DÍA 1
Miércoles, 24 Agosto 2022
Objetivo:
Conocer, a través de ejemplos reales, las técnicas principales del análisis geoespacial enfocadas en la cobranza, así como sus aplicaciones, alcances y límites
Descripción:
Actualmente vivimos en un mundo cada vez más orientado hacia los datos, los cuales tienen un valor estratégico no solo por sus características intrínsecas sino también debido a su ubicación. La analítica geoespacial consiste en la generación, manejo y análisis de cantidades masivas de información ubicándola en el espacio geográfico con el objetivo de identificar problemas, monitorear cambios, definir prioridades, detectar tendencias y realizar predicciones. En esta plática conoceremos las principales técnicas que se utilizan en esta disciplina a través de ejemplos enfocados en la cobranza.
TEMARIO:
1. ¿Qué es la analítica geoespacial?
2. Panorama tecnológico
3. Técnicas de analítica geoespacial y sus aplicaciones
A) Geocodificación
B) Mapas de calor
C) Clustering espacial
D) Distancia al hub más cercano
4.-Conclusiones
Descripción del curso:
En este taller práctico de 10 horas te enseñamos cómo construir sobre Excel un
modelo simple y entendible de acuerdo con el estándar de medición avanzado de
Basilea III.
Se analiza y cuantifica los riesgos de eventos operacionales para una institución
bancaria o financiera, se estructuran las distribuciones para ejecutar una simulación
Monte Carlo sobre Excel con DTSimulator. No se ocupa más software que el Excel y
una descarga gratuita del DTSimulator.
La técnica de simulación Monte Carlo constituye el núcleo de todo este curso.
Es la metodología que se utiliza para darle vida al análisis cuantitativo. Todo se
realizará con libros de trabajo cargados con macros de Excel que es lo que provee
DTSimulator. Se enseña cómo estructurar el modelo, ejecutar la simulación,
interpretar la información resultante, tomar decisiones y valorar estrategias de
mitigación de riesgos.
Con este curso, esperamos derribar mitos sobre el análisis de riesgos cuantitativos.
Usando software sencillo encima de Excel, con aplicaciones codificadas con macros,
es posible construir un modelo introductorio de gestión de riesgos cuantitativos
según el estándar Avanzado propuesto por Basilea.
Por otra parte, esperamos también haber justificado por qué no recomendamos el
análisis de riesgos cualitativos dadas las enormes limitaciones y debilidades de esta
mal llamada “metodología” de mapas de calor.
TEMARIO:
PRESENTACIÓN DEL CURSO E INTRODUCCIÓN
Objetivos del curso. El registro de riesgos. Mapas de calor: porqué no sirven.
Análisis de riesgos cuantitativo. Comprendiendo la simulación Monte Carlo.
CREACIÓN DEL REGISTRO DE RIESGOS
Comprendiendo los componentes de frecuencia y severidad en un modelo
cuantitativo de registros de riesgo. Estructuración completa del modelo cuantitativo.
EJECUTANDO LA SIMULACIÓN MONTE CARLO E INTERPRETACIÓN DE RESULTADOS
Pasos para la ejecución de la simulación Monte Carlo. Interpretando histogramas,
curvas S, tornados y gráficos de dispersión y tabla de datos.
CONVERGENCIA, GRÁFICOS Y OTROS
Cuántas iteraciones ejecutar en una simulación (convergencia), escogencia
de distribuciones. Repaso de funciones de frecuencia y severidad, repaso de
interpretación de gráficos.
ESTRATEGIAS DE MITIGACIÓN Y CONCLUSIONES
Una vez determinados los riesgos más significativos, procedemos a evaluar
estrategias de mitigación alternativas, sus costos, sus disyuntivas y la forma correcta
de analizarlas. Comparación de alternativas de software: DTSimulator, @RISK,
IziRisk.
TEMARIO:
The Current State of the Equity and Commodity Markets — The “Message from
Markets”
1. Measuring Nervousness/Uncertainty of Equity and Commodity Markets
2. The Crude-Oil Markets
- Level and Slope of Crude-Oil Futures Markets
- Impact of Economic/Financial/Geopolitical Events on Implied Volatilities in
the Crude-Oil Market
3. Impact of Seasonality on Global NatGas Markets
4. Future Inflation Rates
- Quantifying Future Inflation Rates
- Energy Prices and Inflationary Pressures
5. The Refining Spread and Retail Gasoline Prices
6. The Domestic NatGas Market: The Impact of Seasonality
7. The March/April 2007 Futures Contracts
Overview of Risk Management
1. Fundamentals of Forwards and Futures Contracts: Definition, Payoff Diagram,
Pricing by Arbitrage
2. Forward/Futures Prices and Forecast Prices
3. Risk-Management from a Corporate Perspective:
4. Commodity Swaps
Case Study I: “Characterizing the Hedging Policies of Commodity Price-Sensitive
Corporations”
Option Pricing
1. Payoffs and Put-Call Parity
2. Black-Scholes Formula
3. Option “Sensitivities” (the “Greeks”); Delta and Gamma
4. The Binomial Model and the Valuation of American-Style Options
Case Study II: Valuation of Power Plants
Case Study III: Valuation of Oil Fields as Optimal Exercise of the Extraction Option
