Credit Scoring

 

Módulo 0: Programación en Pyhton

​​​

• ¿Que es Python? 

• Crecimiento exponencial del uso de Python

• Pyhton en el sector bancario

• Instalación de Python

• Importación de archivos

• Tratatamiento de datos

• Variables y programación

• Construcción de funciones

• Principales sentencias de programación

• Datos fuentes de internet

• Numpy, Scipy, Scikit-lern,panda y Matplotlib

• Instalación y uso  de Anaconda

• Instalación de Jupyter Notebook

• Ejercicio a1: Cálculadora financiera

• Ejercicio a2: Importación y modelos de series temporales

• Ejercicio a3: Simulación de Monte Carlo en Python 

 

Módulo 1: Programación en R

 

• Introducción de R

• ¿Porque usar R en la Banca?

• Instalación y Actualización de R

• R con Windows

• R con Linux y Unix

• Programación en R

  • Principales Sentencias

  • Operadores 

  • Dataframes 

  • Arrays

  • Matrices

  • Principales funciones

• Librerias, Paquetes y CRAN 

• Importar Bases de datos en R

• Manipulación y gestión de bases de datos en R

• Gestión de Outputs

• Procedimientos Estadísticos

  • Estadística Descriptiva

  • Análisis Exploratorio

• Machine Learning en R

• Ejercicio 1: Ejercicios de programación en R

• Ejercicio 2:Fusión,Unión e Intersección de Bases de Datos R/SQL

• Ejercicio 3:Tratamiento de Base de Datos de Credit Scoring

• Ejercicio 4:Eliminación de duplicados

• Ejercicio 5:Imputación de valores Missing

• Ejercicio 6:Estadísticos y tablas de contigencia en R

• Ejercicio 7:Gráficos Estadísticos en R

 

Módulo 2: Análisis Univariante

 

• Definición de variable objetivo

• Tratamiento de datos

• Muestra y Segmentación

• Horizonte temporal

• Punto de observación y desempeño

• Análisis del Análisis Univariante

• Ejercicio 8: Análisis univariante percentiles en R 

• Ejercicio 9: Análisis univariante óptimo en Excel

• Ejercicio 10: Estimación del KS, Gini e IV  por variable en Excel y R

• Ejercicio 11: Estimación Curva ROC en R

• Ejercicio 12: Estimación Weight of Evidence WOE en Python y R 

 

Módulo 3: Segmentación, Clustering y Análisis de Componentes Principales

 

• Clusters Jerárquicos

• Dendrograma

• Model Based Clustering

• Density Based Clustering

• Comparativo de Clusters

  • Distancia Interclusters

  • Distancia Intraclusters

• Gráfico de disimilitud

• Validación de Clusters

• Análisis de Componentes principales (PCA)

• Visualización avanzada de PCA

• Ejercicio 14: Componentes principales en R y Python

• Ejercicio 15: Visualización de componentes principales en R

​​

Módulo 4: Algoritmos de Clasificación 

​

• 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

  • Modelización

  • Ventajas e inconvenientes

  • Distancia Euclidiana

  • Distancia Manhattan

  • Selección del valor K

• Modelo Probabilístico: Naive  Bayes

  • Teorema de Bayes

  • Estimador de Laplace

  • Clasificación con Naive Bayes

  • Ventajas e inconvenientes

• Ejercicio 16: Árbol de decisición Chaid en R

• Ejercicio 17: K means Clustering en R 

• Ejercicio 18: Naive Bayes en R

​

Módulo 5: Algoritmos Avanzados NN y SVM

​​

• Support Vector Machine

  • Hiperplano óptimo

  • Support Vectors

  • Añadir costes

  • Ventajas e Inconvenientes

  • Visualiización del SVM

  • Tuning SVM

  • Truco de Kernel

• Redes Neuronales (Neural Networks NN)

  • Entrenamiento de Perceptron

  • Perceptrón Multicapa

  • Algoritmo de backpropagation

  • Procedimientos de entrenamiento

  • Tuning NN 

  • Visualización de NN

  • Ventajas e inconvenientes

• Ejercicio 19: Support Vector Machine en Python y R

• Ejercicio 20: Redes Neuronales: perceptron en Python y R

​

Módulo 6: Ensemble Learning

 

• Modelos de conjuntos

• Bagging

• Random Forest

• Boosting

• Adaboost

• Boosting y Bagging para modelos de regresión

• Ventajas e inconvenientes

• Ejercicio 21: Random Forest en Python y R

• Ejercicio 22: Adaboost en R

 

Módulo 7: Desarrollo de Scorecards

 

• 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

• Técnicas Avanzadas de punto de corte 

• Ejercicio 23: Scorecard WOE en Excel y R

• Ejercicio 24: Selección del Punto de Corte en Excel y SAS

​

Módulo 8: Validación de Modelos

 

• Confusion Matrix

• Poder Discriminante:

  • Indice Gini

  • ROC

  • KS

  • Brier Score

  • Kullback- Leibler

  • CIER 

• Técnica de Bootstrapping

• Indice de estabilidad

• Estadístico Kappa

• K-Fold Cross Validation

• Ejercicio 25:Estimación de: KS, ROC y Gini del Modelo en R 

• Ejercicio 26:Bootstrapping e intervalos de confianza en R

• Ejercicio 27: K-Fold Cross Validation en R

 

Módulo 9: Behaviour Score I

 

• Fuentes de datos

• Tipología de variables en el scoring de comportamiento

• Horizonte temporal

• Segmentación

• Definición del Default

• Score de Comportamiento usando Regresión Logística

• Score Proactivo

• Transactional Scoring

• Ejercicio 28: Behaviour Score con Regresión Logística con dataos de panel en stata y tramado univariante de variables en R

• Ejercicio 29: Behaviour Score con Regresión Cox para panel data en R

​

Módulo 10: Behaviour Score Avanzado II

​

• Modelos Multivariantes

• Datos de Panel

• Variables Macroeconómicas

• Score de Comportamiento con Cox Regressión

• Score de Comportamiento con machine learning

• Ejercicio 30: Árbol de decisición Chaid en R

• Ejercicio 31: Behavior Score Support Vector Machine en  R

• Ejercicio 32: Behavior Score Redes Neuronales en R

• Ejercicio 33: Random Forest en R

• Ejercicio 34: Adaboost en R

• Ejercicio 35: comparativo de resultados en Excel