Motor de Decisión Crediticia en Tiempo Real
Algorithmic Credit Pricing
Programa completo de 9 fases para diseñar, construir y operar un motor de crédito algorítmico
Marvicva Risk Technologies — Primera Edición 2026
✦
Descripción del Programa
Este programa es la primera oferta formativa integral en español dedicada al diseño e implementación completa de un motor de decisión crediticia en tiempo real con risk-based pricing algorítmico. Cubre desde la definición estratégica del apetito de riesgo institucional hasta el monitoreo continuo del sistema en producción, integrando los marcos normativos de la SBS Perú, Basilea III/IV y las mejores prácticas de Credit Risk Engineering para cooperativas, cajas municipales, financieras y fintechs.
Cada fase combina fundamentos matemáticos formales (PD, LGD, EAD, RAROC, UL, RWA), implementación ejecutable en Python y casos de estudio de instituciones financieras peruanas y latinoamericanas. Al completar el programa, el participante puede entregar un sistema de pricing crediticio funcionando en producción, desde el modelo hasta el deploy.
Competencias del Egresado
- Diseñar el Risk Appetite Framework de una institución financiera
- Construir y calibrar modelos de PD, LGD y EAD desde datos reales
- Implementar un motor de políticas con reglas KO y bandas de riesgo
- Calcular la tasa óptima por RAROC (Ec. mínima: fondeo + prima + capital)
- Desplegar el motor ACP como microservicio con FastAPI + Kafka + Docker
- Integrar buró de crédito (Infocorp/Sentinel) y datos alternativos
- Generar explicabilidad SHAP para decisiones regulatorias SBS
- Monitorear PSI, Gini, roll-rates y RORAC real vs. objetivo en producción
- Gestionar la validación independiente MRM del sistema completo
- Liderar la implementación con gestión del cambio institucional
◆
Índice de Fases
Tabla de Contenidos — Programa Completo
- Fase 0 — Definición Estratégica y FundamentosF00
- Fase 1 — Diagnóstico y DatosF01
- Fase 2 — Modelado de RiesgoF02
- Fase 3 — Motor de Políticas CrediticiasF03
- Fase 4 — Motor de Pricing (Risk-Based Pricing)F04
- Fase 5 — Arquitectura TecnológicaF05
- Fase 6 — Cumplimiento Regulatorio y ExplicabilidadF06
- Fase 7 — Monitoreo, Control y Mejora ContinuaF07
- Fase 8 — Implementación y Gestión del CambioF08
| Fase | Título | Nivel | Secciones | Acceso |
|---|---|---|---|---|
| F00 | Definición Estratégica y Fundamentos | Introductorio | 3 secciones · 12 temas | Incluido |
| F01 | Diagnóstico y Datos | Introductorio | 3 secciones · 13 temas | Programa |
| F02 | Modelado de Riesgo | Avanzado | 5 secciones · 19 temas | Programa |
| F03 | Motor de Políticas Crediticias | Intermedio | 3 secciones · 12 temas | Programa |
| F04 | Motor de Pricing — Risk-Based Pricing | Avanzado | 4 secciones · 16 temas | Programa |
| F05 | Arquitectura Tecnológica | Experto | 6 secciones · 24 temas | Programa |
| F06 | Cumplimiento Regulatorio y Explicabilidad | Intermedio | 3 secciones · 12 temas | Programa |
| F07 | Monitoreo, Control y Mejora Continua | Avanzado | 4 secciones · 16 temas | Programa |
| F08 | Implementación y Gestión del Cambio | Intermedio | 3 secciones · 12 temas | Programa |
| PROGRAMA COMPLETO — 9 Fases · 136 temas · Código Python ejecutable · Deploy incluido | 136 temas | Programa | ||
§
Fase 0
Definición Estratégica y Fundamentos
F00 · Introductorio · Base del proyecto — Módulo de acceso libre
Alineación Institucional, Apetito de Riesgo y Definición de Alcance
Gratis
Módulo de acceso libre
Los cimientos irrevocables del proyecto: sin una definición rigurosa del apetito de riesgo, los productos en scope y el gobierno del sistema, cualquier modelo técnico posterior carece de anclaje estratégico. Esta fase define el "qué" y el "para quién" antes del "cómo".
