ECL a 12 meses y lifetime
Calcular pérdidas esperadas por operación o segmento combinando probabilidad de default, exposición y severidad bajo el horizonte correspondiente.
AcademiaBayesConstruye un motor reproducible de pérdida esperada que conecte datos, PD, LGD, EAD, staging y escenarios con resultados explicables.
Sin pago ni compromiso. Te avisaremos antes de abrir las inscripciones.
Cadena de cálculo
Datos y escenarios
Cartera, comportamiento y variables macroeconómicas.
Componentes del riesgo
PD, LGD, EAD, staging y horizonte.
Pérdida esperada
ECL, validaciones, conciliación y evidencia.
Cada resultado debe poder rastrearse hasta sus datos, supuestos, escenarios y versión de cálculo.
Apertura
Fecha por anunciar
Modalidad
Online en vivo
Objetivo
Motor ECL reproducible en Python
Aplicaciones
El curso conectará los componentes técnicos del riesgo con un cálculo que pueda reproducirse, revisarse y documentarse.
Calcular pérdidas esperadas por operación o segmento combinando probabilidad de default, exposición y severidad bajo el horizonte correspondiente.
Definir reglas de Stage 1, 2 y 3, evaluar aumentos significativos del riesgo y explicar los movimientos de cartera entre etapas.
Incorporar escenarios prospectivos, ponderaciones y sensibilidad sin perder trazabilidad sobre supuestos y versiones.
Comparar estimaciones con resultados observados, justificar ajustes expertos y reconciliar el cálculo desde la fuente hasta el reporte.
Contenido previsto
Una ruta aplicada para estimar, integrar, validar y explicar pérdidas esperadas bajo distintos horizontes y escenarios.
Pensado para
Profesionales de riesgo de crédito, provisiones, finanzas o planificación.
Equipos de modelación, datos, validación, auditoría o control de modelos.
Personas que quieren conectar la metodología de pérdida esperada con una implementación reproducible.
Alcance, cartera, unidad de cálculo, horizonte, fuentes y cadena metodológica de un motor ECL.
Curvas de default, transición temporal, calibración y relación entre probabilidad puntual y acumulada.
Recuperaciones, exposición esperada, prepagos, uso de líneas y descuento de pérdidas.
Criterios cuantitativos y cualitativos, días de mora, curas y movimientos entre etapas.
Escenarios macroeconómicos, ponderaciones, no linealidad, sensibilidad y gobierno de supuestos.
Implementación en Python, controles, backtesting, overlays, conciliación y reporte metodológico.
Enfoque profesional
El resultado necesita trazabilidad sobre fuentes, parámetros, escenarios, ajustes y aprobaciones.
Conciliación entre fuentes, componentes y resultado final.
Supuestos, parámetros y escenarios versionados.
Backtesting con umbrales y tratamiento de excepciones.
Overlays documentados, justificados y aprobados.
Resultado esperado
Mapear una metodología de pérdida esperada de punta a punta.
Implementar cálculos de ECL a 12 meses y lifetime en Python.
Comparar etapas, escenarios y sensibilidades de forma reproducible.
Preparar evidencia técnica para revisión, validación o auditoría.
Lista de interés
Déjanos tus datos y te enviaremos la fecha, el programa final y el valor cuando estén confirmados.
Registrarte no implica pago, reserva ni compromiso de inscripción.
Preguntas frecuentes
La fecha y las condiciones comerciales se comunicarán cuando el programa esté cerrado.
Todavía no. Estamos midiendo interés y cerrando el programa. Las personas registradas recibirán primero la fecha, el valor y la apertura de inscripciones.
No. El registro solo nos autoriza a enviarte información de este curso y no reserva ni cobra un cupo.
No necesitas experiencia previa implementando IFRS 9. Ayuda comprender riesgo de crédito y conceptos básicos de modelación; el programa partirá desde la arquitectura del cálculo.
El foco es metodológico y técnico: datos, componentes de riesgo, cálculo, validación e implementación. No reemplaza asesoría contable, regulatoria ni de auditoría para una institución específica.