CURSO. Expositor: Daniel Orellana

Transcripción

1 CURSO Modelos Estadísticos, econométricos y de inteligencia artificial Expositor: Daniel Orellana Dirigido a Gerentes de Riesgos, Analistas de Riesgos, Desarrolladores de Modelos de Gestión de Riesgos, Asesores Financieros, Auditores, Supervisores de Modelos de Medición de Riesgos, Ejecutivos y Funcionarios de las Unidades de Riesgos responsables de medir, supervisar, interpretar y reportar el Riesgo de Crédito. Personal de Entidades Financieras, Investigadores y Consultores interesados en conocer a profundidad los fundamentos conceptuales y metodológicos para la construcción de Modelos Scoring... Fecha : Lunes 03 y martes 04 de octubre Hora: 8:30 a.m. a 5:30 p.m. (ambos días) Lugar: Academia Bancaria Centroamericana (puede haber cambio de sede por motivo de cupo) Incluye: material, certificado de participación y alimentación Inscripciones: Cámara de Bancos e Instituciones Financieras de Costa Rica Tel: ó academia@camaradebancos.fi.cr

2 JUSTIFICACION Como parte esencial del análisis de riesgos, se encuentra la medición del Riesgo de Crédito y para lograr aquello, es imperante conocer a cabalidad la metodología apropiada para la construcción de Modelos de Scoring en Riesgo de Crédito, que permita medir de manera ex - ante el riesgo en el que incurre una entidad al colocar un préstamo en el mercado. Cabe señalar que el desarrollo de Modelos Scoring abre una gama de posibilidades que colaboran con la gestión comercial de créditos, así como con la gestión de cobranza y la toma de decisiones de las entidades financieras, razón por la cual, conocer la metodología correcta para desarrollar dichos modelos es imperativo dentro de una institución financiera.

3 OBJETIVO GENERAL Conocer la metodología apropiada para la construcción de Modelos Scoring que permitan una correcta medición de Riesgo de Crédito que a su vez contribuya con una mejor gestión comercial de créditos, de cobranza y una mejor toma de decisiones. OBJETIVOS ESPECIFICOS a) Conocer los principales beneficios de implementar Modelos Scoring en la Administración del Crédito. b) Revisar la metodología para la construcción de modelos de discriminación. c) Desarrollar los principales modelos estadísticos para la construcción de modelos de discriminación. d) Detallar la Implementación de un modelo scoring. a) Desarrollar modelos de credit scoring con inteligencia artificial.

4 EXPOSITOR Daniel Orellana M.Sc. en Administración Electrónica de Empresas. Universidad de Zaragoza (España). Lic. en Economía. Universidad Católica Boliviana (Bolivia). Distinción honorífica. Especialista en Estadística, Econometría, VaR, VaR Monte Carlo, Redes Neuronales Artificiales, Lógica Difusa, Mapas Autoorganizados de Kohonen y Simulaciones de Monte Carlo aplicados especialmente a RIESGO CRÉDITO, MERCADO Y LIQUIDEZ y a la predicción de series temporales. Ha desarrollado modelos de identificación, medición, análisis de sensibilidad y seguimiento del Riesgo de Crédito, Liquidez, Operativo y de Mercado, mediante el uso de Modelos Econométricos, Redes Neuronales Artificiales, Máquinas de Aprendizaje, Modelos VaR, Mapas Autorganizados de Kohonen, Modelos Logit y Simulaciones de Monte Carlo. Consultor e investigador relacionado con la Administración Integral de Riesgos Financieros, Economía y Finanzas. Ha impartido lecciones de riesgo mercado, de liquidez, de crédito y operativo a nivel técnico-gerencial para gerentes, técnicos, auditores, desarrolladores, consultores, investigadores y funcionarios de entidades financieras y microfinancieras a nivel internacional (Perú, Bolivia, Ecuador y Venezuela) Profesor - Modelador especialista en metodologías de medición de Riesgo de crédito, centrados en modelos de credit scoring de aprobación y seguimiento (obtuvo modelos de scoring de admisión con más de 80% de efectividad de pronóstico en scores de aprobación y más del 94% de efectividad en scores de comportamiento), cálculo de PDs point in time y through the cycle, calibración de probabilidades de incumplimiento, cálculo de LGD workout y econométrica, cálculo de EAD tanto para crédito revolving como not revolving considerando Credit Conversion Factors. Modelos de stress testing. Trabajó como consultor de Redes Neuronales Artificiales aplicadas a Riesgo de Crédito para el cálculo de probabilidades de incumplimiento (Scoring) y apoyó a la Intendencia de Implantación Basilea en el Programa de Apoyo al Sector Financiero (PROFIN) y la Cooperación Danesa, para la SBEF. Realizó la capacitación y los manuales de políticas y procedimientos de riesgo de crédito, mercado, liquidez y operativo en una entidad financiera. Profesor invitado por la Universidad Privada de Santa Cruz de la Sierra, para dictar el curso de Riesgo de Mercado y Liquidez. Lunes 03 y Martes 04 de octubre de 2016 Academia Bancaria Centroamericana

5 MÓDULO 1: Hacia un modelo completo de medición de Riesgo, definiciones previas y tratamiento de datos Breve explicación del modelo de riesgo de crédito de Basilea II. Qué partes o componentes tiene un modelo completo de medición de riesgo de crédito? Qué metodologías y modelos matemáticos debo considerar actualmente para generar una eficiente medición de riesgo de crédito? Lo que el futuro nos depara en estas mediciones. Definición de Credit Scoring. Por qué es importante desarrollar un Credit Scoring? Cuáles son los Scorings empleados en el ciclo de vida del crédito? Fases en el desarrollo del Credit Scoring. Tratamiento previo de los datos. Definición de incumplimiento por niveles de estrategia por tipo de crédito. Partición de la muestra de validación y desarrollo. Análisis exploratorio de datos.