Estimating the Price Process in Energy Markets
1. Historical Volatility; The Term Structure of Volatility (TSOV)
2. Estimating Volatility from Market Prices of Options in Energy Markets
3. Historical or Implied Vols?
4. Estimating a Mean-Reverting Process
5. Characterizing the Volatility “Surface” Across Time and Strike
6. Jump-Diffusion Process
7. The Need to Extrapolate in Energy Finance: Valuation of Long-Dated Real
Assets and Financial Structured Products; Extrapolating Crude-Oil Prices;
Extrapolating Natural-Gas Prices; Extrapolating the Term Structure of Volatilities
(TSOV); Extrapolating Correlations
8. VAR and CVAR (Credit Value-at-Risk) in the Energy Industry
Energy Derivative Products: The Role of Structuring, Calibration, Valuation and
Hedging in Profitable Market-Making
1. Commercial Structured Products
2. Categorizing derivative products: option collars, average options, spread options,
swing options, weather derivatives, commodity-linked bonds; “Swing” Options;
Weather Derivatives
3. Structuring and valuing option collars
4. Structuring and valuing average (Asian) options
5. Example of calibration: Using vanilla options to determine the value of volatility
for valuation of average options
6. Non-Commercial Structured Products
Case Study IV: MW Petroleum Case (risk sharing; valuation of average-style options)
Case Study V: Hedging the Price Exposure of an International Air Carrier
TEMARIO:
1. Introducción
1.1. Precio único en los derivados OTC
1.2. Origen del CVA, DVA y FVA
1.3. Conceptos y definiciones
1.4. Riesgo de mercado, riesgos de contraparte y riesgo de crédito
2. Los comienzos
2.1. La necesidad de implementar la mesa de XVA
2.2. Carteras de replicación
2.3. Crisis del 2007-2008
2.4. Nacimiento y evolución del XVA
3. Componentes del CVA
3.1. Exposición Esperada (EE)
3.1.1. Modelos y simulación
3.1.2. Algunos puntos sobre mitigantes de exposición
3.2. EE y efecto portfolio
3.2.1. Efecto neteo
3.2.2. Efecto de la correlación
3.2.3. Efecto de la volatilidad
3.3. Elementos de la probabilidad de “default”
3.3.1. Perfiles y curvas de probabilidad
3.3.2. Curvas Proxy Latam
3.4. Recovery
3.4.1. Efecto del Recovery en el CVA
4. Ajuste a la valoración por crédito (CVA)
4.1. Medición de riesgos vía griegas (introducción)
4.2. Tipos de Gestión del CVA
5. El DVA/FVA y su estimación
5.1. Definiciones
5.2. Modelo de estimación
5.3. Funding contra riesgo de crédito
5.4. Duplicidad del DVA y el FVA
6. Cotización y Pricing
6.1. Elementos que intervienen en el cálculo del CVA
6.2. Probabilidades de “default”
6.3. Modelos de cálculo del Crédito y Funding
6.4. Riesgo de correlación adversa (WWR)
6.5. Efecto cartera. CVA marginal y CVA incremental, CVA allocation
6.6. Riesgo bilateral
6.7. Procedimiento y arquitectura general para la cotización del XVA
6.8. Normativa y regulación: Basilea
7. Introducción a las nuevas tendencias y nuevos ajustes
7.1. Por capital regulatorio (KVA)
7.2. Por eventos de crédito y cancelaciones anticipadas (RVA)
7.3. Por impuestos
7.4. Por colaterales (CollVA)
7.5. Por condiciones ambientales, sociales y gobierno corporativo (GreenVA)
TEMARIO:
1. Concientización sobre el Riesgo de Fraudes
2. Responsabilidades empresariales respecto al fraude
3. Fraude: a qué nos enfrentamos
4. Tipologías y métodos de fraudes en las instituciones financieras
5. Combatiendo y controlando el fraude
6. Historia y tendencias del fraude
7. Consecuencias directas e indirectas del fraude
12
Page 1 of 2
Connect with Us
Etiquetas
Abraham Izquierdo Administración y Operación Algorithmic & High Frequency Trading Strategies and Factor Models Andrés Corona and test set Asset & Liability Management Behavioral Economics and the Bias of Risk Big Data in High-Frequency Trading Building and Managing a Hedge Fund Carlos Vallebueno Data Science & Machine Learning with Julia High Performance Computing Edward Altman Equity and Oil Markets Evaluación de suficiencia de Capital sobre escenarios regulatorios Fabio Mercurio Family Offices: Construcción Gabriele Sabato Giovanni Negrete IFRS 9 & CECL: Quantitative Techniques in Credit Risk Management & Regulation IFRS 9: Global and Local View John Hull Life After LIBOR: The Birth of New Rate Benchmarks Luis Seco Marco Avellaneda Marcos López de Prado Marshall Alphonso Maurilio Patiño Nature of machine learning. Use of training set Oil Markets in 2020: The Implications of Prices Portfolio Construction Using Data Science Python Quantitative Asset Allocation: Modern Portfolio Theory Quantitative Model Governance & Explainability in Banking Risk Budgeting Rubén Haro Scam Me If You Can The xVA Challenge Tom Hardin Trading Strategies with Machine Learning and AI Trading Volatility in the Real World UAIR: Unidad de Administración Integral de Riesgos (Conformación y Administración) validation set Valuation for Financial Engineering Volatilities and Correlations
POWERED BY
