Programa Ejecutivo · Quantitative Finance

Credit Scoring con IA Explicable:
Modelos, Fair Lending, Validación
y Documentación Regulatoria
para Fintech y Banca

Programa ejecutivo para construir, explicar, validar y documentar modelos de credit scoring con IA bajo estándares de fintech, banca y regulación moderna.

Autor: Victor Miranda · Quantitative Finance Expert · FRM · CFA

Esqueleto Estructural del Programa

§0. Visión General del Programa

Este programa integra la teoría de riesgo de crédito clásica con técnicas modernas de machine learning explicable, bajo el prisma de la regulación bancaria vigente (EU AI Act, Basilea IV, SR 11-7). Dirigido tanto a cuantitativos como a gestores de riesgo.

🟢 Definición — Propósito del Programa

Capacitar al participante para diseñar, construir, explicar, auditar y documentar modelos de credit scoring basados en IA, de forma que sean técnicamente sólidos, regulatoriamente defensibles y operativamente desplegables en entornos de banca y fintech.

5 Módulos principales

25 Lecciones estructuradas

10+ Notebooks Python

6+ Casos reales de industria

3 Marcos regulatorios cubiertos

🟠 Promesa Comercial del Programa

Etiquetas por tipo de contenido: Python / Código Teoría / Matemática Regulatorio Caso de Estudio

§1. Tabla Maestra de Contenidos

Módulo	Título	Lecciones	Foco Principal	Entregable
M1	Por qué el mercado necesita Credit Scoring con IA Explicable ahora	5	Contexto, regulación, mercado	Mapa regulatorio propio
M2	Modelos de Credit Scoring: de scorecards a XGBoost/ML	6	Modelado cuantitativo + Python	Scorecard + modelo ML funcional
M3	Explicabilidad aplicada: SHAP, LIME y reason codes	5	XAI técnico + comunicación	Dashboard de explicabilidad
M4	Fair Lending, sesgos y auditoría algorítmica	5	Fairness, bias, cumplimiento	Reporte de auditoría de sesgo
M5	Validación independiente, monitoreo y documentación regulatoria	6	Gobernanza, comité, supervisor	Expediente regulatorio completo

Por qué el mercado necesita Credit Scoring con IA Explicable ahora

Contexto regulatorio, de mercado y técnico que justifica este nuevo paradigma.

1.1 La crisis del modelo tradicional: límites del FICO, logit clásico y scorecard estático Teoría
1.2 El nuevo ecosistema crediticio: fintechs, BNPL, neobancos, lending platforms y banca regulada Caso
1.3 Marco regulatorio vigente: EU AI Act (alto riesgo), Basilea IV, SR 11-7, ECOA/FCRA, GDPR Regulatorio
1.4 Taxonomía del riesgo de modelo: riesgo de especificación, estimación, implementación y uso Teoría
1.5 Casos reales del mercado: Upstart, Zest AI, FICO XD, SAS — lecciones de despliegue Caso

🟠 Marco Conceptual Clave — Módulo 1

XAI: capacidad del modelo para producir justificaciones auditables de sus decisiones
Alto Riesgo (EU AI Act, Annex III): sistemas de IA que evalúan solvencia de personas naturales
SR 11-7 (Fed/OCC): estándar de gestión de riesgo de modelo en banca estadounidense
Model Risk: pérdida potencial por errores en el desarrollo, implementación o uso del modelo

\[ \text{Riesgo de Modelo} = f\!\left(\underbrace{\varepsilon_{\text{especificación}}}_{\text{forma funcional}},\; \underbrace{\varepsilon_{\text{estimación}}}_{\text{datos/overfitting}},\; \underbrace{\varepsilon_{\text{implementación}}}_{\text{código/deploy}},\; \underbrace{\varepsilon_{\text{uso}}}_{\text{aplicación incorrecta}}\right) \] Ecuación M1-1 — Descomposición del Riesgo de Modelo (SR 11-7)

Modelos de Credit Scoring: de scorecards a XGBoost / ML

Construcción cuantitativa completa: de la regresión logística al gradient boosting, con Python.

