Skip to main content

Modelado de Riesgo de Crédito para Basel/ IFRS 9 usando R / Python / SAS

En este curso, los estudiantes aprenden cómo desarrollar modelos de riesgo crediticio en el contexto de las directrices de Basilea y IFRS 9.

About This Course

In this course, students learn how to develop credit risk models in the context of the Basel and IFRS 9 guidelines. The course extensively reviews the 3 key credit risk parameters: Probability of Default (PD), Loss Given Default (LGD), and Exposure at Default (EAD). Modeling methods, performance measurement and benchmarks are discussed into great detail. The course provides a sound mix of both theoretical and technical insights, as well as practical implementation details. These are illustrated by several real-life case studies and examples. The course also features code examples in R, Python and SAS. Throughout the course, the instructors also extenisvely report upon their research and industry experience.

The course features more than 6 hours of video lectures, more than 100 multiple choice questions, various LinkedIn polls with industry perspectives and references to background literature. A certificate signed by the instructors is provided upon successful completion.

See this sample lecture video on YouTube to get a free teaser of the course contents.

We can also come and teach this course on-site in classroom format. If interested, please mail us at: Bart@BlueCourses.com.

Price

The enrollment fee for this course is EUR 250 (VAT excl.) per participant. Payments are securely handled by PayPal. If you are a company in the European Union, then we can apply VAT reverse charge. For this, please mail your VAT number to Bart@BlueCourses.com. Part of our course revenue is used towards funding organizations involvement in protecting and cleaning our oceans. See our about page to learn more about our mission statement.

After enrollment, participants will get 1 year unlimited access to all course material (videos, R/Python/SAS scripts, quizzes and certificate).

Requirements

Before subscribing to this course, you should have business expertise in credit risk and a basic understanding of descriptive statistics (e.g., mean, median, standard deviation, etc.) and inference (e.g., confidence intervals, hypothesis testing). Previous R, Python and SAS experience is helpful but not necessary.

Tabla de contenidos

  • Introduction
    • Instructor team
    • Our Credit Risk Publications
    • Software
    • R/Python tutorials
    • Data sets
    • Disclaimer
  • Credit scoring
    • Introduction
    • Retail credit scoring
    • Application scoring
    • Behavioral scoring
    • Corporate credit scoring
    • Prediction approach
    • Expert-based approach
    • Agency Rating approach
    • Shadow Ratings approach
    • Quiz
    • Discussion
  • Basel Accords/IFRS 9/CECL
    • Regulatory versus Economic Capital
    • Basel I and II Capital Accords
    • Basel III
    • Basel IV
    • Basel approaches to model credit risk
    • Standardized approach
    • IRB approach
    • Default rating specifics
    • Basel IRB model architecture
    • Risk weight functions for retail
    • Merton model
    • Risk weight functions
    • IFRS 9
    • Credit risk model lifecycle
    • Quiz
    • Discussion
  • Data Preprocessing
    • Motivation
    • Types of data
    • Types of variables
    • Denormalizing data
    • Sampling
    • Visual data exploration
    • Descriptive statistics
    • Missing values
    • Outliers
    • Categorization
    • WOE and IV
    • Variable Transformation
    • Quiz
  • Classification Techniques
    • Linear Regression
    • Logistic Regression
    • Nomograms
    • Decision trees
    • Cumulative logistic regression
    • Multiclass decision trees
    • Quiz
  • Measuring the performance of credit scoring classification models
    • Split sample method
    • Cross-validation
    • Single sample method
    • Confusion matrix (classification accuracy, classification error, sensitivity, specificity)
    • ROC curve and area under ROC curve
    • CAP curve and Accuracy Ratio
    • Lift curve
    • Kolmogorov-Smirnov distance
    • Mahalanobis distance
    • Performance benchmarks
    • Multiclass confusion matrix
    • Notch difference graph
    • Multiclass AUC
    • Quiz
  • Survival analysis
    • Censoring
    • Time varying covariates
    • Survival distributions
    • Kaplan Meier analysis
    • Accelerated Failure Time models
    • Proportional hazards model
    • Discrete survival analysis
    • Competing risks
    • Mixture cure modeling
    • Survival analysis in credit risk modeling
    • Evaluating survival analysis
    • Quiz
  • Defining default ratings and calibrating PD
    • Defining default ratings
    • Rating migration analysis
    • Rating philosophy
    • Rating mobility
    • PD calibration
    • Quiz
  • Modeling Loss Given Default (LGD)
    • Definition of default
    • Definition of LGD
    • Ways of measuring LGD
    • LGD according to Basel
    • Constructing an LGD data set
    • Complete business Cycle
    • Default definition and cures
    • LGD measurement
    • Length of workout period
    • Incomplete workouts
    • Discount rate
    • LGD < 0 or LGD > 100%
    • Indirect costs
    • LGD drivers
    • Data preprocessing
    • Challenges in LGD modeling
    • LGD modeling approaches
    • Segmentation
    • Regression trees
    • Linear regression LGD modeling
    • Beta regression LGD modeling
    • Logistic regression LGD modeling
    • Cumulative logistic regression LGD modeling
    • Two stage LGD models
    • Advanced LGD models
    • Performance measures
    • LGD ratings
    • LGD calibration
    • Exposures in default
  • Modeling Exposure At Default (EAD)
    • Defining Exposure At Default (EAD)
    • EAD according to Basel
    • Drawings post default
    • EAD Development Sample
    • CCF < 0 or CCF > 100%
    • EAD modeling
    • EAD Case Study
    • Correlation between PD/LGD/EAD

