Forecasting y Modelado de Riesgo Financiero con Stata

Fundamentos avanzados de series temporales financieras

• Tipos de series: estacionarias, no estacionarias, de alta frecuencia.
• Identificación de patrones bancarios: tendencias, estacionalidad, shocks.
• Transformaciones financieras: rendimientos logarítmicos, diferenciales, volatilidad.

Modelos ARIMA y SARIMA aplicados al sistema financiero

• Selección del orden óptimo con correlogramas, ACF/PACF.
• Construcción de modelos ARIMA para predicción de precios, tasas y volumen transaccional.
• Modelos SARIMA para series con estacionalidad marcada (ej.: depósitos, consumo mensual).
• Validación y comparación de modelos: MAE, RMSE, MAPE, criterios AIC/BIC.

Modelos de Volatilidad Financiera: ARCH, GARCH, EGARCH y TGARCH

• Identificación de clustering de volatilidad en mercados y riesgos bancarios
• Estimación de modelos ARCH/GARCH en Stata para activos, tasas o carteras.
• Modelos asimétricos (EGARCH/TGARCH) para escenarios con shocks económicos fuertes.
• Aplicación a:
  • Riesgo cambiario (tipo de cambio).
  • Riesgo de mercado de carteras de inversión.
  • Fluctuación de tasas activas y pasivas.

Series de Tiempo para Riesgos Bancarios

• Construcción de series históricas de morosidad, PD, severidad y recuperación.
• Modelos dinámicos para estimar el comportamiento futuro de la cartera.
• Predicción de demanda de créditos y depósitos por zona, segmento o tipo de producto.
• Identificación de puntos de quiebre y alertas de deterioro financiero.

Pronósticos Macroeconómicos con Series Temporales

• Modelación de inflación, PBI, empleo y sus efectos en la banca.
• Pronóstico del tipo de cambio usando modelos multivariados.
• Escenarios alternativos:
  • Escenario conservador.
  • Escenario stress.
  • Escenario optimista.

Los estudiantes aprenden cómo traducir pronósticos macro en impactos para provisiones, tasas y decisiones comerciales.

Casos Reales Aplicados con Stata

Caso 1: Predicción de cartera atrasada en microfinanzas.
Caso 2: Proyección de depósitos y captaciones para planificación de tesorería.
Caso 3: Pronóstico de tipos de cambio y tasas activas-pasivas.
Caso 4: Modelo GARCH para volatilidad diaria del mercado cambiario.
Caso 5: Series de tiempo para detectar anomalías en datos mensuales del sistema financiero.

Fundamentos y Preparación de Datos Financieros en R

• Introducción a R, RStudio, RMarkdown y proyectos financieros reproducibles.
• Importación de grandes volúmenes de datos bancarios (CSV, SQL, Excel, APIs).
• Limpieza avanzada de datos: outliers, datos faltantes, imputación y estandarización.
• Transformación financiera: flujos de caja, tasas, días de mora, scoring variables.
• Construcción de datasets maestros (clientes, créditos, depósitos, transacciones).

Visualización Financiera Avanzada con ggplot2

• Gráficos ejecutivos para Riesgos, Créditos y Finanzas.
• Series temporales financieras: tasas, morosidad, depósitos, demanda crediticia.
• Visualización de carteras: composición, aging, buckets, curvas de morosidad.
• Mapas de calor de riesgo y comportamiento de clientes.
• Dashboards ejecutivos con R + Flexdashboard + Plotly.

Modelos Predictivos en R para la Industria Financiera

• Regresión lineal y múltiple para proyecciones financieras.
• Regresión logística para probabilidad de incumplimiento (PD).
• Árboles de decisión, Random Forest, Gradient Boosting (GBM).
• Evaluación de modelos: ROC, AUC, KS, Lift, matriz de confusión.

✔ Enfoques 100% aplicados a la banca:

• Construcción de un modelo de scoring crediticio.
• Predicción de churn bancario (clientes que abandonan el banco).
• Modelos de riesgo operativo y alertas de anomalías.
• Segmentación y predicción de comportamiento de depósitos y consumos.

Segmentación y Modelos No Supervisados

• K-Means para clustering de clientes por riesgo y rentabilidad.
• Cluster jerárquico aplicado a cartera de créditos.
• Segmentación para estrategias de pricing, retención y cross-selling.
• Análisis de patrones transaccionales para identificar actividades sospechosas.

Desarrollo de Aplicaciones Financieras Interactivas con Shiny

• Introducción a Shiny para analistas financieros.
• Construcción de dashboards interactivos para riesgo y morosidad.
• App para seguimiento de cartera: aging, PD, provisiones y riesgo esperado.
• App de análisis de depósitos y flujos transaccionales.
• Publicación de aplicaciones internas (ShinyApps, servidores corporativos)

Casos Reales Aplicados a Banca y Finanzas

Scoring crediticio
Construcción completa de un modelo PD desde cero.
Ajuste, validación, estabilidad y reportes regulatorios.
✔ Churn bancario
Identificación temprana de clientes que podrían abandonar.
Segmentación de riesgo y estrategias de retención.
✔ Segmentación de clientes
Definición de perfiles financieros: rentables, transaccionales, de alto riesgo.
✔ Alertas transaccionales
Detección de operaciones inusuales (comportamiento pre-fraude).
Modelos de anomalías con clustering y técnicas estadísticas.