2.1 Fundamentos de PD, LGD y EAD: marco teórico, Basel II/III/IV y expected loss Teoría
2.2 Regresión logística y scorecards: WOE, IV, fine/coarse classing, binning óptimo Teoría
2.3 Implementación Python: scorecard clásico con sklearn, scipy y optbinning — notebook completo Python
2.4 Árboles de decisión, Random Forest y XGBoost/LightGBM aplicados a PD — teoría y tuning Teoría
2.5 Implementación Python: pipeline ML completo — feature engineering, CV, calibración, AUC/Gini/KS Python
2.6 Scorecards híbridos: combinar ML con scorecard interpretable — arquitectura champion/challenger Caso

🟢 Ecuaciones Fundamentales — Módulo 2

Las siguientes fórmulas constituyen el núcleo matemático del módulo y serán desarrolladas con código:

\[ \text{EL} = \text{PD} \times \text{LGD} \times \text{EAD} \] Ecuación M2-1 — Expected Loss (Basilea II, Art. 220)

\[ \text{Score} = \text{Offset} + \text{Factor} \cdot \ln\!\left(\frac{p}{1-p}\right), \quad \text{Factor} = \frac{\text{PDO}}{\ln(2)}, \quad \text{Offset} = \text{Base score} - \text{Factor}\cdot\ln(\text{Base odds}) \] Ecuación M2-2 — Transformación Score ↔ Odds (PDO: Points to Double Odds)

\[ \text{WOE}_i = \ln\!\left(\frac{\text{Distribution of Events}_i}{\text{Distribution of Non-Events}_i}\right), \quad \text{IV} = \sum_{i=1}^{n}\left(\text{DE}_i - \text{DNE}_i\right)\cdot\text{WOE}_i \] Ecuación M2-3 — Weight of Evidence e Information Value

\[ \hat{y} = \phi_0 + \sum_{i=1}^{p} \phi_i\,x_i, \quad \hat{F}(\mathbf{x}) = \sum_{m=1}^{M} \eta\, h_m(\mathbf{x}), \quad h_m = \arg\min_{h}\sum_{i}\ell\!\left(y_i,\, F_{m-1}(\mathbf{x}_i) + h(\mathbf{x}_i)\right) \] Ecuación M2-4 — Gradient Boosting: adición secuencial de árboles débiles (XGBoost/LightGBM)

Métrica	Fórmula	Umbral típico en crédito	Interpretación
AUC-ROC	\(\int_0^1 \text{TPR}\,d(\text{FPR})\)	> 0.70	Capacidad discriminante global
Gini	\(2 \cdot \text{AUC} - 1\)	> 0.40	Concentración de buenos/malos
KS Statistic	\(\max\|\text{CDF}_{\text{bad}} - \text{CDF}_{\text{good}}\|\)	> 0.30	Máxima separación de distribuciones
Brier Score	\(\frac{1}{n}\sum(y_i - \hat{p}_i)^2\)	< 0.15	Calibración probabilística
Log-Loss	\(-\frac{1}{n}\sum[y_i\ln\hat{p}_i + (1-y_i)\ln(1-\hat{p}_i)]\)	Minimizar	Penaliza predicciones erróneas con alta confianza

Explicabilidad Aplicada: SHAP, LIME y Reason Codes

De la caja negra a la decisión auditable: técnicas XAI para producción regulada.

3.1 Taxonomía de la explicabilidad: local vs. global, ante-hoc vs. post-hoc, modelo-agnóstica Teoría
3.2 SHAP (Shapley Additive Explanations): teoría de juegos cooperativos, axiomas y TreeSHAP Teoría
3.3 Implementación Python: SHAP plots — summary, waterfall, force, beeswarm, dependence plots Python
3.4 LIME (Local Interpretable Model-agnostic Explanations): perturbaciones, kernel y limitaciones Teoría
3.5 Reason codes regulatorios: generación automática, ECOA/FCRA adverse action notices, Python demo Regulatorio

🔵 Ejemplo — Flujo XAI en Producción

Un solicitante es rechazado por el modelo. El sistema genera automáticamente: (1) score de probabilidad de default, (2) top-3 reason codes en lenguaje de negocio, (3) SHAP waterfall chart para el expediente interno, (4) adverse action notice regulatoriamente válido bajo ECOA. Todo en una sola llamada al pipeline.

