El uso de modelos estadísticos para predecir riesgo bancario es una práctica estandarizada en el sector financiero. Entre las herramientas más usadas destacan los modelos de regresión, sobre todo, para la predicción de impago y la construcción de scores de crédito. Sin embargo, la explotación, la generación y disponibilidad de datos en los últimos veinte años conjuntamente con el desarrollo de nuevos modelos cuantitativos, han permitido utilizar los datos para obtener un mejor desempeño en la predicción del riesgo. En efecto, la evidencia sugiere que los métodos de Machine Learning pueden lograr una mayor asertividad que los modelos tradicionales, principalmente, a través de estimaciones funcionales más flexibles. Este hallazgo no es trivial ya que incluso pequeñas mejoras en el desempeño de los modelos pueden traducirse en aumentos significativos de rentabilidad.

Con más de 15 años de experiencia como econometrista aplicado ha participado en diversos proyectos de consultoría e investigación incluyendo colaboraciones con Nestlé Dominicana, Banco Mundial, Banco Interamericano de Desarrollo, la Empresa Eléctrica de Quito, la Dirección General de Impuestos Internos, la Vicepresidencia de la República, el Ayuntamiento del Distrito Nacional, el Sistema Único de Beneficiarios, Analytica, entre otros. También ha impartido docencia a nivel de grado en los Estados Unidos y a nivel de posgrado en la República Dominicana. Obtuvo su doctorado en Economía de la Universidad de Texas A&M, una maestría en Economía de la Pontificia Universidad Católica de Chile y una licenciatura en Economía de la Pontificia Universidad Católica Madre y Maestra. Sus investigaciones y consultorías más recientes se concentran en la aplicación de métodos experimentales y cuasiexperimentales con el objetivo principal de fomentar la toma de decisiones basada en evidencia tanto a nivel público como privado. Asimismo, también ha desarrollado diferentes iniciativas de Data Science para promover la capacitación y explotación de datos en el país en un sentido amplio.

• Aumentará sus capacidades con las herramientas basadas en la gestión del riesgo
• Aumentará su impacto en la organización con un conjunto estratégico de fundamentos empresariales
• Diploma internacional con doble acreditación;
  • Europea, por el Club de Gestión de Riesgos de España (CGRE)
  • Latinoamericana, por el aval de la Asociación de Supervisores Bancarios de las Americas (ASBA), Federación Latinoamericana de Bancos (FELABAN) y el Club de Gestión de Riesgos de la República Dominicana (CGRRD).

• Analistas y gerentes de Auditoria, Banca, Entidades supervisoras (banca, seguros, fondo de pensiones…) Instituciones públicas (Contraloría, IPS…).
• Abogados responsables de las áreas jurídicas de las Instituciones Financieras y las Asociaciones Bancarias. Abogados independientes.
• Directores o Responsables en las áreas de tecnología, riesgos de las Instituciones financieras u otro tipo de organizaciones como Fintech.
• Entidades financieras, agencias de valores.
• Todos aquellos profesionales de diversos background que se quieren especializar en esta materia.

• INTRODUCCIÓN AL MACHINE LEARNING

• INTRODUCCIÓN A “R”

• MODELACIÓN ESTADÍSTICA