0.1 — Alineación Institucional
0.1.1 Definición del caso de negocio (Business Case)
0.1.2 Objetivos estratégicos SMART del proyecto
0.1.3 KPIs de éxito del sistema (Gini, RORAC, latencia, STP)
0.1.4 Stakeholders y estructura de gobierno (RACI)
0.2 — Apetito de Riesgo
0.2.1 Risk Appetite Framework (RAF) — 3 capas jerárquicas
0.2.2 Límites de tolerancia: mora, concentración, EL
0.2.3 Objetivos RORAC por banda de riesgo
0.2.4 Restricciones Basilea III/IV y capital regulatorio
0.3 — Productos, Segmentos y Canales
0.3.1 Productos crediticios en scope (consumo, nómina, PyME…)
0.3.2 Segmentación de clientes (relacional, thin file, alternativo)
0.3.3 Canales de originación (app, web, sucursal, API partners)
0.3.4 Geografías y regulaciones aplicables (SBS, SUGEF, SIB…)
🟢 Definición · 0.1
Risk Appetite Framework (RAF)
Marco formal que define la cantidad y tipo de riesgo que una institución está dispuesta
a asumir para alcanzar sus objetivos estratégicos. En el motor ACP, el RAF opera en
tres capas: (1) enunciado del Consejo (estratégico), (2)
límites de tolerancia por dimensión (mora, capital, concentración) y
(3) parámetros operativos del motor en tiempo real (cutoffs, tasas mínimas,
montos máximos por banda).
Fase 1
Diagnóstico y Datos
F01 · Introductorio · Fundamento de datos
Auditoría de Datos, Fuentes Externas y Gobierno de Información
Un modelo de crédito es tan bueno como los datos que lo alimentan. Esta fase ejecuta el inventario completo de fuentes internas y externas, identifica brechas críticas de información y establece el gobierno de datos que garantiza la trazabilidad regulatoria.
1.1 — Auditoría de Datos Existentes
1.1.1 Inventario de fuentes de datos internas disponibles
1.1.2 Calidad, completitud y profundidad histórica
1.1.3 Gaps de información críticos para el modelo
1.1.4 Datos de cartera histórica para entrenamiento
1.2 — Fuentes de Datos Externas
1.2.1 Burós de crédito: Infocorp, Sentinel — cobertura y API
1.2.2 Open Banking y APIs financieras
1.2.3 Datos alternativos: telco, e-commerce, gobierno
1.2.4 Proveedores de identidad y antifraude
1.2.5 Datos macroeconómicos y sectoriales
1.3 — Gobierno de Datos
1.3.1 Arquitectura de datos del proyecto (Data Strategy)
1.3.2 Privacidad y cumplimiento (Ley N° 29733 Perú / GDPR)
1.3.3 Consentimiento informado y uso de datos crediticios
1.3.4 Retención, calidad y linaje de datos
Fase 2
Modelado de Riesgo
F02 · Avanzado · Núcleo cuantitativo del sistema
Score Crediticio, Calibración PD, Modelos LGD/EAD y Bandas de Riesgo
El corazón matemático del motor: diseño, entrenamiento, calibración y validación de los modelos estadísticos que traducen el perfil del solicitante en una probabilidad de default calibrada, lista para alimentar el motor de pricing y políticas.
2.1 — Diseño del Score Crediticio
2.1.1 Definición del target (default a 30, 60, 90 días)
2.1.2 Ventana de observación y ventana de performance
2.1.3 Feature engineering: WoE, IV, transformaciones
2.1.4 Análisis de valor predictivo por fuente de datos
2.2 — Desarrollo del Modelo
2.2.1 Segmentación: thin file vs. full file, nuevo vs. recurrente
2.2.2 Algoritmos: scorecard, GBM, redes neuronales, ensemble
2.2.3 Entrenamiento, validación holdout y test fuera de tiempo
2.2.4 Métricas: AUC-ROC, KS, Gini, PSI, Brier Score
2.2.5 Análisis de sesgo e impacto dispar (fairness)
2.3 — Calibración de PD
2.3.1 Calibración isotónica (CalibratedClassifierCV)
2.3.2 PD through-the-cycle vs. point-in-time
2.3.3 Validación estadística de calibración (ECE, reliability diagram)
2.4 — Modelos Complementarios
2.4.1 Modelo de LGD por producto y tipo de garantía
2.4.2 Modelo de EAD (Exposure at Default)
2.4.3 Modelo de capacidad de pago (DTI estimado)
2.4.4 Modelo de fraude e identidad sintética
2.5 — Bandas de Riesgo
2.5.1 Definición de bandas A+/A/B/C/D por PD calibrada
2.5.2 Cortes de score (cutoffs) por banda
2.5.3 Caracterización de cada banda (perfil demográfico)
2.5.4 Políticas de aceptación/rechazo por banda
🟠 Principio Clave · 2.3
Calibración: del Score a la Probabilidad de Default
Un modelo GBM bien discriminante (Gini ≥ 0.55) puede estar sistemáticamente
mal calibrado: predecir PD = 3% cuando la tasa real observada es 8%.