\[ \phi_i = \sum_{S \subseteq F \setminus \{i\}} \frac{|S|!\,(|F|-|S|-1)!}{|F|!} \left[\, f_{S \cup \{i\}}(x_{S\cup\{i\}}) - f_S(x_S) \,\right] \] Ecuación M3-1 — Shapley Value: contribución marginal de la variable \(i\) sobre todos los subconjuntos \(S\)

\[ \hat{f}(x) \approx g(x) = \phi_0 + \sum_{i=1}^{M} \phi_i\, z_i', \quad z_i' \in \{0,1\} \] Ecuación M3-2 — Modelo aditivo lineal de explicación SHAP (espacio de características simplificadas)

\[ \xi(x) = \arg\min_{g \in \mathcal{G}}\; \mathcal{L}(f, g, \pi_x) + \Omega(g), \quad \pi_x(z) = \exp\!\left(-\frac{D(x,z)^2}{\sigma^2}\right) \] Ecuación M3-3 — LIME: aproximación local ponderada por kernel de proximidad \(\pi_x\)

Fair Lending, Sesgos y Auditoría Algorítmica

Detección, medición y mitigación de sesgos discriminatorios en modelos crediticios con IA.

4.1 Marco legal de fair lending: ECOA, Fair Housing Act, CFPB, GDPR Art. 22 y EU AI Act Annex III Regulatorio
4.2 Taxonomía de sesgos: sesgo histórico, sesgo de representación, sesgo de proxy y sesgo de retroalimentación Teoría
4.3 Métricas de fairness: disparate impact, demographic parity, equalized odds, calibration across groups Teoría
4.4 Implementación Python: bias testing con Fairlearn, AIF360 y análisis de variables proxy Python
4.5 Reporte de auditoría algorítmica: estructura, evidencia, mitigación y documentación para supervisor Regulatorio

🟠 Teorema — Imposibilidad de Fairness Simultánea

No es posible satisfacer simultáneamente demographic parity, equalized odds y calibration cuando las tasas base de default difieren entre grupos protegidos (Chouldechova, 2017; Kleinberg et al., 2016). Este resultado define el espacio de trade-offs que todo modelo regulado debe documentar.

\[ \text{Disparate Impact Ratio} = \frac{P(\hat{Y}=1 \mid A=0)}{P(\hat{Y}=1 \mid A=1)} \geq 0.80 \] Ecuación M4-1 — Regla del 80%: umbral regulatorio EEOC/CFPB para disparate impact

\[ \text{Equalized Odds:}\quad P(\hat{Y}=1 \mid Y=y,\, A=0) = P(\hat{Y}=1 \mid Y=y,\, A=1), \quad y \in \{0,1\} \] Ecuación M4-2 — Equalized Odds: igualdad de TPR y FPR entre grupos protegidos

\[ \text{Demographic Parity Gap} = \left|P(\hat{Y}=1\mid A=0) - P(\hat{Y}=1\mid A=1)\right| \leq \delta \] Ecuación M4-3 — Demographic Parity Gap con umbral de tolerancia \(\delta\)

Métrica de Fairness	Definición Formal	Cuándo Aplica	Limitación Clave
Demographic Parity	\(P(\hat{Y}=1\|A=0)=P(\hat{Y}=1\|A=1)\)	Inclusión financiera	Ignora diferencias en tasas base
Equalized Odds	Igual TPR y FPR entre grupos	Crédito hipotecario regulado	Requiere ground truth conocido
Calibration	\(P(Y=1\|\hat{p},A)=\hat{p}\; \forall A\)	Pricing ajustado por riesgo	Incompatible con equalized odds
Counterfactual Fairness	\(\hat{Y}_{A\leftarrow a}=\hat{Y}_{A\leftarrow a'}\)	Auditoría causal profunda	Requiere modelo causal explícito

Validación Independiente, Monitoreo y Documentación Regulatoria

El cierre premium: del modelo a producción regulada, con expediente completo para comité y supervisor.

