Exercise 34: Tokens and Words

• Exercise 35: Tokenization in Programming Languages

​

CURSO SOLVENCIA II, IFRS 17 y STRESS TESTING 

​

Módulo 1: Solvencia II

 

Objetivo:  Explicar como Solvencia II refleja las nuevas prácticas de gestión de riesgos para definir el capital necesario y gestionar riesgos financieros y de seguro. Se explica pormenorizadamente el Solvency Capital Requirement SCR, Minimum Capital Requirement MCR y los tres pilares de Solvencia II. 

 

• La Directiva de Solvencia II y EIOPA

• Estructura general

• Experiencia Basilea II y III

• Calendario de Implementación

• Valuación de Activos

• Provisiones Técnicas

  • Segmentación

  • Productos

• Análisis de Pasivo: Best Estimate y Margin Risk

• Recursos Propios: Tier 1, Tier 2 y Tier 3

• MCR-Estimación y cálculo

• SCR-Fórmula Estándar

• Directivas de modelos internos

• Pilar 1: Recursos propios para solvencia

  • Solvency Capital Requirement (SCR)

  • Enfoque Estándar

  • Modelo Interno

  • Aspectos tecnológicos e implementación

  • Minimum Capital Requirement (MCR)

• Pilar 2 Proceso de Supervision y Own Risk and Solvency Assessment (ORSA)

  • Definición y alcance ORSA

  • El rol ORSA

• Pilar 3 Requerimientos de Transparencia

  • Financial Condition Report

  • Directiva Solvencia II

• IFRS

  • Margen Residual

  • Margen de Riesgo

  • Best Estimate

 

Módulo 2: Metodología de Fórmula Estándar

​

Objetivo:  Explicar las fórmulas del enfoque estándar para la estimación del SCR y MCR. Comprender los riesgos de las compañías de seguros. Explicar detalladamente las fórmulas matemáticas y los posibles valores esperados.

 

• Especificaciones técnicas para la fase preparatoria parte 1

• Estructura de Dependencia

• Técnicas de mitigación de riesgo

• Riesgo de Mercado

  • Riesgo de tipo de interés

  • Riesgo de renta variable

  • Riesgo Inmobiliario

  • Riesgo de Spread

  • Riesgo de Concentración

  • Riesgo de iliquidez

• Riesgo de Crédito

  • Riesgo de contraparte

  • Cálculo LGD y PD

• Riesgo Operacional

  • Fórmula Estándar

• Riesgo de suscripción: No vida

  • Riesgo de Reserva

  • Riesgo de Prima

  • Riesgo catastrófico

• Riesgo de suscripción: Vida

  • Riesgo de Mortalidad

  • Riesgo de Longevidad

  • Riesgo de Morbilidad

  • Riesgo de Discapacidad

  • Riesgo de Caída de Cartera

  • Riesgo de Gastos

  • Riesgo de revisión

• Riesgo Técnico de Salud

• Especificaciones técnicas para la fase preparatoria parte 2

• Determinación del tipo de interés libre de riesgo

• Ejercicio 1: Estimación de SCR Mkt de tipo de interés y Mkt Spread en un portfolio de bonos y SCR Mkt de Renta variable en un portfolio de acciones.

​

MODELOS INTERNOS y ORSA

 

Módulo 3: Aprobación de Modelos Internos

​

Objetivo:  Definir que son los modelos internos y explicar las directrices sobre el uso de modelos internos que deben tener en cuenta las compañías de seguros para que las autoridades de supervisión aprueben y continúen permitiendo el uso de modelos internos para el cálculo del capital de solvencia.

 

• Pre-aplicación

• Aplicación

• Valoración y derecho a retirar la aplicación

• Decisión sobre la aplicación: Términos y condiciones

• Monitorización

​

Módulo 4: Own Risk and Solvency Assessment (ORSA)

​

Objetivo:  ORSA es el acrónimo de Own Risk and Solvency Assestment y se explica el conjunto de procesos empleados para evaluar los riesgos conforme a las necesidades de capital. Se explica pormenorizadamente el marco de gestión, el proceso ORSA y los informes ORSA.

 

• Alcance de ORSA

• Contexto normativo:

• Marco de gestión

• Proceso ORSA

• Informe ORSA

• Sistema de gobierno

• Riesgo de la entidad

• Prueba de estrés y análisis de escenarios

• Requerimientos de capital y evaluación de la solvencia

• Plan de negocio y planificación de capital

​

​

Estructura Temporal de los Tipos de Interés

​

Módulo 5: Modelización de estructura temporal de tipo de interés (ETTI)

​

Objetivo:  La relevancia de modelizar adecuadamente la estructura temporal de tipo de interés o yield curve es crucial para la adecuada valoración de los pasivos de la compañía de seguros. Se explica como construir la curva, el rol de los modelos estocásticos y metodologías de extrapolación entre muchos otros temas. 

