IFRS 9: Credit Risk Modeling 2.0
El programa más completo del mercado en modelización de riesgo de crédito bajo IFRS 9 —
combinando econometría rigurosa, machine learning, computación cuántica e inteligencia artificial generativa.
Contenido del Programa
- 🔵 Cluster 1 — Foundations & Data AnalyticsGratis
- 🟢 Cluster 2 — Machine Learning & Deep Learning$35
- 🟣 Cluster 3 — Quantum Computing & SICR$35
- 🟠 Cluster 4 — Probabilistic & Econometric PD$35
- 🟡 Cluster 5 — IFRS 9 Lifetime Modeling$35
- 🔴 Cluster 6 — AI Forecasting & Stress Testing$35
- 🤖 Cluster 7 — Generative AI for Credit Risk$35
Estructura del Programa
| Cluster | Título | Módulos clave | Acceso |
|---|---|---|---|
| C01 | Foundations & Data Analytics | EDA · Feature Engineering · Scorecard · Reject Inference | GRATIS |
| C02 | Machine Learning & Deep Learning | Random Forest · XGBoost · CNN · LSTM · GANs · SHAP · Validación AI | $35 USD |
| C03 | Quantum Computing & SICR | Qubits · QSVM · QNN · Tensor Networks · Quantum Lifetime PD · SICR | $35 USD |
| C04 | Probabilistic & Econometric PD | Bayesian PD · Cox Survival · MCMC · Calibración · LDP · GANs sintéticos | $35 USD |
| C05 | IFRS 9 Lifetime Modeling | Lifetime PD · LGD IFRS 9 · EAD/CCF · ECL Integrado · Validación ECL | $35 USD |
| C06 | AI Forecasting & Stress Testing | VAR · GARCH · LSTM Forecasting · CPV · EBA 2023 · Quantum MC | $35 USD |
| C07 | Generative AI for Credit Risk | Transformer · LLM · Embeddings · Prompt Engineering · GenAI ECL | $35 USD |
Resultados de Aprendizaje del Programa Completo
- Construir modelos PD, LGD y EAD bajo IFRS 9 con rigor regulatorio
- Implementar pipelines ECL completos con escenarios probability-weighted
- Aplicar ML/DL (XGBoost, CNN, LSTM) a credit scoring y provisiones
- Dominar técnicas de calibración: Platt, Isotonic, Nelson-Siegel, Vasicek
- Desarrollar modelos Bayesianos y probabilísticos para PD y LGD
- Implementar algoritmos cuánticos (QSVM, QNN) en riesgo crediticio
- Ejecutar stress testing bajo metodología EBA 2023 y Capital Impact
- Aplicar Generative AI (Transformers, LLM) a forecasting y reportes ECL
✦
Cluster 01
Foundations & Data Analytics
C01 · Introductorio–Intermedio · Módulos 1, 2, 6
Análisis Exploratorio, Feature Engineering y Proceso de Scorecard
GRATIS
Acceso libre · descargable
Las bases que el 90% de los analistas nunca aprende correctamente: desde la ingeniería de features con WOE/IV que maximiza el poder discriminante, hasta la construcción de scorecards de grado regulatorio con reject inference.
Exploratory Data Analysis (EDA) y fuentes de datos
Definición del target y horizonte temporal
Sampling: random, estratificado, rebalanceado
Outliers: Winsorizing, Trimming, Mahalanobis
Missing values: imputación multivariada
Oversampling: SMOTE y técnicas avanzadas
WOE, Information Value y selección de variables
Optimal binning: Equal Interval, Equal Freq, Chi²
Scorecard WOE, binario y continuo · Rescaling
Factor & Offset Analysis · Cut-off optimization
Reject Inference: Cut-off, Parceling, Fuzzy Augmentation
Ejercicios 1–6, 20: EDA, Feature Eng., Scorecard completo
🟢 Concepto Clave · Reject Inference
Corrección del Sesgo de Selección en Scorecards
Los modelos entrenados solo con aprobados subestiman la PD en perfiles de alto riesgo (sesgo MNAR). Tres técnicas corrigen este sesgo: Cut-off — asigna todos los rechazados como defaults, conservador; Parceling — asigna tasa de default proporcional al score band con factor de ajuste α; Fuzzy Augmentation — incorpora cada rechazo con pesos probabilísticos complementarios w=p̂ y w=1−p̂, evitando asignación binaria y preservando la incertidumbre.
Cluster 02
Machine Learning & Deep Learning
C02 · Intermedio–Avanzado · Módulos 3, 4, 5, 11
ML Supervisado, Deep Learning y Validación Avanzada de Modelos AI
$35 USD
o €35 EUR · por cluster
El arsenal completo de ML/DL que están implementando los bancos tier-1: desde Random Forest hasta GANs para generación sintética de datos, con SHAP interpretability regulatoria para cumplir EBA/BCE.