5.1 Principios de validación independiente: SR 11-7, BCBS 239, EBA Guidelines on Internal Models Regulatorio
5.2 Backtesting de modelos PD: pruebas de calibración, Hosmer-Lemeshow, Brier, Spiegelhalter Teoría
5.3 Estabilidad poblacional: PSI, CSI, drift detection — implementación Python con alertas automáticas Python
5.4 Arquitectura champion/challenger: metodología A/B, gates de aprobación, refit y versionado Caso
5.5 Documentación técnica del modelo: MRM template, Model Card, límites de uso y supuestos Regulatorio
5.6 Expediente regulatorio completo: estructura para comité de riesgos, auditor interno y supervisor bancario Regulatorio

🔵 Ejemplo — Estructura del Expediente Regulatorio (Model Documentation Package)

Sección 1: Propósito del modelo, alcance y limitaciones declaradas
Sección 2: Metodología, supuestos y justificación de elecciones de diseño
Sección 3: Datos utilizados: fuentes, calidad, ventanas temporales, imputaciones
Sección 4: Resultados de validación: backtesting, discriminación, calibración, estabilidad
Sección 5: Fairness audit: métricas de sesgo, resultados y plan de mitigación
Sección 6: Plan de monitoreo: frecuencia, métricas gatillo, responsable, escalamiento
Sección 7: Aprobación de comité y firma de validador independiente

\[ \text{PSI} = \sum_{i=1}^{n}\left(P_{\text{actual},i} - P_{\text{expected},i}\right) \cdot \ln\!\left(\frac{P_{\text{actual},i}}{P_{\text{expected},i}}\right) \] Ecuación M5-1 — Population Stability Index: PSI < 0.10 estable · 0.10–0.25 monitorear · > 0.25 rediseñar

\[ H = \sum_{g=1}^{G} \frac{(O_g - E_g)^2}{E_g(1-\bar{p}_g)} \;\sim\; \chi^2_{G-2} \] Ecuación M5-2 — Test de Hosmer-Lemeshow: calibración de PD por deciles de score

\[ Z_{\text{Spiegelhalter}} = \frac{\sum_i (y_i - \hat{p}_i)(1-2\hat{p}_i)} {\sqrt{\sum_i (1-2\hat{p}_i)^2\hat{p}_i(1-\hat{p}_i)}} \;\sim\; \mathcal{N}(0,1) \] Ecuación M5-3 — Test de Spiegelhalter: calibración PD bajo hipótesis nula de modelo correcto

Componente de Validación	Prueba / Métrica	Umbral de Alerta	Marco Regulatorio
Discriminación	AUC, Gini, KS	Degradación > 5pp vs. desarrollo	SR 11-7, EBA IMV
Calibración	Hosmer-Lemeshow, Spiegelhalter, Brier	\(p\)-value < 0.05	Basilea II/III IRBA
Estabilidad poblacional	PSI, CSI	PSI > 0.25	SR 11-7 §IV
Concentración	Índice de Gini de cartera, Herfindahl	Límites de concentración internos	BCBS 239, Pilar II
Fairness	Disparate Impact Ratio, Equalized Odds Gap	DI < 0.80	ECOA, EU AI Act

§2. Entregables del Participante

Al completar el programa, el participante habrá construido y documentado los siguientes entregables profesionales, directamente aplicables en entornos de producción:

Módulo	Entregable	Formato	Audiencia
M1	Mapa regulatorio contextualizado por jurisdicción	Documento ejecutivo	Comité de riesgos, Legal
M2	Scorecard clásico + modelo ML con métricas completas	Notebook Python + reporte	Data science, Quant Risk
M3	Dashboard de explicabilidad SHAP + reason codes automáticos	Notebook Python + demo	Compliance, Risk, Negocio
M4	Reporte de auditoría de sesgo y plan de mitigación	Documento regulatorio	Auditor, Supervisor, CFPB
M5	Expediente regulatorio completo (Model Documentation Package)	Documento de comité	Comité, Validador, Supervisor

Promesa Comercial del Programa

Al finalizar, el participante será capaz de diseñar un modelo de credit scoring con IA, explicar sus decisiones, evaluar sesgos, monitorear su desempeño y construir la documentación necesaria para auditoría, compliance y validación independiente. No estás adquiriendo un curso de machine learning. Estás adquiriendo la capacidad profesional de convertir modelos de IA en sistemas crediticios explicables, auditables y listos para producción regulada.

Credit Scoring con IA Explicable: Modelos, Fair Lending, Validación y Documentación Regulatoria para Fintech y Banca