-
Tipo
Cursos
-
Modalidad
Presencial
-
Duración / Créditos
20 h.
-
Fechas
Matric. Permanente
-
Sedes
Madrid
Información general
DESCRIPCIÓN:
R y Python han crecido de forma importante en los recientes años, ambos son software libre y de código abierto que ofrecen al usuario un entorno amigable, estadístico y gráfico muy potente.
Con este Curso de Modelización del Riesgo Crédito en R y Python ahora tienes la oportunidad de aprender técnicas de vanguardia para estimar, calibrar y validar modelos y parámetros de riesgo como PD, LGD y EAD.
A lo largo del curso sabrás cómo desarrollar modelos de capital económico, correlación de activos y stress testing de riesgo crédito, desarrollar modelos de credit scoring y score de comportamiento usando novedosas técnicas de machine learning.
Aprenderás desde como instalar R y Python hasta realizar algunas funciones importantes de programación.
ASPECTOS A TENER EN CUENTA
FINALIDAD DEL PROGRAMA FORMATIVO:
¿A quién va dirigido?
Requisitos
- Es recomendable tener conocimientos de estadística inferencial y Excel.
- No es necesario dominar el lenguaje R y Python.
TEMARIO
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
Probabilidad de Default (PD)
Módulo 11: PD en carteras de consumo
-
PD en Basilea IV
-
Modelización de la Probabilidad de Default
-
PD Histórica
-
Modelos Econométricos de la PD:
-
PD Regresión Logistica
-
PD Regresión COX
-
PD Log-log Complementary
-
-
Calibración de PD
-
PD PIT
-
PD TTC
-
-
Ajuste a la tendencia central
-
Análisis de la Probabilidades de Default:
-
PD Marginal
-
PD Forward
-
PD Acumulada
-
-
Análisis Vintage de PD
-
Ejercicio 36: Estimación PD modelo econométrico
-
Ejercicio 37: Ajuste a la tendencia central en Excel
-
Ejercicio 38: Calibración de la PD por edad de operación en Excel
-
Ejercicio 39: Estimación de la PD PIT/ TTC en Excel
-
Ejercicio 40: Regresión Cox en R
-
Ejercicio 41: Regresión Log-Log Complementary en R
-
Ejercicio 42: Análisis Vintage de PD en Excel
Módulo 12: PD en Corporate, Soberanos y Bancos
-
PD en Basilea IV
-
PD en empresas Corporate
-
PD en Bancos
-
PD en soberanos
-
PD y relación con el Rating Externo
-
Calibración de PD
-
Calibración de curvas exponenciales
-
Mapping de Rating Externo
-
Técnicas de Mapping:
-
Tasas de default histórico
-
Quantiles
-
Acercamiento a la media
-
Técnicas de Mapeo de PD´s a las estructuras temporales
-
-
Definición de Escala Maestra
-
Concentración y Granuralidad en la Escala Maestra
-
Ejercicio 43: Calibración de PD con técnicas de mapping en Excel
-
Ejercicio 44: Non-Linear Curve Fitting de PD en R
Módulo 13: Matrices de Transición y PD
-
Propiedades de las matrices de transición
-
Multi-year transition matrix
-
Tiempo discreto
-
Tiempo continuo
-
Matriz Generatriz
-
Exponencial de una matriz
-
-
Método de duración
-
Método Cohort
-
Gestión del error
-
Ejercicio 45: Ejercicio análisis y error de Matriz de transición usando enfoque cohort en SAS
Módulo 14: PD Low Default Portfolio
-
Estimación de PD sin correlaciones
-
Estimación de PD con correlaciones
-
Calibración de LDP usando Curvas CAP
-
Técnicas de Mapping de PD a Escala Maestra
-
Estimación Bayesiana de PD para LDP
-
Correlación de defaults
-
Correlación de defaults y multiperiodo
-
Neutral Bayesian y Conservative Bayesian
-
-
Ejercicio 46: Calibración curva CAP Escala Maestra en Excel
-
Ejercicio 47: PD Neutral y Conservative Bayesian en R
Loss Given Default (LGD)
Módulo 15: Loss Given Default Avanzado (LGD)
-
LGD en Basilea IV
-
Workout approach
-
Definición de Cura y Ciclos de Default
-
Gastos de recuperación.
