Inteligencia Artificial aplicado a Riesgos
¿En qué consiste?
¿A quién está dirigido?
El curso está dirigido a profesionales de departamentos de riesgos y control de entidades de crédito, departamentos financieros, auditoría de riesgos, validación, inversión y planificación: también es adecuado para profesionales en departamentos responsables de la implantación y gestión de riesgos, tecnología vinculada a áreas de riesgos, entidades reguladoras, bancos centrales, supervisores, consultoría en riesgos y otros interesados en profundizar en la gestión de riesgos o adquirir destrezas para desarrollar su carrera en estas áreas.
.avif)
La cercanía en la relación profesor-alumno y el trabajo en equipo me permitieron tejer una tupida y valiosa red de contactos y, sobre todo, trabajando duro, la probabilidad de conseguir trabajar en lo que quieres es muy elevada.
Un claustro de élite
Plan de estudios
El programa docente consta de 16 horas de formación a través de módulos que cubren desde Data Engineering hasta técnicas avanzadas en modelos de crédito.
Requisitos
Del 3 de octubre de 2026 al 17 de octubre de 2026
- FUNDAMENTOS DE DATA SCIENCE Y MACHINE LEARNING :
- Tipos de datos: estructurados, no estructurados, semiestructurados.
- Limpieza y preprocesamiento de datos: imputación, outliers, escalado, encoding.
- Feature engineering: creación, selección y transformación de variables.
- Métricas de evaluación: regresión (MSE, MAE, R²); clasificación (accuracy, precision, recall, F1).
- Overfitting vs underfitting.
- Concepto de bias-variance tradeoff.
- Pipeline de un proyecto de Machine Learning.
- Validación cruzada: Conjuntos de entrenamiento, validación y test. Búsqueda de hiperparámetros. Leave one out / k-fold cross validation.
- REGRESIÓN LINEAL:
- Normalización de predictores y selección.
- Interpretación de coeficientes.
- Regularización: Lasso, Ridge, Elastic Net.
- Tratamiento de variables categóricas.
- Aplicaciones: técnica de Longstaff–Schwarz, determinación de la exposición de un fondo de inversión a factores, inferencia de spreads de CDS para referencias no líquidas partiendo de información de rating, sector y región.
- REGRESIÓN LÓGICA:
- Regresión logística:
- Función sigmoide y función de entropía cruzada.
- Ajuste de parámetros de regresión logística.
- Regresión logística para datos no balanceados: matriz de confusión, curva ROC.
- Interpretación de los odds ratios.
- Clasificación multiclase: regresión softmax.
- Aplicaciones: estimación de probabilidad de cerrar una operación financiera.
- TREES AND ENSEMBLES:
- Árboles para regresión. Construcción y criterios.
- Árboles para clasificación: criterio de incremento de información a través de índice de Gini, Cross entropy, Classification error rate.
- Visualización e interpretación de árboles de decisión.
- Uso de GridSearch para encontrar hiperparámetros óptimos.
- Bagging (Bootstrap Aggregating), Boosting. Random Forest, Gradient Boosting, XGBoost, CatBoost…
- Criterios de votación, metaclasificadores, out-of-bag error estimation.
- Aplicación: predicción de rating de compañía partiendo de sector, región y spread de CDS (clasificación).
- Aplicación: predicción del spread de CDS de compañía partiendo de sector y región con Gradient Boosting (regresión). Deep Learning & GenAI Deep learning
- Neurona computacional. Red neuronal de una capa oculta y red densa.
- Funciones de activación y sus usos.
- Calibrado de redes neuronales: forward y backpropagation.
- Método del gradiente, método del gradiente mini-batch y algoritmo de Adam.
- Overfitting en redes neuronales. Regularización dropout.
- Introducción a redes convolucionales (CNN), recurrentes (RNN), Autoencoders (AE).
- Aplicación: uso de redes neuronales para aproximar la relación entre parámetros de un modelo de valoración de derivados y precios de instrumentos vanilla inferido.
- GENERATIVE IA:
- LLMs y arquitectura transformer.
- Entrenamiento de los LLM: fine-tuning, prompting, few-shot, zero-shot.
- Agentes: usos y diferencias con LLMs.
- Arquitecturas multiagente.
- Guardarrailes y MCP.
- Aplicación: LLMs y agentes para análisis y síntesis de información financiera
- REDUCCIÓN DE DIMENSIONALIDAD:
- Análisis factorial: factores latentes.
- Lineal vs no lineal (PCA/Autoencoders).
- PCA como herramienta de visualización.
- Aplicación: explicación del movimiento de la curva de tipos par-swap.
- CLUSTERING:
- Distancias y similitudes entre clústeres.
- Clusteres jerárquicos y basados en centroides (K-Means). Elbow method, silhouette score.
- Aplicación: agrupar automáticamente las compañías del índice S&P 500 por sus series históricas.
- Aplicación: Visualización de los clusters resultantes en 3D aplicando PCA.
Matrícula
Matrícula
El número de plazas es limitado. El precio de la matrícula es de 1.595 €. Afi Alumni tienen un precio reducido de 1.435 €. Descuentos por inscripción anticipada disponibles.
Becas
Del 3 de octubre de 2026 al 17 de octubre de 2026
Presencial + Streaming
1595 €
Descuentos por pronta matriculación:
Todos aquellos que formalicen y abonen su inscripción con dos meses de antelación al inicio del programa tendrán un 10% de descuento y un 5% si lo hacen un mes antes.
