Objetivo: Entender e identificar los principales conceptos para la implementación de un modelo de riesgo crediticio, así como su utilidad dependiendo del modelo de negocio. 

• Definición del Riesgo Crediticio 
• Los tipos de modelos crediticios en entidades no Financieras. 
• Los modelos crediticios de acuerdo con normativas de Basilea y SBS. 
• Tipos de Scoring: Admisión, seguimiento, cobranza, castigo 
• Tipos de variables: Edad, ingresos, deudas, etc. La importancia del tipo de variable de acuerdo con el modelo de negocio.

Objetivo: Entender toda la cadena de valor de un modelo de riesgo crediticio desde que se ingesta la data hasta que se hace funcional, de acuerdo con la cadena de valor de la organización. 

• Como entender la cadena de valor de una organización. 
• Gobierno de datos y trazabilidad. Definiciones previas a diseñar un modelo. 
• Metodologías de ingesta de datos de acuerdo con el nivel de la organización. 
• Definición de las reglas de negocio: Como implementarlas. 
• ¿Cómo se implementa el modelo luego de crearlo? Uso de Apis, web services, motores de reglas de negocio para la agilizar de la calibración y uso funcional del modelo. 

Objetivo: Aprender a diseñar la arquitectura integral del modelo alineado a la cadena de valor del proceso de negocio. 

• Primeros pasos para el diseño de una arquitectura de un modelo 
• Introducción a la arquitectura de microservicios. 
• Como realizar una arquitectura paramétrica y flexible. 
• Como crear un motor de reglas paramétricos en Apis. 
• Introducción a la interoperabilidad y contenedores.  
• Cambios dinámicos en el modelo de acuerdo con coyuntura actual: Caso COVID19. 

Objetivo: Aprender los conceptos estadísticos descriptivos para identificar la muestra ideal para el diseño del modelo. 

• Preparación de la información. ¿Con cuanta data histórica debemos contar? 
• Definición de data mala, buena. ¿Cómo identificar un malo? 
• Ventana de observación. ¿Cuánto tiempo se debe observar la data de muestra para asegurar una desviación óptima en el modelo? 
• Validación de la data. Escenarios descriptivos. 
• Tratamiento de rechazos sobre umbrales no aceptados. 
• Carácterísticas de la población objetivo 
• Características del producto 
• Cosechas RCC 
• Análisis de unicidad 

Objetivo: Desarrollar el modelo a través de las metodologías de riesgo definidas en clase. 

• Segmentación 
• Feature engineering 
• Tratamiento de missings tomando en cuenta la tipología de los modelos 
• Tratamiento de outliers tomando en cuenta la tipología de los modelos 
• Convoluciones 
• Estabilidad 
• Tratamiento por tipo de variable 
• Cómo funciona la regresión logística 
• Cómo interpretar las pruebas de hipótesis 
• Bootstrap 
• Comparación y selección entre modelos 
• Interpretabilidad 
• Técnicas para incorporar efecto covid 
• Análisis Bivariante: Covarianza, correlación, diagramas de caja. 
• Que es el WOE y el IV. Casos de uso e impacto de las variables en el modelo. 
• Generación de la PD a través de regresión Logit. 

Objetivo: Validar el modelo creado para asegurar la sensibilidad de los cálculos. 

• Calculo de Bondad de Ajuste. Test de normalidad. Contraste de hipótesis. 
• Prueba de Kolmogórov-Smirnov 
• ¿Qué es el coeficiente de Gini? Metodología actual. Casos de uso. 
• Análisis y pesos de las variables.  
• Puntos de corte 
• Vinculación con las pautas crediticias 
• Calibración 

Objetivo: Desarrollar el concepto de perdida esperada y el impacto en los indicadores de la organización, así como sus componentes internos. 

• Definición del Loss Given Default. Casos de Uso 
• Análisis y benchmarks del LGD. Casos atípicos de mercado. 
• Definición del EAD. Metodologías para el cálculo del EAD.  
• Bencharmk de mercado y casos de uso alterno del EAD. 
• Definición del portafolio de perdida esperada e impacto en la organización. 
• El impacto de la gestión de la IFRS9 en las provisiones de la banca. 
• Que es la perdida inesperada?. Como impacta dentro de la gestión de Riesgos y Cobranzas. Casos de uso. 
• Usos de la LGD en los procesos del banco 
• Tipos de casos abiertos y cerrados en LGD 
• Tratamiento de los casos abiertos 
• LGD Workout 
• Selección del universo para modelamiento LGD 
• Selección de variables 
• Consistencia LGD y etapa de admisión 
• LGD TTC 
• EAD TTC 
• Al menos la LGD y EAD tienen que tener casos aplicados de todo esto, no puede quedar como ejemplo de casos de uso 

Objetivo: Aprender a diseñar y crear modelos utilizando herramienta de machine Learning y análisis de supervivencia para evaluar el tiempo de vida hasta caer en default de una cartera. 

• ¿Qué es un análisis de Supervivencia? Casos prácticos y metodologías. 
• Introducción al estimado Kaplan Meier. Ejemplos y metodologias. Como determinar el periodo de vida. 
• Definición de Cox Proportional Hazard. Ejemplos aplicativos y escenarios locales. 
• Construcción de algoritmo de machine learning 
• Ventajas y desventajas de ML en los problemas de credit scoring 
• ML y los reguladores 
• Tratamietno de variables para ML 
• FE ML 
• HP y optimización 
• Unboxing 
• Cómo se calibra un ML 
• Implementación de ML 

Objetivo: Aprender a realizar un seguimiento del modelo mediante metodologias de stress test y backtesting para evaluar las variaciones constantes de acuerdo a la volatilidad del mercado. 

• ¿Por qué se debe calibrar un modelo? ¿Con que frecuencia se debe realizar una calibración? 
• Introducción al concepto de Stress Test. Casos en cartera de Credito y Mercado.  
• Como realizar un ejercicio de Stress bajo un set de variables de modelo. Shockeo de variables. 
• Parametrización de Stress Test. 
• Introducción al BackTesting. ¿Porque es importante dentro de la calibración de un modelo? 
• Como implementar un adecuado seguimiento de modelo. Escenarios bajo un contexto actual. 
• Calibración de PD 
• Calibración LGD 
• Calibración EAD 
• RD, PSI, Vasicek, Drivers 
• Moras tempranas 
• EWS

Objetivo: Construiremos un modelo en vivo de acuerdo a la decisión del foro: Admisión, seguimiento, cobranza o castigo, bancario o no bancario. Evaluar al alumno sobre los temas tratados. 

• Realizaremos un taller didáctico donde con los alumnos construiremos un modelo integral que cobertura todos los temas vistos en clase. 

• Se evaluará al alumno mediante un caso dejado al inicio del curso que debe presentar, donde debe implementar un modelo integral, desde la cadena de valor del negocio, arquitectura, ingesta de data diseño del modelo y productivización bajo una arquitectura paramétrica.