Programa especializado

Credit Scoring con Python

Presentación

Este programa te prepara para diseñar, evaluar e implementar modelos de riesgo crediticio utilizados en la banca y el sector financiero, partiendo de una sólida base en estadística aplicada al análisis de datos crediticios.

Descargar Brochure

En colaboración con:

¿A quiénes va dirigido?

Analistas de riesgo crediticio.
Data Scientists y analistas de datos.
Economistas, ingenieros y profesionales afines.
Profesionales del sector bancario, financiero, fintech y consultoría.

*Requisitos recomendados: Conocimientos básicos de estadística y programación con python.

Ruta de Aprendizaje

Curso 1

Fundamentos Estadísticos para Credit Scoring

Sesión 1. Estadística descriptiva aplicada a datos crediticios

Sesión 2. Distribuciones y calidad del dato

Sesión 3. Probabilidad e interpretación del riesgo

Sesión 4. Inferencia aplicada: estimación e intervalos

Sesión 5. Pruebas de significancia y p-valor (operativo)

Sesión 6. Fundamentos de regresión logística

Sesión 7. Modelamiento predictivo: train, test y overfitting

Sesión 8. Métricas de evaluación para clasificación

Curso 2

Desarrollo de Modelos de Credit Scoring

Sesión 1. Introducción al Credit Scoring en Banca.

Sesión 2. Datos Crediticios y Definición del Evento de Incumplimiento.

Sesión 3. Análisis Exploratorio de Datos y Tratamiento de Variables.

Sesión 4. Transformación de Variables, Weight of Evidence (WOE) e Information Value (IV).

Sesión 5. Regresión Logística aplicada al Credit Scoring.

Sesión 6. Evaluación del Desempeño del Modelo.

Sesión 7. Validación y Estabilidad de Modelos.

Sesión 8. Implementación del Score y Uso en la Toma de Decisiones.

Curso 3

Credit Scoring y Machine Learning

Sesión 1. Credit Scoring Tradicional vs Machine Learning.

Sesión 2. Preparación de Datos para Modelos de Machine Learning.

Sesión 3. Árboles de Decisión y Random Forest.

Sesión 4. Gradient Boosting (XGBoost / LightGBM).

Sesión 5. Comparación y Selección de Modelos.

Sesión 6. Interpretabilidad y Explicabilidad de Modelos.

Sesión 7. Introducción a la Metodología IFRS 9 y calibración PD.

Sesión 8. Calibración de LGD y EAD bajo IFRS 9.

Sesión 9. Modelos de Provisiones bajo IFRS 9.

Sesión 10. Caso Integrador Final.

CERTIFICACIÓN

Se otorgará a los participantes que aprueben satisfactoriamente las evaluaciones de los cursos.

Docentes

Docente

Sergio Díaz Paredes

Economista por la UNMSM, magíster en Estadística Aplicada por la UNALM y candidato a magíster en Ciencias de la Computación por la UNSA. Cuenta con certificaciones en ciencia de datos por IBM y especializaciones en Pricing Analytics y SQL por DMC Perú. Ha sido analista senior en LOS ANDES y Globokas Perú, aplicando modelos predictivos y herramientas estadísticas. Difusor de her

Enzo Infantes Zúñiga

MSc en Data Science por la Barcelona School of Economics y Licenciado en Economía y Finanzas por la UPC. Cuenta con experiencia en el desarrollo de modelos de machine learning y algoritmos avanzados para la toma de decisiones, aplicados a los sectores bancario, de telecomunicaciones y económico. Ha desarrollado y validado modelos de riesgo crediticio e IFRS 9 en BBVA e Interbank, alineados con estándares regulatorios locales, internacionales y de negocio.