Instructoras

Prof. dr. Bart Baesens

Prof. dr. Bart Baesens

Nací en Brujas (Flandes Occidental) el 27 de Febrero de 1975. Hablo flamenco del oeste (algo de lo que estoy muy orgulloso), neerlandés, francés, un poco de alemán, algo de inglés e incluso puedo pedir una cerveza en mandarín. Tengo 3 hijos : Ann-Sophie, Víctor y Hannelore. Aparte de disfrutar el tiempo con mi familia, también soy un fanático del Club de Fútbol Brujas. Soy un amante de la comida y también un aficionado de la cocina. Me gusta una buena copa de vino (mis favoritos son el Viognier blanco y Cabernet Sauvignon) y tengo el privilegio de poder elegir una buena botella de mi bodega. Mi pub favorito es el “In den Rozenkrans” en Kessel-Lo (cerca de Lovaina) donde me podrás encontrar tomando una Gueze Girardin de 1882 o una Tripel Karmeliet. Amo viajar y mis ciudades favoritas son: San Francisco, Sydney y Barcelona. Tengo una gran fascinación por la Primera Guerra Mundial y leo muchos libros acerca del tema. No me gusta que me llamen profesor Baesens (o aún peor, profesor Baessens), ni de ir de compras (especialmente ropa y zapatos), del pastis (o cualquier otra bebida que sepa a aníz), tampoco de utilizar la aspiradora ya que no soporto el sonido que hace, ni del modelo Codasyl para bases de datos por tener demasiados procedimientos, de los estudiantes masticando goma de mascar en su examen oral de bases de datos o aquellos que comieron ajo en el desayuno, largas reuniones (más de treinta minutos), llamadas telefónicas (la comunicación asincrónica por correo electrónico es mucho más eficiente!), asuntos administrativos (formularios y encuestas) y las patata francesas (las patatas belgas son mucho mejores!). Soy elogiado frecuentemente por mi sentido del humor, pero creo que esto res un poco exagerado. También soy profesor de “Big Data & Analytics” en la Universidad Católica de Lovaína (Bélgica) y instructor en la Universidad de Southampton (Reino Unido). He hecho extensas investigaciones en “Big Data & Analytics”, “Modelos de Riesgo de Crédito”, “Detección de Fraude” y “Análisis de Marketing”. He escrito más de 200 (doscientos) artículos cientificos, de los cuales algunos han sido publicados en revistas muy reconocidas internacionalmente (ej: MIS Quarterly, Machine Learning, Management Science, MIT Sloan Management Review y tambien en IEEE Transactions on Knowledge and Data Engineering) y he hecho presentaciones internacionales también muy reconocidas (ej: ICIS, KDD, CAISE). He recibido varios reconocimientos y premios en conferencias y artículos científicos. Soy autor de 8 libros: Credit Risk Management: Basic Concepts (Oxford University Press, 2009), Analytics in a Big Data World (Wiley, 2014), Beginning Java Programming (Wiley, 2015), Fraud Analytics using Descriptive, Predictive and Social Network Techniques (Wiley, 2015), Credit Risk Analytics (Wiley, 2016), Profit Driven Business Analytics (Wiley, 2017), Web Scraping for Data Science with Python (Apress, 2018), and Principles of Database Management (Cambridge University Press, 2018). He vendido más de 15.000 (quince mil) copias de estos libros a nivel mundial, algunos han sido traducidos en mandarín, ruso y coreano. Mis investigaciones están resumidas en www.dataminingapps.com. Regularmente también doy tutorías, recomendaciones y proporciono consultorías a empresas internacionales en aspectos de big data, analytics y estrategias de gestión en riesgo de crédito.

Prof. dr. Tim Verdonck

Prof. dr. Tim Verdonck

Tim nació en Merksem (Amberes, Bélgica) el 19 de febrero de 1983. Vive junto a su pareja Nuria, sus dos hijas Oona y Liv, su perro Ragna y dos gatos Nello y Patrasche (los nombres de los gatos proceden de la novela A Dog de Flandes, que tiene lugar en Hoboken y Amberes, véase www.visitantwerpen.be). Vive en Wilrijk (Amberes, Bélgica) y disfruta relajarse en su jardín con su familia y de pasar buenos momentos con sus amigos. Le encanta viajar y sus ciudades favoritas son Barcelona y Vancouver. En vacaciones le gusta bucear (su lugar favorito es Sipadan en Malasia), snowboard y wakeboard. Sus otros deportes favoritos son el tenis y el fútbol.

Tim Verdonck también es profesor de estadística y ciencia de datos en el Departamento de Matemáticas de la Universidad de Amberes (Bélgica). Está afiliado a KU Leuven y ha sido profesor invitado en la Universidad de Bolonia, enseñando seguros avanzados de no vida en la Maestría en Finanzas Cuantitativas. Es presidente de la Cátedra BNP Paribas Fortis sobre Análisis de fraudes, la Cátedra Allianz sobre Análisis prescriptivo de negocios en seguros y la Cátedra BASF sobre Análisis predictivo robusto. Tim tiene una licenciatura en Matemáticas y un Doctorado en Ciencias: Matemáticas, obtenido en la Universidad de Amberes. Durante su doctorado realizó con éxito el Máster en Seguros y el Máster en Ingeniería Financiera y Actuarial, ambos en KU Leuven. Sus intereses de investigación están en el desarrollo y aplicación de métodos estadísticos sólidos para conjuntos de datos financieros, actuariales y económicos. Es editor asociado de Statistics: A Journal of Theoretical and Applied Statistics (Taylor & Francis) y Computational Statistics & Data Analysis (Elsevier). Tim es coörganizador de los encuentros de ciencia de datos en Lovaina y socio director de Boltzmann ( www.boltzmann.be ), un equipo de expertos en aprendizaje automático que transforman los datos en conocimientos prácticos.

Enroll