La calibración isotónica corrige esta distorsión y es obligatoria antes de
alimentar el motor de pricing — una tasa calculada sobre una PD descalibrada
generará ofertas que destruyen RORAC o rechazan clientes rentables.
Fase 3
Motor de Políticas Crediticias
F03 · Intermedio · Lógica de negocio del motor
Árbol de Decisión, Políticas por Segmento y Gestión Dinámica del Apetito
El modelo estadístico dice "cuánto riesgo hay". Las políticas dicen "qué hacemos con ese riesgo". Esta fase diseña el árbol de decisión completo: reglas KO, aprobaciones automáticas, zona de revisión manual y los mecanismos de ajuste dinámico en tiempo real.
3.1 — Árbol de Decisión Crediticia
3.1.1 Reglas KO automáticas (fraude, lista negra, regulatorio)
3.1.2 Reglas de aprobación automática (Auto-Approve)
3.1.3 Zona de revisión manual y criterios de escalamiento
3.1.4 Lógica de excepciones y overrides documentados
3.2 — Políticas por Segmento y Producto
3.2.1 Monto máximo por banda, producto e ingreso
3.2.2 Plazo permitido por perfil de riesgo
3.2.3 Política de garantías requeridas
3.2.4 Límites de concentración (sector, región, empleador)
3.3 — Gestión Dinámica del Apetito
3.3.1 Parámetros del RAF como variables configurables en tiempo real
3.3.2 Mecanismos de apertura/cierre de bandas según objetivos
3.3.3 Alertas de concentración y disparadores automáticos
3.3.4 Proceso de aprobación de cambios de política
Fase 4
Motor de Pricing — Risk-Based Pricing
F04 · Avanzado · Núcleo financiero del sistema
Estructura de Tasa, RAROC, Motor de Oferta y Optimización del Pricing
La diferencia entre un motor de crédito y un motor de crédito rentable. Esta fase implementa el cálculo de la tasa óptima por RAROC, el monto máximo por capacidad de pago, el plazo sugerido por anualidad francesa y el menú de ofertas personalizado por perfil de riesgo.
4.1 — Estructura del Modelo de Pricing
4.1.1 Componentes de la tasa: fondeo, riesgo, operativo, margen
4.1.2 Cálculo de EL = PD × LGD × EAD
4.1.3 Capital económico (UL) y capital regulatorio (RWA/IRB)
4.1.4 Tasa mínima por banda — floor de rentabilidad RORAC
4.2 — Calibración al Mercado
4.2.1 Elasticidad precio-demanda por segmento
4.2.2 Benchmarking competitivo de tasas (SBS REPORTE)
4.2.3 Estrategia: líder en precio, diferenciada, relacional
4.2.4 Límites regulatorios de tasa máxima por producto
4.3 — Motor de Sugerencia de Oferta
4.3.1 Monto sugerido: capacidad de pago + multiplicador de banda
4.3.2 Plazo óptimo por anualidad francesa
4.3.3 Menú de ofertas: múltiples combinaciones monto-plazo-tasa
4.3.4 Contraoferta ante rechazo (oferta reducida viable)
4.4 — Optimización de la Oferta
4.4.1 Función objetivo: maximizar RORAC de la cartera
4.4.2 Restricciones: apetito de riesgo + regulatorio + competitivo
4.4.3 Personalización por comportamiento y relación del cliente
4.4.4 A/B testing framework para optimización continua
🔵 Las 3 Salidas Clave del Motor · 4.3
monto_aprobado · tasa_tea_pct · plazo_meses
El motor ACP produce exactamente tres outputs para cada solicitud aprobada:
(1) monto_aprobado — S/. máximo aprobable, calculado como el mínimo entre
el multiplicador de ingreso por banda, la capacidad de pago por DTI disponible y el monto
solicitado; (2) tasa_tea_pct — TEA óptima derivada del RAROC mínimo exigido
más el margen de banda; (3) plazo_meses — plazo mínimo que genera una cuota
mensual dentro de la capacidad de pago del cliente. Estos tres outputs constituyen la
oferta crediticia completa y trazable del sistema.
Fase 5
Arquitectura Tecnológica
F05 · Experto · Engineering del sistema en producción
Diseño Cloud-Native, Ingesta de Datos, MLOps, BRE y Seguridad
El blueprint tecnológico completo: cómo empaquetar los modelos y políticas en un sistema de producción escalable, resiliente y auditable. FastAPI, Kafka, Docker, PostgreSQL, Redis y GitHub Actions como pila tecnológica de referencia.
