Instituto BME BME: Bolsas y Mercados Españoles Contacto
Home / Cursos Corta Duración / Introducción a la programación en Python para la medición de riesgos financieros >
Introducción a la programación en Python para la medición de riesgos financieros
Introducción a la programación en Python para la medición de riesgos financieros
PRÓXIMAS
CONVOCATORIAS
Fechas:
---
Lugar:
---
Horario:
---
Duración:
24 horas
Precio:
800 €
  • Presentación
  • Dirigido A
  • Objetivo
  • Temario
  • Observaciones

La adecuada gestión del riesgo es una de las claves de la competitividad y éxito de las empresas, así como uno los elementos centrales en los nuevos marcos regulatorios en la industria financiera (Basilea III) y de seguros (Solvencia II). El objetivo de este curso es proporcionar a los participantes herramientas computacionales útiles para el análisismodelización cuantificación de estos riesgos

El enfoque del curso eseminentemente práctico. Está basado en la realización de ejercicios de simulación y modelización para riesgos de mercado, crédito y operacional.

¿Qué conocimientos previos son necesarios?

El curso es autocontenido: en él se introducen los conceptos de programación y  de finanzas necesarios para abordar los problemas de medición  de riesgos.

El curso se impartirá los días, 2, 9, 16 y 30 de marzo y el 6 y 13 de abril en horario de 18:00 a 22:00 horas.

El curso está dirigido a profesionalesen finanzas, relacionados con las áreas de tesorería, control de riesgos, auditoría y control interno que necesitenconocer las herramientas básicas para la medición de riesgos financieros utilizando el potente entorno de programación proporcionado por Python. También es útil para estudiantes, académicos e investigadores con interés en estos temas. 

El objetivo principal de este curso es la adquisición de los conocimientos y las destrezas necesarias para la medición de riesgos financieros utilizando Python como herramienta de programación. 

Tras haber finalizado el curso los participantes serán capaces de

  • Utilizar, comprender, adaptar e implementar algoritmos numéricos para la medición de riesgos financieros.
  • Formular y calibrar modelos para datos financieros.
  • Cuantificar bondad de los ajustes y, en su caso, la capacidad predictiva de los modelos.
  • Modelizar dependencias mediante cópulas. 
  • Generar números aleatorios con distintas distribuciones y caracterizarlos estadísticamente.
  • Simular procesos estocásticos (brownianos, procesos de Itô) para modelizar series temporales financieras.
  • Valorar productos derivados simples mediante Montecarlo, incluyendo técnicas de reducción de varianza.
  • Realizar simulaciones Montecarlo para la medición de riesgos financieros.
  • Estimar los valores de medidas de riesgo, como VaR y  ExpectedShortfall, a partir de estas simulaciones.
  • Calcular el capital regulatorio y capital económico para riesgo de mercado con distintos horizontes temporales utilizando modelos normales y no normales.
  • Calcular el capital regulatorio y capital económico para riesgo de crédito utilizando modelos de rating internos.
  • Calcular el capital regulatorio y capital económico para riesgo operativo utilizando modelos avanzados (LossDistributionApproach).

Sesión 2 de marzo [4 horas]: Introduccción a la programación en Python

1.1   Elementos de programación en Python

  • Uso del intérprete de Python
  • Conceptos de programación
    • Constantes y variables
    • Estructuras de repetición: for,range
    • Estructuras de control: if
    • Programación estructurada: definición de funciones
    • Estructuras de datos
  • Librerías
  • Gráficos
  • Algoritmos numéricos

 1.2   Algoritmos numéricos en finanzas

Sesión 9 de marzo  [4 horas]: Métodos Montecarlo para valoración

2.1   Probabilidad

  • pdf, cdf, inv
  • Valores esperados
  • Generación de números aleatorios
    • Método de la inversa
    • Método del rechazo
    • Métodos específicos: lognormal, t de Student, etc.

 2.2   Cuadraturas por Montecarlo

 2.3   Simulación por Montecarlo

  • Movimiento Browniano aritmético
  • Movimiento Browniano geométrico
  • Proceso de Itô

 2.4   Valoración de productos derivados mediante Montecarlo

  • Modelo de Black-Scholes
  • Valoración de opciones europeas
  • Valoración de opciones asiáticas

Sesión 16 de marzo [4 horas]: Modelos para pérdidas

 3.1   Calibración de modelos

  • Momentmatching
  • Máxima verosimilitud
  • Otros métodos de ajuste a datos

 3.2   Modelos en varias dimensiones

  • Medidas de dependencia
    • Coeficiente de correlación de Pearson
    • Coeficiente de correlación de Spearman
    • Tau de Kendall
    • Otras medidas de dependencia
    • Cópulas
      • Teorema de Sklar
      • Familias de cópulas
      • Ajuste de cópulas

 Sesión 30 de marzo [4 horas]: Riesgo de mercado

 4.1    Medidas de riesgo.

  • VaR
  • ExpectedShortfall

 4.2   Métodos para la medición del riesgo

  • Método delta normal
  • Método histórico
  • Método Montecarlo

 4.3   Validación de modelos

Sesión 6 de abril [4 horas]: Riesgo de crédito

 5.1   El riesgo de crédito en Basilea II: Internal ratings-basedapproach(IRB)

  • Probabilidad de incumplimiento  (PD: Probability of Default)
  • Exposición en el momento de incumplimiento (EAD: Exposure-at-default)
  • Pérdida en caso de incumplimiento (LGD: Lossgiven default)
  • Vencimiento (M: Maturity)

 5.2 Modelos estructurales para el riesgo de crédito: Modelo de Merton

 5.3   Credit rating

  • Estimación de PD
    • Regresión
    • Modelos logit y probit
    • Redes neuronales
    • Árboles de decisión
    • Capacidad predictiva del modelo: Curvas CAD / ROC
    • Segmentación de contrapartidas de acuerdo con su PD
    • Validación y backtesting

 5.4   Cálculo del capital económico / capital regulatorio

  • Internal ratings-basedapproach (Basilea II)
  • Modelo de Vasicek

Sesión 13 de abril [4 horas]: Riesgo operativo

 6.1   El riesgo operativo en Basilea II

 6.2   Modelos Avanzados: LossDistributionapproach

  • Modelos para la frecuencia de las pérdidas
  • Modelos para la severidad de las pérdidas
  • Estimación de la distribución de pérdidas agregada
    • Transformada de Fourier
    • Método Montecarlo
    • Medidas de riesgo: VaR / ExpectedShortfall operativo

 

¿Por qué en Python?

Python es un potente lenguaje de programación de alto nivel que permite diseñar aplicaciones  con gran rapidez y fiabilidad. Su sintaxissencilla, elegante y fácil de aprender hace posible el diseño de código claro, compacto y mantenible. Junto con Matlab y R, Python es uno de los lenguajes preferidos en finanzas cuantitativas. A diferencia de éstos, cuyo uso suele estar restringido al desarrollo de prototipos, Python es un lenguaje mucho más completo y potente, lo que posibilita el desarrollo de aplicaciones para producción.

 

 

Síguenos en:
FacebookTwitterSlideshareFlickrLinkedinYouTube
ContactoMapa webAviso LegalCookiesPago proveedores