COMPUTACIÓN CUÁNTICA

​

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

• 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 1: Operaciones cuánticas 

​

STRESS TESTING

​

Módulo 1: Stress Testing en Basilea III

 

• Principios del Stress testing en Basilea 

  • 1. Los marcos de pruebas de estrés deben tener objetivos claramente articulados y formalmente adoptados

  • 2. Los marcos de pruebas de estrés deben incluir una estructura de gobierno eficaz

  • 3. Las pruebas de estrés deben usarse como una herramienta de gestión de riesgos y para informar las decisiones comerciales.

  • 4. Los marcos de pruebas de tensión deben capturar los riesgos materiales y relevantes y aplicar tensiones que sean lo suficientemente severas

  • 5. Los recursos y las estructuras organizativas deben ser adecuados para cumplir los objetivos del marco de pruebas de estrés

  • 6. Las pruebas de estrés deben estar respaldadas por datos precisos y suficientemente granulares y por sistemas de TI robustos

  • 7. Los modelos y metodologías para evaluar los impactos de los escenarios y las sensibilidades deben ser adecuados para su propósito

  • 8. Los modelos, los resultados y los marcos de las pruebas de resistencia deben estar sujetos a desafíos y controles periódicos revisión

  • 9. Las prácticas y los resultados de las pruebas de estrés deben comunicarse dentro y entre jurisdicciones

• Stress Testing interno y externo

• Gestión de las herramientas del stress testing

• Estructura de gobierno efectiva

• Herramienta de gestión de riesgos 

• Riesgos materiales y relevantes y tensiones que sean severas

• Los recursos y estructuras organizativas 

• Datos precisos y suficientemente granulares y sistemas IT robustos

• Los modelos y metodologías 

• Revisiones periódicas

• Comunicación 

• Planes de recuperación y resolución

​

Módulo 2: Metodología del Stress Testing 

 

• Definición y alcance del Stress Testing

• Metodologías de Stress Testing 

• Escenarios macroeconómicos adversos

• Tratamiento en carteras de negociación

• Tratamiento del riesgo soberano

• Riesgo de Crédito

• Dotaciones por IFRS 9

• Riesgo Operacional

• Riesgo Legal

• Riesgo Conducta

• Riesgo Modelo

• Aplicación de escenarios macroeconómicos

• Activos y Pasivos

• Capital

• P&L

• Stressed PD/Stressed LGD

• RWA

• Análisis de Resultados de Stress Testing en la UE del ejercicio 2023

​

MACHINE LEARNING

​

Módulo 3: Análisis Exploratorio 

​

• Exploratory Data Analysis EDA

• Fuentes de datos

• Revisión del dato

• Definición del Target

• Horizonte temporal de la variable objetivo

• Muestreo

  • Muestreo Aleatorio

  • Muestreo Estratificado

  • Muestreo Rebalanceado

• Análisis Exploratorio:

  • Histogramas

  • Q-Q Plot

  • Análisis de momentos

  • Box Plot

• Tratamiento de los valores Missing

  • Modelo Multivariante de Imputación

• Técnicas avanzadas de detección de Outliers y tratamiento

  • Técnica univariante: winsorized y trimming

  • Técnica Multivariante: Distancia de Mahalanobis

​

Módulo 4: Feature engineering

​

• Feature engineering

• Estandarización de los Datos

• Categorización de variables

  • Equal Interval Binning

  • Equal Frecuency Binning

  • Prueba Ji-Cuadrada

• Binary Coding

• WOE Coding

  • Definición WOE

  • Análisis Univariante con variable Target

  • Selección de variables

  • Tratamiento de Variables continuas

  • Tratamiento de Variables Categóricas

  • Gini

  • Information Value

  • Optimización de variables continuas

  • Optimización de variables categóricas

• ​Ejercicio 2: Análisis Exploratorio EDA

• Ejercicio 3: Detección y tratamiento de Outliers Avanzado

• Ejercicio 4: Muestreo estratificado y Aleatorio en R

• Ejercicio 5: Modelo multivariante de imputación de valores missing

• Ejercicio 6: Análisis univariante en percentiles en R

• Ejercicio 7: Análisis univariante óptimo variable continua en Excel

• Ejercicio 8: Estimación del KS, Gini e IV y otros estadísticos 

​

Aprendizaje No Supervisado

 