6 MÓDULO 2: Importancia de las bases de datos y la generación de variables para modelos de Credit Scoring Bases de datos en relación a variables relacionadas con modelo de Credit Scoring y la Probabilidad de Incumplimiento. Metodología de generación de variables temporales a nivel de clientes. Importancia del mantenimiento de la información en el tiempo. Tiempos en la generación de variables y la conformación de bases de datos que permitan un adecuado mantenimiento de modelos en el tiempo. Ejemplo práctico 1: Generación de variables temporales que capturen el comportamiento de mora a nivel de cliente MÓDULO 3: Análisis Univariante Tramado de Variables discretas y continuas; Análisis Univariante por percentiles; Transformación de las variables mediante la utilización de WOEs; Estadísticos de evaluación KS, Gini, Information Value; Análisis Univariante optimizado; Elección de variables a ser empleadas en el modelo multivariante. Ejemplo práctico 2: Tramado de variables. Ejemplo práctico 3: Cálculo de Indicadores KS, GINI e IV. Ejemplo práctico 4: Cálculo de WOEs por variable. Ejemplo práctico 5: Optimización de tramos. Taller práctico 1: Análisis univariante con variables de la solicitud, visita y análisis del crédito

7 MÓDULO 4: Análisis Multivariante Definición de técnicas paramétricas: Regresión lineal, análisis discriminante, regresión logística. Definición de técnicas no paramétricas: Árboles de decisión, Redes Neuronales Artificiales, Mapas Auto-organizados de Kohonen, Algoritmos Genéticos y Programación Lineal. Cálculo y manejo de la regresión logística. Utilización de WOEs en modelos multivariante. Cálculo del grado de ajuste de un modelo logit. Cálculo de las desviaciones estándar de los coeficientes betas estimados. Comparación de modelos. Cómo sabemos qué variables son significativas y qué variables no lo son? Utilización de la Expansión de Taylor para la optimización de los Betas del modelo. Definición del vector gradiente y la matriz Hessiana en el modelo propuesto. Cálculo del T-ratio y el nivel de significancia del modelo. Cálculo del Pseudo R Cuadrado para determinar el nivel de ajuste del modelo. Cálculo del Ratio de Verosimilitud. Selección de puntos de corte mediante Sensitividad y Especificidad. Ejemplo práctico 6: Cálculo de la verosimilitud individual y total. Ejemplo práctico 7: Optimización de los pesos del modelo. Ejemplo práctico 8: Análisis de la precisión del modelo y puntos de corte. Taller práctico 2: Análisis multivariante con variables de la solicitud, visita y análisis del crédito

8 MÓDULO 5: Estimación de Scorecard y validación del Modelo Transformación de los resultados de Score a Score Alineado. Consideración del factor y el offset en el modelo de Score Alineado. Evaluación del Modelo mediante estadísticos de Information Value, Kolmogorov Smirnov, Gini y ROC. Selección de puntos de corte mediante el KS. Matriz de confusión. Utilización del Scorecard para nuevos clientes. Ejemplo práctico 9: Cálculo del score alineado. Ejemplo práctico 10: Cálculo del scorecard total y por variable. Ejemplo práctico 11: Cálculo de la tabla de decisión para modelos scoring y selección de puntos de corte. Taller práctico 3: Generación del scorecard con variables de la solicitud, visita y análisis del crédito

9 MÓDULO 6: INTELIGENCIA ARTIFICIAL APLICADA A MODELOS DE CREDIT SCORING Qué son las redes neuronales artificiales? Cómo funcionan? Tipos de arquitecturas de redes neuronales artificiales (Perceptron Multicapa, Mapas Autoorganizados de Kohonen, Redes Neuronales Recurrentes). Aprendizaje supervisado y aprendizaje no supervisado. Conjuntos de aprendizaje. Uso de modelos de inteligencia artificial para modelos de credit scoring. Análisis de sensibilidad. Relación entre el incumplimiento de crédito y las variables que lo determinan en un modelo de redes neuronales artificiales. Cálculo de la probabilidad de que el cliente sea muy bueno, bueno, regular, malo y muy malo. Ventajas y limitantes en el uso de modelos de inteligencia artificial frente al modelo logit. Explicación de multiscorings. Ejemplo práctico 9: Perceptrón multicapa y modelos de credit scoring

10 MÓDULO 7: Herramientas necesarias en Modelos de Credit Scoring Credit Scoring for Excel. Credit Risk for Excel. Neural para medición de pérdida esperada e inesperada. MÓDULO 8: Recomendaciones para alcanzar una buena prediccióncon Modelos de Credit Scoring Principales recomendaciones para la modelización óptima de modelos de credit scoring. Recomendaciones en el tratamiento de los datos. Importancia de la validación cruzada. Lo indispensable en el tratamiento de los datos. Qué datos debo almacenar? Tendencia actual y futura en modelaje de credit scoring.