K-Means, PCA y modelos no supervisados
Random Forest, Bagging, Boosting, AdaBoost
Gradient Boosting Trees · XGBoost · SVM
Feedforward NN · Backpropagation · Activaciones
CNN para datos tabulares de crédito
RNN · LSTM · modelos bidireccionales
Generative Adversarial Networks (GANs)
Hyperparameter tuning: Grid, Random, Bayesian
SHAP: global & local explainability regulatoria
Diagnóstico: Accuracy, WeakSpot, Fairness, Robustness
Ejercicios 7–19, 28: ML y DL aplicados a scoring
Validación avanzada y comparativa de modelos AI
Cluster 03
Quantum Computing, Tensor Networks & SICR
C03 · Avanzado–Expert · Módulos 7, 8, 9, 21, 35
Algoritmos Cuánticos, Tensor Networks y SICR para IFRS 9
$35 USD
o €35 EUR · por cluster
Tecnología de frontera que posiciona al profesional 5 años adelante: Quantum SVM y Quantum Neural Networks aplicados a scoring, compresión de modelos con Tensor Networks, y la metodología SICR completa con optimización de thresholds.
Qubits, gates y circuitos cuánticos básicos
Quantum Fourier Transform · Deutsch Algorithm
Algoritmos híbridos quantum-clásico
Quantum SVM (QSVM) para credit scoring
Variational Quantum Classifier
Quantum Neural Networks · Quantum GAN
Tensor Networks en ML supervisado y no supervisado
Quantum Monte Carlo para Lifetime PD
SICR: criterios cuantitativos y cualitativos
Matrices de migración y modelos Roll Rate
Optimización de thresholds SICR con ROC
Ejercicios 21–25, 65, 97: Quantum y SICR
Cluster 04
Probabilistic & Econometric PD Models
C04 · Avanzado · Módulos 10, 12, 14, 15, 16, 17
Estimación y Calibración de PD: Econometría, Bayesian y Probabilistic ML
$35 USD
o €35 EUR · por cluster
La PD es el corazón del framework IFRS 9 — este cluster la domina de principio a fin: desde Logistic Regression con panel data hasta Gaussian Processes que cuantifican la incertidumbre de cada predicción, incluyendo PD para Low Default Portfolios.
Probabilistic ML: Gaussian, Markov, MCMC
Bayesian Logistic Regression y priors informativas
Gaussian Process Regression para PD
Bayesian Neural Networks · Bayesian Boosting
PD Logistic, Probit, Cox, Log-log, Panel Data
Survival ML: Random Forest, Cox XGBoost, DL
Calibración: Platt Scaling, Isotonic, Vasicek
Rating Philosophy: PIT vs TTC · Anchor Point
Low Default Portfolio (LDP): Pluto-Tasche, Bayesian
Generación datos sintéticos con GAN para LDP
Margen de Caución y conservadurismo regulatorio
Ejercicios 26–50: 22 ejercicios de PD y calibración
Cluster 05
IFRS 9 Lifetime Modeling
C05 · Avanzado · Módulos 18–27, 36, 37
Lifetime PD · LGD · EAD · ECL Integrado y Validación
$35 USD
o €35 EUR · por cluster
El núcleo técnico definitivo de IFRS 9: 12 módulos que cubren absolutamente todo desde matrices de transición hasta el ejercicio global integrador de ECL Lifetime para un portfolio consumer con validación backtesting completa.
Matrices de transición: cohort, duration, generadora
Calibración temporal: Levenberg-Marquardt
Lifetime PD: Vintage EMV, ASRF Matrix, Markov
Survival: Kaplan-Meier, Cox, Multi-State Markov
Calibración: Nelson-Siegel, Vasicek, Gamma Adj.
LGD IRB Retail: workout, downturn, descuento
ML LGD: Beta Reg., XGBoost, Deep Learning
LGD IFRS 9: PIT, FLI, colateral temporal
EAD/CCF: Fractional Response, SVM, Lifetime CCF
Prepago: Cox regression, modelo probabilidad conjunta
ECL Lifetime: 3 escenarios × 60 meses × stages
Validación ECL: backtesting A/E ratio, PSI, staging
🟠 Fórmula Central · ECL Lifetime
Expected Credit Loss — Formulación Completa IFRS 9
El ECL Lifetime probability-weighted integra tres parámetros PIT bajo múltiples escenarios macroeconómicos:
\[ECL_{LT} = \sum_{s} w_s \sum_{t=1}^{T} \frac{PD_s(t) \cdot LGD_s(t) \cdot EAD_s(t)}{(1+EIR)^t} \cdot S(t-1)\]
donde \(S(t-1) = \prod_{k=1}^{t-1}(1 - PD_s(k))\) es la tasa de supervivencia acumulada, \(w_s\) los pesos de escenario, y \(EIR\) el tipo de interés efectivo.