5.1 — Arquitectura General
5.1.1 Principios: real-time, escalabilidad, resiliencia, auditabilidad
5.1.2 Cloud nativo vs. on-premise vs. híbrido
5.1.3 Diagrama de arquitectura de referencia (FastAPI + Kafka)
5.1.4 Integración con core bancario
5.2 — Ingesta y Enriquecimiento
5.2.1 APIs de datos externos (buró, fraude, open banking)
5.2.2 Orquestador de llamadas en tiempo real
5.2.3 Caché Redis y estrategia de fallback
5.2.4 Normalización y enriquecimiento del perfil
5.3 — Scoring y MLOps
5.3.1 Model serving con FastAPI lifespan (carga única)
5.3.2 Versionamiento y despliegue de modelos (MLflow / joblib)
5.3.3 Latencia requerida: P95 < 500ms — SLAs del motor
5.3.4 Feature Store: variables en tiempo real e históricas
5.4 — Motor de Decisión y Reglas
5.4.1 Business Rules Engine (BRE): código vs. herramienta
5.4.2 Configuración de reglas sin código para el equipo de riesgo
5.4.3 Logging completo y trazabilidad — Kafka HMAC-SHA256
5.4.4 Gestión de versiones de políticas
5.5 — Pricing y Oferta
5.5.1 Microservicio de pricing en tiempo real
5.5.2 Configuración de parámetros por perfil
5.5.3 Motor de construcción y presentación de ofertas (Dash)
5.5.4 Integración con canales digitales
5.6 — Infraestructura y Seguridad
5.6.1 Seguridad de datos en tránsito y en reposo (TLS + AES)
5.6.2 Control de acceso IAM y autenticación OAuth2
5.6.3 Alta disponibilidad y recuperación ante fallos
5.6.4 CI/CD con GitHub Actions → Render.com / AWS
Fase 6
Cumplimiento Regulatorio y Explicabilidad
F06 · Intermedio · Regulatorio y XAI
Marco Normativo SBS, Explicabilidad SHAP y Validación Independiente MRM
Un motor técnicamente perfecto que no puede explicar sus decisiones al regulador ni al cliente no puede operar en producción. Esta fase integra los requisitos normativos en el diseño del sistema y construye la capa de explicabilidad que hace el motor auditable.
6.1 — Marco Regulatorio
6.1.1 Requisitos SBS: Res. N° 00053-2023 para modelos de crédito
6.1.2 Protección al consumidor financiero — razones de rechazo
6.1.3 Requisitos de reporte regulatorio sobre modelos ACP
6.1.4 Capital Basilea: impacto de las decisiones en RWA
6.2 — Explicabilidad del Modelo (XAI)
6.2.1 Razones de rechazo claras y regulatorias (top SHAP)
6.2.2 SHAP + LIME integrados en el pipeline de decisión
6.2.3 Comunicación al cliente: carta de rechazo normativa
6.2.4 Proceso de reclamación y revisión manual
6.3 — Validación Independiente (MRM)
6.3.1 Proceso de Model Risk Management para el motor ACP
6.3.2 Validación por área independiente de riesgo
6.3.3 Aprobación por Comité de Riesgos
6.3.4 Documentación técnica del modelo (Model Card)
Fase 7
Monitoreo, Control y Mejora Continua
F07 · Avanzado · Operación en producción
Performance de Modelos, Cartera Originada, Pricing Real vs. Esperado y Mejora
Un sistema ACP no termina cuando entra en producción: empieza. Esta fase diseña el ciclo completo de monitoreo — modelo, cartera y pricing — con alertas automáticas, reentrenamiento programado y el loop de retroalimentación que mejora el sistema con cada cosecha de datos.
7.1 — Performance de Modelos
7.1.1 Dashboard: PSI, CSI, KS y Gini en producción
7.1.2 Alertas automáticas de degradación del modelo
7.1.3 Calendario de revalidación y reentrenamiento
7.1.4 Protocolo de respuesta ante deterioro de modelo
7.2 — Cartera Originada
7.2.1 Mora temprana por banda y cosecha (vintage analysis)
7.2.2 Roll-rates y matrices de transición
7.2.3 Rentabilidad real vs. esperada por segmento
7.2.4 Concentración de riesgo vs. límites del RAF
7.3 — Monitoreo del Pricing
7.3.1 RORAC real vs. objetivo por banda y producto
7.3.2 Conversión por nivel de tasa ofrecida
7.3.3 Impacto del pricing en mix de calidad de cartera
7.3.4 Recalibración de componentes de tasa por experiencia real
7.4 — Mejora Continua
7.4.1 Ciclo datos → modelo → política → negocio
7.4.2 Nuevas fuentes de datos y variables predictivas
7.4.3 Champion/Challenger de modelos y políticas
7.4.4 Roadmap evolutivo del sistema ACP
Fase 8
Implementación y Gestión del Cambio
F08 · Intermedio · Despliegue institucional
Estrategia de Implementación, Capacitación y KPIs Post-Go-Live
El mejor sistema técnico fracasa si la institución no lo adopta. Esta fase diseña la estrategia de convivencia con el sistema legado, el plan de capacitación y los mecanismos de medición del éxito a 90, 180 y 365 días post-implementación.
