Actuaría (plan 2015) 2021-1

Optativas, Seminario de Estadística I

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

1. ¿Qué es el aprendizaje estadístico?
2. Predicción e inferencia.
3. Tipos de aprendizaje.
4. Modelos paramétricos y no paramétricos.
5. Intercambio entre sesgo y varianza.
6. Regresión y clasificación.

Tema 2: Introducción al riesgo de crédito

1. Riesgo de crédito.
2. Crédito al consumo y la calificación crediticia.
3. Precios basados en riesgo de crédito.

Tema 3: Regresión lineal y logística

• Regresión lineal.

1. Estimación de parámetros.
2. Error Estándar, R cuadrada y estadística t.
3. Prueba F.
4. Diagnóstico y corrección de supuestos.
5. Valores extremos.
6. Multicolinealidad de variables independientes.

• Regresión logística.

1. El modelo logístico.
2. Weight of evidence e information value para seleccionar variables.
3. Estimación de los coeficientes.
4. Predicciones.
5. Validación.

Tema 4: Evaluación y selección de modelos

1. El problema del sobreajuste.
2. Conjuntos de entrenamiento, validación y prueba.
3. Validación cruzada.
4. Bootstrap.
5. KS, Gini y ROC.

Tema 5: Modelos de aprendizaje supervisado

1. K-vecinos más cercanos.
2. Árboles de decisión.
3. Análisis de discriminante lineal.
4. Bosques Aleatorios.
5. Redes Neuronales.
6. Máquinas de soporte vectorial.

Tema 6. Análisis exploratorio y visualización de datos.

1. Análisis univariado.
2. Análisis multivariado.
3. Medidas de correlación.
4. Correccion de dimensiones.
5. Pruebas de hipotesis.

Tema 7: Métodos de aprendizaje no supervisado

1. Análisis de componentes principales.
2. Análisis de conglomerados (clusters).
3. Reglas de asociación.

Tema 8: Problemas específicos

1. Balance de la distribución de la variable objetivo en un problema de clasificación.
2. Selección de variables.
3. Importancia de las variables.

Tema 9: Aplicaciones al riesgo de crédito

1. Calificación crediticia (credit scoring) y desarrollo de scorecards.
2. Cálculo de la probabilidad de incumplimiento (default probability).
3. Medidas de perdida (loss given default).
4. 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.