Módulo 5: Modelos no supervisados

​

• Clusters Jerárquicos

• K-Means

• Algoritmo estándar

• Distancia Euclidiana

• Análisis de Componentes principales (PCA)

• Visualización avanzada de PCA

• Eigenvectores e Eigenvalores

• Ejercicio 9: Segmentación de la data con K-Means R

​

Aprendizaje Supervisado

 

Módulo 6: Árboles, KNN y Naive Bayes

 

• 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 KNN

  • Modelización

  • Ventajas e inconvenientes

  • Distancia Euclidiana

  • Distancia Manhattan

  • Selección del valor K

• Modelo Probabilístico: Naive  Bayes

  • Bayes Ingenuo

  • Teorema de Bayes

  • Estimador de Laplace

  • Clasificación con Naive Bayes

  • Ventajas e inconvenientes

• Ejercicio 10: Credit Scoring KNN en R

​

Módulo 7: 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 11: Credit Scoring Support Vector Machine

​

Módulo 8: Ensemble Learning

​

• Modelos de conjuntos

• Bagging

• Bagging trees

• Random Forest

• Boosting

• Adaboost

• Gradient Boosting Trees

• Ventajas e inconvenientes

• Ejercicio 12: Credit Scoring Boosting en R 

• Ejercicio 14: Credit Scoring Bagging en R

• Ejercicio 15 Credit Scoring Random Forest, R y Python

• Ejercicio 16: Credit Scoring Gradient Boosting Trees

​

DEEP LEARNING ​

 

Módulo 9: Deep Learning Redes Neuronales Feed Forward

​

• Single Layer Perceptron 

• Multiple Layer Perceptron

• Arquitecturas de redes neuronales

• Función de activación

  • Sigmoidal

  • Rectified linear unit (Relu)

  • Elu

  • Selu

  • Hipertangente hiperbólica

  • Softmax

  • Otras

• Back-propagation

  • Derivadas direccionales

  • Gradientes

  • Jacobianos

  • Regla de la cadena

  • Optimización y mínimos locales y globales

• Ejercicio 17: Credit Scoring usando Deep Learning Feed Forward

​

Módulo 10: Deep Learning Redes Neuronales Convolucionales CNN

​

• CNN para imagenes

• Diseño y arquitecturas

• Operación de convolución

• Gradiente Descendiente

• Filter

• Strider

• Padding

• Subsampling

• Pooling

• Fully connected

• Credit Scoring usando CNN

• Estudios recientes de CNN aplicados al riesgo crédito y scoring

• Ejercicio 18: Credit Scoring usando Deep Learning CNN

​

Módulo 11: Deep Learning Redes Neuronales Recurrentes RNN

​

• Natural Language Processing

• Natural Language Processing (NLP) text classification

• Long Term Short Term Memory (LSTM)

• Hopfield

• Bidirectional associative memory

• Gradiente Descendiente

• Metodos de optimización globales

• RNN  y LSTM para credit scoring

• Modelos unidireccionales y bidireccionales

• Deep Bidirectional Transformers for Language Understanding ​

• Ejercicio 19: Credit Scoring usando Deep Learning LSTM

​

Módulo 12: Calibración del Machine Learning y Deep Learning

​

• Hiperparametrización

• Grid Search

• Random Search

• Optimización Bayesiana

• Train-test split ratio

• Tasa de aprendizaje en algoritmos de optimización (e.g. gradient descent)

• Selección de algoritmo de optimización (e.g., gradient descent, stochastic gradient descent, or Adam optimizer)