-
Downturn LGD
-
Modelos Avanzados de LGD
-
LGD en Retail
-
LGD en Empresas
-
LGD en Securities
-
CDS Spread
-
LGD Implicita
-
Ejercicio 48: Estimación de LGD en Excel
Módulo 16: Modelos Econométricos de la LGD
-
Ventajas e inconvenientes de los Modelos Predictivos de LGD
-
Modelos paramétricos, no parámetricos y transformation regressions
-
Tipología de Modelos Multivariantes de LGD
-
Regresión Lineal y transformación Beta
-
Regresión Lineal y transformación Logit
-
Regresión Líneal y trasnsformación Box Cox
-
Regresión Logística y Lineal
-
Regresión Lógistica y no Lineal
-
Censored Regression
-
Generalized Additived Model
-
Redes Neuronales
-
Regresión Beta
-
Inflated beta regression
-
Fractional Response Regression
-
-
Ejercicio 49: Regresión lineal LGD en R
-
Ejercicio 50: Regresión Logística LGD en R
-
Ejercicio 51: Two stage: Regresión Logística + lineal LGD en R
-
Ejercicio 52: Redes Neuronales en Python
-
Ejercicio 53: Generalized Additived Model LGD en R
-
Ejercicio 54: Beta Regression Model LGD en R
-
Ejercicio 55: Comparativo del performance de los modelos usando test de Calibración y precisión.
Exposure at Default (EAD)
Módulo 17: Exposure At Default (EAD)
-
EAD en Basilea IV
-
Directivas para la estimación del CCF
-
Directivas para la estimación del CCF Downturn
-
Horizonte temporal
-
Transformaciones para modelizar el CCF
-
Enfoques para estimar el CCF
-
Enfoque Fixed Horizon
-
Enfoque Cohort
-
Enfoque Variable time horizon
-
Modelos Econométricos
-
Regresión lineal
-
Regresión Hiperbólica
-
Regresión Logística
-
Generalized Additived Model
-
Regresión Beta
-
Inflated beta regression
-
-
Modelo de intensidad para medir el retiro de líneas de crédito
-
Ejercicio 56: Modelo CCF de regresión OLS en R
-
Ejercicio 57: Modelo CCF Two Stages OLS+Logístico en R
-
Ejercicio 58: Modelo CCF Red Neuronalen R
-
Ejercicio 59: Comparativo del performance de los modelos de EAD
Validación de PD, LGD y EAD
Módulo 18: Validación cuantitativa: PD, LGD y EAD
-
Validación cuantitativa: PD, LGD y EAD
-
Validación de Calibracion de PD
-
Hosmer Lameshow test
-
Normal test
-
Binomial Test
-
Spiegelhalter test
-
Traffic Light Approach
-
Analisis Semafórico y Cuadro de mando de la PD
-
PD Stability Test
-
-
Forecasting vs. Estimacion proyectada de la PD
-
Backtesting de la LGD con curvas vintage
-
Backtesting LGD/CCF
-
Ratio de precision
-
Indicador absoluto de precision
-
Intervalos de Confianza
-
Analisis de transicion
-
Analisis de RR usando Triangulos
-
-
Ejercicio 60: Backtesting de PD en Excel
-
Ejercicio 61: Backtesting Avanzado de LGD con enfoque vintage en Excel
-
Ejercicio 62: Comparativo del performance de los modelos usando test de Calibración y precisión
Módulo 19: Capital Económico
-
Definición y Objetivo
-
Horizonte temporal
-
Correlación de Default
-
Estimación de Correlación de activos
-
Pérdida Inesperada
-
Pérdida Inesperada Contributoria
-
Modelos de capital regulatorio y RWA
-
Stress Testing RWA
-
Modelos de Capital Económico ASRF
-
Modelos Comerciales
-
Credit Risk+
-
KMV
-
Creditmetrics
-
Credit Portfolio View
-
-
Modelos Multifactoriales
-
Capital Económico para retail usando Charge off
-
Modelización de Dependencia usando copulas
-
Estimación de VaR y Expected Shortfall
-
Stress Testing del capital económico
-
Simulación de pérdida por riesgo de crédito
-
Ejercicio 63: Matriz de correlación de Default en Excel
-
Ejercicio 64: Correlación de default: carteras de consumo
-
Ejercicio 65: Correlación de activos
-