​

• Concepto Yield Curve

• Nelson Siegel

• Yield curve smoothing y modelos de estructura temporal

• Métodos de interpolación: Cubic Splines

• Métodos de Extrapolación: Wilson-Smith

• Modelización estocástica

  • Modelo Cox-Ingersoll-Ross

  • Modelo Heath-Jarrow-Morton

• Seleccionando variables objetivos

• Análisis de Componentes Principales

• Selección de escenarios

• Modelo de Vacicek

• Modelo Vacicek de tipo de interés

• Modelo Libor Market Model

• Curva de tipo de interés en EIOPA

  • Curva básica

  • Last Liquid point

  • Ajuste de volatilidad

  • Ajuste por casamiento de flujos

  • Implementación de la extrapolación

• Ejercicio 2: Ejercicio de Componentes Principales en python

• Ejercicio 3: Estimación parámetros Nelson Siegel en python

• Ejercicio 4: Interpolación en Excel

• Ejercicio 5: Calculadora de simulación CIR y Vasicek python

• Ejercicio 6: Caplet y Swaption usando Libor Market Model en Excel y VBA

• Ejercicio 7: Método de extrapolación de Wilson-Smith en Excel y R

​

IFRS 17

 

Módulo 6: Normativa Internacional de información financiera

IFRS 17 e IFRS 4

​

Objetivo: El estándar IFRS 17 cambia profundamente el enfoque de contabilización de los seguros, pasando de un esquema tradicional, basado en valores históricos, a un enfoque más cercano al "valor económico" de los contratos. Se explican las metodologías y mediciones del contrato del seguro.

​

• IFRS 4 valoración del pasivo por contrato de seguro

• Objetivo y Alcance 

• Current exit value

• Proyección de flujos futuros estimados

• Tipo de mercado ajustado al pasivo

• Margen de riesgos

• Current value approach

• IFRS 17: Contrato de Seguro

• Objetivo y Alcance

• Tipología de contratos de seguros

• Desagregación y clasificación de contratos IFRS 9

• Diferencias con IFRS 4

• Fechas de implementación

• Mejoras del IFRS 17 sobre las actuales prácticas contables

• Costes de implementación

• Información sobre la rentabilidad

  • Estimación del valor actual de flujos de caja futuros

  • Ajuste al riesgo

  • Margen de servicio contractual

• Diferencia en el estado de resultados con IFRS 17

• Metodologías y medición de los contratos de seguro

  • Building Block Approach (BBA)

  • Variable Fee Approach (VFA)

  • Premium Allocation Approach (PAA)

• IFRS 17 y Solvencia II

• Ejercicio 8: Impacto de escenarios económicos en balance, cuenta de resultados y flujos de caja futuros por valoración de contratos de seguro de vida, bajo enfoque IFRS 17, incluyendo ajuste al riesgo y margen de servicio contractual en Excel y R.  

​

VALORACIÓN DE PROVISIONES

​

Módulo 7: Valoración de provisiones de Seguro de Vida

​

Objetivo:  Se muestran las Directrices sobre la valoración de las provisiones técnicas de seguro de Vida para aumentar la coherencia y la convergencia de la práctica profesional de todos los tipos y tamaños de empresas aseguradoras. Fermac Risk muestra la experiencia Europea de esta práctica.

 

• Modelos determinístico de Seguro de Vida

• Valoración de portfolio determinístico

• Valoración de portfolio estocástico

• Riesgo Técnico de Vida

• Protección frente a riesgo técnico de vida con opciones

• Contratos con PB

• Contratos sin PB

• Unit link

• Variable Annuities

• Reaseguro

• Modelo de Caída Dinámico (Lapse rate)

• Opciones de Rescate

• Opción en participación de beneficios

• Ejercicio 9: Herramienta de Valoración de portfolio de seguro de vida, incluye:

  • Simulación de tipo de interés Vasicek

  • Simulación estocástica de riesgo de mortalidad

  • Modelización de lapse rate

  • Opciones usando modelo black sholes.

• Ejercicio 10: Variable Annuities usando modelo Black Sholes

 

Módulo 8: Valoración de provisiones de Seguro No Vida

​

Objetivo:  Se muestran las Directrices sobre la valoración de las provisiones técnicas de seguro de No Vida para aumentar la coherencia y la convergencia de la práctica profesional de todos los tipos y tamaños de empresas aseguradoras. Se explican algunas técnicas tradicionales y modernas para el cálculo de la reserva.

 

• La provisión técnica para prestaciones. Normativa en Solvencia 2

• Modelización de la Siniestralidad Agregada

• Distribuciones de Frecuencia

• Distribuciones de la cuantía del siniestro

• Métodos Analíticos

• Simulación de Montecarlo

• Métodos basados en triángulos para el cálculo de la Provisiones Loss Reserving

  • Grossing up

  • Link ratio

  • Chain Ladder

  • Bornhuetter Fergunson

• Métodos estocásticos para el cálculo de la Provisión para prestaciones.

  • Método de Mack

  • Método Bootstapp

• Machine Learning en Seguro de no vida

  • Claims reserving based on Bayesian neural networks

  • Chain-Ladder Neural Network

• Ejercicio 11: Ajuste frecuencia usando binomial negativa y Poisson

• Ejercicio 12: Ajuste de cuantía de siniestros usando lognormal, gamma, weibull, exponencial y G-H en python y R

• Ejercicio 14: Estimación distribución de siniestralidad con simulación de Monte Carlo en R

• Ejercicio 15: Chain-Ladder Neural Network

• Ejercicio 16: Estimación de provisiones usando Run Off Chain Ladder

• Ejercicio 17: Estimación de provisiones usando Bootstrapp en R

 

​