• Selección de la función de activación en una red neuronal (nn) layer (e.g. Sigmoid, ReLU, Tanh)

• Selección de la función de pérdida, coste y personalizada

• Número de capas ocultas en una NN

• Number of activation units in each layer

• The drop-out rate in nn (dropout probability)

• Number of iterations (epochs) in training a nn

• Number of clusters in a clustering task

• Kernel or filter size in convolutional layers

• Pooling size

• Batch size

• Interpretación del modelo Shap

• Ejercicio 20: Optimización Credit Scoring Xboosting, Random forest y SVM

• Ejercicio 21: Credit Scoring Deep Learning optimizado e interpretación de modelo

​

​Módulo 14: Credit Scoring para estimación de PD

 

• 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

  • Machine Learning

• Técnicas Avanzadas de punto de corte 

  • Optimización del punto de corte usando curvas ROC

• Ejercicio 22: Construcción de Tarjeta de Puntuación en Excel, R  y Python

• Ejercicio 23: Estimación óptima punto de corte en Excel y riesgo de modelo por selección punto de corte

​

PD IRB

​

​Módulo 15: Probabilidad de Default PD 

​

• Estimación de la PD

  • Modelos econométricos

  • Modelos de Machine Learning

  • Requerimiento de datos

  • Risk drivers y criterio del credit scoring

  • Filosofía del rating

  • Tratamiento de los Pools

• Calibración de la PD

  • ​Definición de Default

  • Long run average for PD

  • Defaults técnicos y filtros técnicos del default

  • Requerimiento de datos

  • Cálculo de tasa de default a un año

  • Cálculo de Tasa de default a largo plazo

• Riesgo de Modelo de la PD

  • Margen de Conservadurismo

• Técnicas de calibración de PD

  • Estimación Anchor Point

  • Mapping de Score a PD

  • ​Ajuste al Ciclo Económico de la PD

  • Filosofía del Rating

    • Modelos PD Trough The Cycle (PD TTC)

    • Modelos PD Point in Time PD (PD PIT )

• Calibración de PD de modelos usando Machine y Deep Learning

• Margen de Cautela

• Ejercicio 24: Modelos de calibración de PD

• Ejercicio 25: Calibración de PD en modelos de Machine Learning

• Ejercicio 26: Modelización del Margen de Cautela PD

​

​Módulo 16: Modelos econométricos de PD  

 

• Estimación de la PD

• Tratamiento de los datos de Panel

• Modelos Econométricos para estimar la PD

  • PD Regresión Logística

  • PD Regresión Probit

  • PD Regresión COX de supervivencia 

  • PD Log-log Complementary

  • PD Regresión Data Panel

  • PD Regresión Logística Bayesiana

  • PD Regresión Lasso

• Calibración de la PD

• Calibración de modelos econométricos

• Estimación Anchor Point

• Calibración de PD por Añadas o cosechas

• Análisis Vintage 

  • PD Marginal 

  • PD Forward 

  • PD Acumulada

• Ejercicio 27: Calibración de la PD por edad de operación en SAS

• Ejercicio 28: Calibración de PD con regresión COX en R

• Ejercicio 29: Calibración de PD con log-log complementary en R

• Ejercicio 30: Calibración de PD con modelo logístico en Python

• Ejercicio 31: Calibración de la PD por cosecha o añada en R

• Ejercicio 32: Calibración de la PD con regresión probit en Python

 

Módulo 17: Calibración de la PD 

 

• Concepto de ajuste a la tendencia central

• Calibración de PD en paises desarrollados

• Calibración de PD en paises emergentes

• Calibración Scaled PD

• Calibración Scaled Likelihood ratio

• Suavizamiento de las curvas de PD

• Quasi moment matching

• Métodos de aproximación 

  • Scaled beta distribution  

  • Asymmetric Laplace distribution

• Función Cauchit  

• Platt scaling  

• Broken curve model

• Isotonic regression

• Ejercicio 33: Calibración de PD con modelo programación no lineal en Excel y Solver.