Ejercicio 66: Creditrisk + en y R
-
Ejercicio 67: Creditmetrics en Python
-
Ejercicio 68: Credit Portfolio Views en SAS y Excel
-
Ejercicio 69: Modelo Unifactorial en Excel, R y Python
-
Ejercicio 70: Modelo Multifactorial en Excel y Python
-
Ejercicio 71: T-student en Excel en R
-
Ejercicio 72: Comparativo de capital económico y regulatorio
Stress Testing
Módulo 20: Validación de Modelos Econométricos
-
Revisión de supuestos de los modelos econométricos
-
Revisión de los coeficientes y errores estándar de los modelos
-
Medidas de la confiabilidad del modelo
-
Gestión de los errores
-
Heterocedasticidad
-
Detección de colinealidad multivariante en regresión lineal
-
Detección de colinealidad multivariante en regresión logística
-
Ejercicio 73: Detección series no estacionarias y cointegración
-
Ejercicio 74:Medición de colinealidad multivariante de modelo de regresión logística y líneal
Módulo 21: Determinación de escenarios Macroeconómicos
en el Stress Testing y Machine Learning
-
EBA y ESRB en el stress testing
-
Requerimientos regulatorios de la Reserva Federal de EEUU
-
Diseño de escenarios adversos
-
Shocks financieros y económicos
-
Variables macroeconómicas
-
Modelos macroeconómicos
-
Medición de la Severidad del escenario adverso macroeconómico
-
Score de la severidad del escenario
-
Análisis de redes
-
Modelos Gráficos Probabilistas
-
Ejercicio 75: Escenarios macroeconómicos del PIB en SAS y R
-
Ejercicio 76: Análisis de redes en el stress testing
-
Ejercicio 77: Redes bayesianas en el stress testing en R
Módulo 22: Stress Testing Riesgo Crédito Consumo
-
Horizonte temporal
-
Enfoque Multiperíodo
-
Data requerida
-
Impacto en P&L, RWA y Capital
-
Escenarios Macroeconómicos de Estrés en consumo
-
Experto
-
Estadístico
-
Regulatorio
-
-
Stress Testing de la PD:
-
Credit Porfolio View
-
Mutiyear Approach
-
Reverse Stress Testing
-
Rescaling
-
Regresión Cox
-
-
Stress Testing de la Matriz de Transición
-
Enfoque Credit Portfolio View
-
Índice de ciclo de crédito
-
Extensión Multifactorial
-
-
Stress Testing de la LGD:
-
LGD Downturn: Enfoque Mixtura de distribuciones
-
Modelización PD/LGD Multiyear Approach
-
Stress test de LGD para carteras hipotecarias
-
-
Stress Testing de:
-
Defaults
-
Charge-Off
-
Net Charge Off
-
Roll Rates
-
Matrices de transición de Rating/Scoring
-
Matrices de transición de buckets de morosidad
-
Tasa de Recuperación Y LGD
-
Pérdidas por activos deteriorados nuevos
-
Pérdidas por activos deteriorados antiguos
-
-
Ejercicio 78: Stress Testing PD en Excel y SAS modelo multifactorial Credit Portfolio Views
-
Ejercicio 79: Stress Testing PD en R enfoque Multiyear Approach
-
Ejercicio 80: Stress test de PD y Vectores Autoregresivos en Python
-
Ejercicio 81: Stress Test del Net Charge Off en R
-
Ejercicio 82: Stress Test de la LGD modelo econométrico en R
-
Ejercicio 83: Stress Test de Matrices de Transición de Buckets de Morosidad
-
Ejercicio 84: Stress Test conjunto de la PD&LGD en Python
Módulo 23: Stress Testing de Riesgo Crédito para Portfolios Corporate
-
Horizonte temporal
-
Data requerida
-
Principales variables Macroeconómicas
-
Impacto en P&L, RWA y Capital
-
Modelo ASRF
-
Modelo de Creditmetrics
-
Uso de Matrices de transición
-
Forecasting del default
-
Metodología de Stress Test para portfolios corporate
-
Credit Index
-
Impacto en el RWA y Capital
-
Ejercicio 85: Stress Test de cartera corporativa usando matriz de transición
TE RECOMENDAMOS VER TAMBIÉN
UBICACIONES DE NUESTRAS SEDES
-
Madrid
C. Rafael Bergamin Nº 6