MÓDULO 1: INTRODUCCIÓN – 3 horas
Fundamentos de riesgo de crédito
• Aspectos regulatorios
• Diferencias entre scoring y rating
• Evolución del proceso de modelamiento
• Modelamiento en el ciclo de crédito (scores admisión, seguimiento, cobranzas y recupero)
• Pérdida Esperada y sus componentes (enfoque econométrico y enfoque IFRS9)
Herramienta para el modelamiento
• Introducción a R, RStudio, Python
• Librerías principales para data science
• Principios de programación
Tipos de modelos y metodologías para riesgo de crédito
• Matrices de Transición
• Modelos Estadísticos y Econométricos
• Modelos Machine Learning – Deep Learning
• Modelos de Supervivencia (tradicionales, eventos recurrentes, riesgos competitivos, usando ML, otros)
Gestión del riesgo de modelo
• Aspectos a considerar
• Elementos y Áreas Claves (Model Inventory, Model Tiering, Model Documentation, Model Follow-up)
MÓDULO 2: ANÁLISIS DE DATOS PREVIO AL MODELAMIENTO – 3 horas
• Descripción del dataset
• Definición del target (default)
• Enfoque cohort y matrices de roll rates
• Determinación del horizonte temporal
• Tratamiento de valores duplicados
• Tratamiento de valores missing
• Tratamiento de valores inconsistentes
• Tratamiento de valores extremos (outliers). Uso de Zscore
• Corrección de datos
• Exploración de variables
• Distribuciones y box-plots
• Matrices y clústers de correlaciones
• Segmentación de variables
• Creando variables combinadas
• Técnicas de muestreo y balanceo de datos
• Prueba Chi-cuadrado, Análisis ANOVA, WoE e Information Value
• Codificación de variables usando WoE
MÓDULO 3: CONSTRUCCIÓN DEL APPLICATION SCORE – 6 horas
• Definición del default
• Roll Rates Analysis
• Definición del horizonte temporal
• Tipos de muestreo (muestra de desarrollo y validación)
• Descripción de datos cualitativos y ordinales
• Descripción de datos cuantitativos
• Descripción de datos cuantitativos agrupados
• Tratamiento y limpieza de datos
• Exploración de variables usando árboles de decisión
• Exploración de variables continuas y categóricas
• Trameado de variables usando Peso de Evidencia (WoEs) y Valor de Información (IV)
• Estimación del modelo usando regresión logística
• Cálculo de la probabilidad de default y score de admisión
• Técnicas de inferencia de denegados
• Medidas de bondad de ajuste y de capacidad discriminante (KS, ROC, otros)
• Matriz de confusión (Precision, Recall, F1-Score)
MÓDULO 4: CONSTRUCCIÓN DEL BEHAVIOR SCORE – 3 horas
• Definición de la muestra de desarrollo y validación
• Definición del default
• Definición del horizonte temporal
• Variables de comportamiento interno de pago del cliente
• Variables transaccionales
• Variables de morosidad
• Análisis exploratorio de variables usando R
• Estimación del modelo usando regresión logística
• Medidas de bondad de ajuste y de capacidad discriminante (KS, ROC, otros)
• Comparación de scores.
• Elaboración de Matriz de scores para gestión de riesgo de crédito
• Matriz de confusión (Precision, Recall, F1-Score)
MÓDULO 5: CONSTRUCCIÓN DEL COLLECTION SCORE – 3 horas
• Especificación de exclusiones
• Tipos de muestreo (muestra de desarrollo y validación)
• Definición de default
• Variables de composición y antigüedad de deuda en la entidad
• Variables de composición de deuda en el sistema financiero
• Estimación del modelo usando regresión logística
• Medidas de bondad de ajuste
• Medidas de capacidad discriminante (KS, ROC, otros)
MÓDULO 6: CONSTRUCCIÓN DEL RECOVERY SCORE – 3 horas
• Especificación de exclusiones
• Tipos de muestreo (muestra de desarrollo y validación)
• Definición de default
• Variables de composición y antigüedad de deuda en la entidad
• Variables de composición de deuda en el sistema financiero
• Estimación del modelo usando regresión logística
• Medidas de bondad de ajuste
• Medidas de capacidad discriminante (KS, ROC, otros)
MÓDULO 7: VALIDACIÓN DE MODELOS – 6 horas
• Definición de periodos elegibles para la validación de modelos
• Validación Out of Sample y Out of time
• Benchmarking – Uso de modelos de riesgo alternativos (proveedores de score | otras metodologías)
• Ventajas y desventajas de modelos paramétricos, no paramétricos, machine learning y deep learning
• Calibración de parámetros de riesgos
• Validación de parámetros de modelos de riesgos
• Verificación p-values en regresiones
• R cuadrado, MSE, MAD
• Análisis de los residuos
• Pruebas de Bondad de Ajuste (AIC, BIC)
• Cross validation
• Bootstrapping
• Matriz de confusión y F1-Score
• Validación del poder discriminante/predictivo del modelo
• KS, Curva ROC, Gini Index
• Curva Lift
• Cumulative Accuracy Profile
• Pietra Index
• Entropía condicional
• Valor de Información (IV)
• Brier Score, Hosmer Lemeshow
• Intervalos de confianza
• Índice Estadístico Kappa para evaluar concordancia
• K-Fold Cross Validation, Análisis Semáforo
• Técnicas para definir el punto de corte de score
• Reportes de resultados de validación
• Análisis de estabilidad de población scoreada
• Análisis de estabilidad de variables del modelo
• Comparación de modelos paramétricos y machine learning
MÓDULO 8: NIIF 9: MODELAMIENTO DEL RIESGO CRÉDITO – 9 horas
• Comparación NIIF 9 vs. Basilea
• Nuevo modelo de pérdida esperada
• Clasificación de activos “staging” (incremento significativo)
• Supuestos, Análisis Cualitativo-Cuantitativo
• Cálculo de Pérdidas a 12 meses y Lifetime
• Expected Lifetime: Vida Esperada
• Proyecciones “Forward looking”
• Simulación de posibles escenarios
• Stage allocation – Clasificación de los créditos
• Matriz de transición
• Comparación de PDs/Incremento significativo de riesgo
• Modelamiento de PD NIIF 9
• Probability Weighted
• Forward Looking
• Modelamiento del Lifetime PD
• PD Point in Time (PIT) Forecasting
• PD Trough The Cycle (TTC) Forecasting
• Matrices de Transición y Estructura temporal de PD
• Estructura temporal de PD en NIIF 9
• Matrices de transición y Cadenas de Markov
• Método Cohort
• Estructura temporal de PD
• Calibración de la estructura temporal de la PD
• Modelamiento de LGD NIIF 9
• Ajustes en la LGD
• LGD Marginal y PIT
• Concepto del Lifetime de las pérdidas
• Modelamiento de EAD NIIF 9
• Ajustes en la EAD
• Estimación CCF PIT
• Prepago y abandono
MÓDULO 9: SOBRE ENDEUDAMIENTO (SE) – 3 horas
• Definición del sobre endeudamiento
• Causas y consecuencias
• Variables e indicadores medición de SE
• Estimación modelo de SE
• Validación modelo SE
• Estrategia gestión riesgo de SE
MÓDULO 10: SEGUIMIENTO DE MODELOS – 3 horas
• Importancia del seguimiento de Modelos
• Metodologías de seguimiento
• Métricas seguimiento poder predictivo
• Métricas seguimiento estabilidad poblacional y variables
• Reportes de Seguimiento
• Implicaciones gestión de riesgo de modelo