• Ejercicio 34: Calibración de la PD usando Quasi moment matching

• Ejercicio 35: Calibración de PD usando most prudent estimation

​

STRESS TESTING DEL MODELO

 

Módulo 18: Modelos bayesianos para Stress Testing de PD

 

• Enfoque bayesiano y determinista

• Intervalos de confianza

• Criterio experto

• Distribuciones a priori

• Teorema de Bayes

• Distribuciones a posteriori

• Estimación de PD Bayesiana

• Enfoque Markov Chain–Monte Carlo MCMC

• Intervalos de credibilidad

• PD Bayesiana en la práctica

• Calibración con enfoque bayesiano

• Test de convergencia

• Ejercicio 36: PD Bayesiana de modelo logístico en Python  

• Ejercicio 37: PD Bayesiana de modelo probit en R

• Ejercicio 38: Stress Testing de PD 

​

​PD IFRS 9

 

Módulo 19: Matrices de Transición y  Estructura temporal de PD

 

• Estructura temporal de PD en IFRS 9

• Propiedades de las matrices de transición

• Cadenas de Markov

• Multi-year transition matrix

  • Tiempo discreto

  • Tiempo continuo

  • Matriz Generatriz

  • Exponencial de una matriz

• Método de duración 

• Método Cohort

• Gestión del error

• Estructuctura temporal de PD

• Calibración de la estructura temporal de la PD

• Levenberg-Marquardt Algoritmo

• Ciclos Económicos

• Calibración de la estructura temporal de la PD para LDP

• Ejercicio 39: Ejercicio análisis y error de Matriz de transición usando enfoque cohort  y duration en Python

• Ejercicio 40: Calibración de la estructura temporal de la PD

 

Módulo 20: Forecasting de la PD IFRS 9

 

• Requerimientos IFRS 9

-Probability Weighted Outcome

-Forward Looking

• Modelización del Lifetime PD 

• Modelización PD Forecasting

• PD Point in Time Forecasting

• PD TTC Forecasting

• Modelos de Markov

• Modelos de Forecasting de la PD PIT

  • ARIMA

  • VAR

  • VARMAX

  • ASRF

• Ejercicio 41: Forecasting de la PD usando VARMAX en R

• Ejercicio 42: Forecasting de la PD usando ASRF en R y Excel

 

Módulo 21: Modelos PD Lifetime

​

• PD Lifetime cartera consumo

• PD Lifetime cartera hipotecas

• PD Lifetime cartera Tarjeta de crédito

• PD Lifetime cartera Pymes

• Modelo Vintage

  • Modelo Exogenous Maturity Vintage EMV

  • Análisis decomposition

  • Ventajas e inconvenientes

• Modelo ASRF de Basilea 

  • Modelo ASRF matricial

  • Aprovechamiento de IRB en IFRS 9

  • Ventajas e inconvenientes

• Modelos de Regresión

  • Regresión Multinomial Logística

  • Regresión Probit Ordinal

• Modelos de Supervivencia​

  • Kaplan-Meier

  • Regresión Cox

  • Ventajas e inconvenientes

• Modelos de Markov

  • ​​Modelo Multi State Markov 

  • Modelo Semiparamétrico Cox

  • Ventajas e inconvenientes

• Modelo de Machine Learning​

  • SVM: Definición de función Kernel

  • Red Neuronal: definición de hiperparámetros y función de activación

• Modelos de Extrapolación de PD Lifetime

• Ejercicio 43: PD Lifetime usando modelo vintage EMV Decomposition

• Ejercicio 44: PD Lifetime usando regresión multinomial en R

• Ejercicio 45: PD Lifetime usando modelo de Markov

• Ejercicio 46: PD Lifetime usando modelo ASRF matricial

• Ejercicio 47: PD Lifetime usando SVM en Python

• Ejercicio 48: PD Lifetime usando Red Neuronal en Python