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 experiencia en la Escuela ha sido tremendamente positiva. Sobra decir a estar alturas que 2020 ha sido un año cargado de retos, pero el equipo docente, de coordinación y administrativo de Afi Escuela ha redoblado esfuerzos para mantener la calidad y rigor de su programa formativo inalterados.
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 al 16 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 al 16 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.