8.1 — Estrategia de Implementación
8.1.1 Plan por fases: MVP → escala completa
8.1.2 Shadow mode y parallel run con sistema legado
8.1.3 Criterios de go-live y plan de rollback
8.1.4 Gestión de riesgos del proyecto
8.2 — Capacitación y Adopción
8.2.1 Capacitación al equipo de riesgo en el nuevo sistema
8.2.2 Capacitación a fuerza comercial en lógica de ofertas
8.2.3 Manual de operación del motor de decisión
8.2.4 Protocolo de excepciones e incidentes
8.3 — KPIs Post-Implementación
8.3.1 KPIs de negocio: aprobación, volumen, rentabilidad
8.3.2 KPIs de riesgo: mora real vs. pérdida esperada
8.3.3 KPIs de experiencia: tiempo de respuesta, NPS
8.3.4 Revisión post-implementación a 90 / 180 / 365 días
✦
Mapa de Dependencias
Secuencia y Prerequisitos del Programa
Diagrama de Dependencias — Motor de Decisión Crediticia ACP
FASE 0 (Estrategia)
└──► FASE 1 (Datos)
└──► FASE 2 (Modelos) ──────────────────────────────┐
└──► FASE 3 (Políticas) ────────────────────────── │
└──► FASE 4 (Pricing) ────────────────────┤
└──► FASE 5 (Arquitectura) ◄──┘
└──► FASE 6 (Regulatorio)
└──► FASE 7 (Monitoreo)
└──► FASE 8 (Implementación)
◆
Mapa de Competencias
Habilidades Desarrolladas por Fase
| Competencia | Fase(s) | Herramienta | Nivel |
|---|---|---|---|
| Diseño del Risk Appetite Framework (RAF) | F00 | Python · Excel | Introductorio |
| Auditoría de datos y gobierno de información | F01 | pandas · Great Expectations | Introductorio |
| Feature engineering: WoE, IV, transformaciones | F02 | Python · scikit-learn | Intermedio |
| Entrenamiento y calibración GBM (PD calibrada) | F02 | GBM · CalibratedClassifierCV | Avanzado |
| Modelos LGD, EAD y DTI estimado | F02 | Python · statsmodels | Avanzado |
| Reglas KO y árbol de decisión crediticia | F03 | Python · PolicyEngine | Intermedio |
| Cálculo RORAC y tasa mínima por banda | F04 | Python · ACPPricingEngine | Avanzado |
| Capital económico Basilea III (UL, RWA IRB) | F04 | Python · scipy · numpy | Experto |
| Microservicios con FastAPI async + Pydantic v2 | F05 | FastAPI · uvicorn | Avanzado |
| Audit Log inmutable con Kafka + HMAC-SHA256 | F05 | aiokafka · Upstash | Experto |
| Containerización Docker + CI/CD GitHub Actions | F05 | Docker · Render.com | Avanzado |
| Explicabilidad SHAP y razones de rechazo SBS | F06 | shap · LIME | Avanzado |
| Monitoreo PSI, KS en producción + alertas | F07 | Python · Dash · Plotly | Intermedio |
| Vintage analysis y roll-rates de cartera | F07 | Python · pandas | Avanzado |
| Plan de implementación y gestión del cambio | F08 | — | Intermedio |
§
Sobre el Autor
🔵 Autor del Programa
Víctor Miranda — Quantitative Finance Expert
Econometrista con Maestría en Econometría y Ciencia de Datos. Especialista en riesgo de modelo,
arquitectura de microservicios financieros y soluciones de crédito para mercados emergentes.
Fundador de Marvicva Risk Technologies, empresa peruana con 10 años de trayectoria en
soluciones cuantitativas para el sistema financiero peruano y latinoamericano. Ha trabajado
en proyectos de IoT industrial naval (Fincantieri NXT) y plataformas SaaS de riesgo crediticio
para cooperativas, cajas municipales y fintechs. Combina rigor matemático con implementación
práctica en Python, ASP.NET Core y arquitecturas cloud-native.