Actuaría (plan 2015) 2021-1
Optativas, Seminario de Estadística I
Grupo 9266, 60 lugares. 4 alumnos.
Aprendizaje Estadístico para Riesgo Crediticio
Las clases se realizarán en: http://meet.google.com/qhi-tkrp-erx
Pueden tomar los cursos de R en: http://datacamp.com
Modalidad: Este curso se realizará totalmente en línea y la plataforma está por definirse, la herramienta auxiliar será Slack donde se publicarán tareas/ejercicios/notas y donde se mantendrá la comunicación del grupo.
Objetivo General: Utilizar y conocer lo modelos para el aprendizaje estadístico más utilizados, enfocado en aplicaciones de riesgo de crédito, considerando sus fundamentos matemáticos, y su uso con el software estadístico R.
Objetivos específicos:
-
Dar a conocer qué es el aprendizaje estadístico
-
Entender los diversos métodos utilizados en el aprendizaje estadístico tanto supervisado como no supervisado.
-
Evaluar y seleccionar el mejor modelo dependiendo del problema específico.
-
Detectar y corregir los principales problemas que afectan el desempeño de un modelo y aprender las mejores prácticas.
-
Conocer los principios del riesgo de crédito.
-
Aprender las aplicaciones del aprendizaje estadístico para el riesgo de crédito (credit score o calificación crediticia).
Tema 1: Introducción al aprendizaje estadístico
-
¿Qué es el aprendizaje estadístico?
-
Predicción e inferencia.
-
Tipos de aprendizaje.
-
Modelos paramétricos y no paramétricos.
-
Intercambio entre sesgo y varianza.
-
Regresión y clasificación.
Tema 2: Introducción al riesgo de crédito
-
Riesgo de crédito.
-
Crédito al consumo y la calificación crediticia.
-
Precios basados en riesgo de crédito.
Tema 3: Regresión lineal y logística
-
Estimación de parámetros.
-
Error Estándar, R cuadrada y estadística t.
-
Prueba F.
-
Diagnóstico y corrección de supuestos.
-
Valores extremos.
-
Multicolinealidad de variables independientes.
-
El modelo logístico.
-
Weight of evidence e information value para seleccionar variables.
-
Estimación de los coeficientes.
-
Predicciones.
-
Validación.
Tema 4: Evaluación y selección de modelos
-
El problema del sobreajuste.
-
Conjuntos de entrenamiento, validación y prueba.
-
Validación cruzada.
-
Bootstrap.
-
KS, Gini y ROC.
Tema 5: Modelos de aprendizaje supervisado
-
K-vecinos más cercanos.
-
Árboles de decisión.
-
Análisis de discriminante lineal.
-
Bosques Aleatorios.
-
Redes Neuronales.
-
Máquinas de soporte vectorial.
Tema 6. Análisis exploratorio y visualización de datos.
-
Análisis univariado.
-
Análisis multivariado.
-
Medidas de correlación.
-
Correccion de dimensiones.
-
Pruebas de hipotesis.
Tema 7: Métodos de aprendizaje no supervisado
-
Análisis de componentes principales.
-
Análisis de conglomerados (clusters).
-
Reglas de asociación.
Tema 8: Problemas específicos
-
Balance de la distribución de la variable objetivo en un problema de clasificación.
-
Selección de variables.
-
Importancia de las variables.
Tema 9: Aplicaciones al riesgo de crédito
-
Calificación crediticia (credit scoring) y desarrollo de scorecards.
-
Cálculo de la probabilidad de incumplimiento (default probability).
-
Medidas de perdida (loss given default).
-
Pruebas de estrés.
Evaluación:
-
Exámen semanal (20%)
-
Tareas (20%)
-
Proyecto Intermedio (30%)*
-
Proyecto Final (30%)*
-
Miscelánea (10%). Actividades y/o tareas adicionales que surjan durante el curso.
*Se deberán exponer ambos proyectos.
Bibliografía:
Aprendizaje Estadístico
-
G James, D. Witten, T, Hastie and R. Tibshirani (2015). An Introduction to Statistical Learning with applications in R. Springer.
-
T, Hastie, R. Tibshirani and J. Friedman (2017). The Elements of Statistical Learning. Springer.
-
M. Kuhn & K. Johnson (2016). Applied Predictive Modelling. Springer.
-
G. Schmueli & P. Bruce (2018). Data Mining for Business Analytics. Wiley.
-
S. J. Sheather. (2009). A Modern Approach to Regression with R. Springer
-
E. W. Frees (2010). Regression Modeling with Actuarial and Financial Applications. Cambridge.
Riesgo de Crédito
-
Thomas, L. Edelman, D.B., and Crook, J.N. (2002). Credit scoring and its applications. Monographs on mathematical modeling and computation
-
N. Siddiqi (2006). Credit Risk Scorecards. Developing and Implementing Intelligent Credit Scoring. John Wiley & Sons Inc.
-
B. Baesens, D. Rösch & H. Scheule (2016). Credit Risk Analytics. Wiley
-
Thomas, L. (2009). Consumer Credit Models: Pricing profit and portfolios. Oxford University Press.