Serie 02 · 8 módulos
Ciencia de Datos
Machine learning, estadística y modelación aplicados a problemas de crédito y riesgo — desde las trampas del EDA y la ingeniería de variables hasta backtesting, monitoreo, métodos bayesianos e inferencia causal.
- 01
EDA para datos financieros — Las trampas
Seis maneras en que los datos financieros hacen tropezar al análisis exploratorio: colas pesadas, sesgo de supervivencia, sesgo de anticipación (lookahead), cambios de régimen, faltantes que significan algo y minas ocultas en las zonas horarias.
- 02
Ingeniería de variables para crédito y riesgo
Razones, rezagos, ventanas móviles, variables de tendencia y codificación WOE — cómo los datos crudos de préstamos se vuelven alimento para el modelo sin fugar el futuro ni explotar en producción.
- 03
Series de tiempo para finanzas: estacionariedad, ARIMA, GARCH
Las tres ideas que mantienen honesto el trabajo con series de tiempo financieras: saber si tu serie revierte a la media, modelar niveles y volatilidad como problemas distintos, y nunca confiar en una R² sobre dos series con tendencia.
- 04
Métricas de clasificación bien hechas
AUC, Gini y KS son la misma familia; la accuracy miente siempre que los incumplimientos son raros; precision-recall es cómo se siente realmente el desbalance; y la calibración es una virtud aparte que tu métrica de ordenamiento no puede ver.
- 05
Backtesting y Validación Walk-Forward
La validación cruzada aleatoria entrena calladamente con el futuro. Este módulo cubre las alternativas honestas — esquemas walk-forward, purging y embargos para etiquetas traslapadas, y la aritmética de pruebas múltiples que hace que la mayoría de los backtests sean demasiado buenos para ser verdad.
- 06
ML en Producción para Riesgo: Monitoreo, Drift y Reentrenamiento
Un modelo de riesgo desplegado empieza a morir el día que sale a producción. Qué vigilar (PSI, tendencia del Gini, calibración, overrides), por qué el rezago de resultados del crédito te obliga a monitorear los insumos, y cómo reentrenar sin perseguir ruido.
- 07
Métodos Bayesianos para Riesgo
¿Qué haces con un portafolio de 300 créditos y cero incumplimientos? La estadística frecuentista se encoge de hombros; los métodos bayesianos responden. Priors como clases de referencia, la maquinaria beta-binomial y shrinkage entre segmentos.
- 08
Inferencia Causal en el Crédito
La predicción responde '¿quién va a incumplir?' La política pregunta '¿qué pasa si cambiamos la tasa, el límite, el punto de corte?' Confundir las dos es la manera en que los modelos de pura correlación te exhiben — en comité y frente a los reguladores.