Cluster 06
AI Forecasting & Stress Testing
C06 · Avanzado · Módulos 30, 31, 32, 33, 34
Forecasting de PD/LGD con AI · Stress Testing Tradicional y ECL IFRS 9
$35 USD
o €35 EUR · por cluster
De 6 semanas a 2 días para el ejercicio de stress testing completo: VAR/GARCH, Credit Portfolio View, EBA 2023, y Quantum Monte Carlo con aceleración cuadrática sobre MC clásico.
VAR(p), ARCH, GARCH y modelos multivariados
VEC con cointegración de Johansen
LSTM, RNN Elman/Jordan para forecasting PD
Gaussian Process, BART, Bayesian SVM/NN
Credit Portfolio View — Wilson (1997)
Matrices de transición estresadas: Credit Cycle Index
LGD Downturn: Mixed Distribution Approach
Joint PD/LGD Stress: correlación positiva en recesión
ASRF y Creditmetrics para portfolios corporate
EBA Stress Testing 2023: stages, NPAs, CET1
Quantum Monte Carlo vs Classical MC (10,000× speedup)
Ejercicios 81–98: forecasting, ST tradicional, ECL ST
Cluster 07
Generative AI for Credit Risk
C07 · Expert · Módulo 38 · Ejercicios 100–111
LLMs, Transformers y Generative AI Aplicados a ECL IFRS 9
$35 USD
o €35 EUR · por cluster
La revolución de la GenAI aplicada a IFRS 9: desde arquitectura Transformer completa hasta el pipeline LLM→ECL que están explorando los bancos tier-1, con Prompt Engineering especializado en riesgo regulatorio.
Generative AI: GPT, text, code, imágenes, video
Arquitectura Transformer: Self-Attention, Multi-Head
Tokens, Embeddings, Positional Encoding
Open-Source vs Commercial LLMs · tipos y usos
Prompt Engineering: zero-shot, few-shot, CoT
Model adaptation: Fine-Tuning, LoRA, RAG
Embeddings para terminología crediticia (PCA 2D)
Transformer autoregresivo para forecasting Lifetime PD
LLM para análisis automatizado de resultados ECL
Tokenización de series financieras para modelos AR
RAG con IFRS 7/9 y guidelines EBA indexados
Ejercicios 100–111: embeddings, prompts, LLM, ECL
◆
Mapa de Competencias
Habilidades Desarrolladas por Cluster
| Competencia | Cluster | Herramienta principal | Nivel |
|---|---|---|---|
| EDA, Feature Engineering y Scorecard | C01 | Python / R / Excel | Introductorio |
| Reject Inference y sesgo de selección | C01 | Python · sklearn | Intermedio |
| ML supervisado: RF, XGBoost, SVM | C02 | scikit-learn | Intermedio |
| Deep Learning: CNN, LSTM, GANs | C02 | PyTorch · Keras | Avanzado |
| SHAP explainability y fairness regulatoria | C02 | shap · fairlearn | Avanzado |
| Quantum ML: QSVM, QNN, Tensor Networks | C03 | Qiskit · PennyLane | Expert |
| SICR: thresholds, ROC, migration matrices | C03 | Python / R | Avanzado |
| PD econométrica: Logistic, Cox, Panel Data | C04 | statsmodels · lifelines | Avanzado |
| Calibración PD: Platt, Isotonic, Nelson-Siegel | C04 | scipy · Python | Avanzado |
| Bayesian PD y Gaussian Process | C04 | PyMC · GPy | Expert |
| Lifetime PD/LGD/EAD bajo IFRS 9 | C05 | Python · R | Avanzado |
| ECL integrado: 3 escenarios, staging, A/E | C05 | Python full pipeline | Expert |
| Forecasting PD: LSTM, GP, BART | C06 | PyTorch · sklearn | Avanzado |
| Stress Testing: CPV, EBA 2023, Capital Impact | C06 | Python · R · Excel | Avanzado |
| Quantum MC para ECL y capital económico | C06 | Qiskit | Expert |
| Prompt Engineering para riesgo crediticio | C07 | Claude API / OpenAI | Intermedio |
| Transformer autoregresivo para Lifetime PD | C07 | PyTorch | Expert |
| LLM + RAG para reportes ECL IFRS 9 | C07 | ChromaDB · LangChain | Expert |
§
Estructura de Precios
Inversión en el Programa
Cluster individual
$35 USD
Acceso a un cluster: documento completo, código Python ejecutable en Colab, formulaciones LaTeX y datasets sintéticos
Programa completo
$210
Los 7 clusters (C02–C07) + C01 gratis. 38+ módulos · 111 ejercicios · 400+ páginas · ES/EN
Corporativo / Fintech
Custom
Licencia por equipo, adaptación al contexto institucional (SBS, SBIF, Basilea) e implementación in-house
¿Listo para comenzar?
El Cluster 1 es completamente gratuito — descárgalo y evalúa la calidad del programa antes de invertir.
✦
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.