Guide for Validating Financial Models
and Credit Risk
Programa Ejecutivo en Validación de Modelos · Quantitative Finance
Marvicva Risk Technologies — Primera Edición 2026
✦
Descripción del Programa
Este programa constituye la primera oferta formativa estructurada en lengua española dedicada íntegramente a la validación de modelos de riesgo de crédito bajo los marcos normativos aplicables en Perú y Latinoamérica. Combina rigor cuantitativo de nivel universitario con aplicación directa al contexto regulatorio de la Superintendencia de Banca, Seguros y AFP (SBS), los principios de Basilea II/III/IV, el estándar SR 11-7 de la Reserva Federal y las guías técnicas de la EBA.
Cada módulo integra fundamentos teóricos, formulación matemática formal, implementación en Python y aplicación directa a casos peruanos y latinoamericanos. Al completar el programa, el participante será capaz de ejecutar un ciclo completo de validación independiente y redactar un informe técnico de nivel regulatorio.
Competencias del Egresado
- Interpretar y aplicar la Res. SBS N° 00053-2023
- Ejecutar tests de discriminación, estabilidad y calibración
- Construir modelos IRB: PD, LGD y EAD desde cero
- Aplicar backtesting regulatorio conforme a Basilea III
- Automatizar validaciones con Python y librerías especializadas
- Integrar Machine Learning en el proceso de validación
- Aplicar IA generativa como asistente en la validación
- Redactar informes de validación de nivel regulatorio SBS/BCE
◆
Tabla de Contenidos
Índice de Módulos
- Módulo 01 — Marco Regulatorio Global y PeruanoM01
- Módulo 02 — Gobierno, Categorización e Inventario de ModelosM02
- Módulo 03 — Validación de Scoring: Discriminación y EstabilidadM03
- Módulo 04 — Validación de PD, LGD y EAD bajo IRBM04
- Módulo 05 — Backtesting, Stress Testing y Análisis de ResultadosM05
- Módulo 06 — Machine Learning e IA en Validación de ModelosM06
- Módulo 07 — Automatización del Proceso de Validación con PythonM07
- Módulo 08 — El Informe de Validación: Redacción y Dictamen TécnicoM08
| Módulo | Título | Nivel | Horas | Precio |
|---|---|---|---|---|
| M01 | Marco Regulatorio Global y Peruano | Introductorio | 4 h | Incluido |
| M02 | Gobierno, Categorización e Inventario de Modelos | Introductorio | 5 h | $97 |
| M03 | Validación de Scoring: Discriminación y Estabilidad | Intermedio | 8 h | $147 |
| M04 | Validación de PD, LGD y EAD bajo IRB | Avanzado | 10 h | $197 |
| M05 | Backtesting, Stress Testing y Análisis de Resultados | Avanzado | 8 h | $147 |
| M06 | Machine Learning e IA en Validación de Modelos | Avanzado | 9 h | $197 |
| M07 | Automatización del Proceso de Validación con Python | Intermedio | 7 h | $147 |
| M08 | El Informe de Validación: Redacción y Dictamen Técnico | Intermedio | 5 h | $97 |
| PROGRAMA COMPLETO (todos los módulos + plantillas + toolkit Python) | 56 h | $597 | ||
§
Módulo 01
Marco Regulatorio Global y Peruano
M01 · Introductorio · 4 horas · Módulo gratuito
Marco Regulatorio Global y Peruano en Validación de Modelos
Gratis
Módulo de acceso libre
Fundamentos normativos: dónde nace la obligación de validar, qué exigen los reguladores globales y peruanos, y cómo se interrelacionan los frameworks internacionales con la normativa SBS vigente.
Origen del riesgo de modelo: SR 11-7 (Fed, 2011)
TRIM y ECB Guide to Internal Models (BCE)
Basilea II: el enfoque IRB y sus parámetros
Basilea III y el output floor del 72.5% (Basilea IV)
EBA GL/2017/16: estimación de PD, LGD y EAD
IFRS 9: pérdida esperada crediticia (ECL)
Res. SBS N° 00053-2023: análisis artículo por artículo
Cronograma de implementación vigente y sanciones
Comparativa regulatoria: SBS vs. SFC vs. CMF vs. CNBV
Árbol de decisión: ¿qué norma aplica a mi modelo?
🟢 Definición · 1.1
Riesgo de Modelo (Model Risk)
Posibilidad de pérdidas o consecuencias adversas derivadas de debilidades en el desarrollo,
validación, implementación, uso y seguimiento de los modelos. El riesgo surge tanto de
errores fundamentales del modelo como de su uso inapropiado fuera del rango para el que fue diseñado.
Ecuación · 1.1 — Output Floor Basel IV
\[ K_{\text{IRB}} \;\geq\; 0.725 \;\times\; K_{\text{SA}} \]
(1.1)
🟠 Principio Regulatorio · 1.1
Principio de Proporcionalidad (SR 11-7)
El rigor y la sofisticación de la validación debe ser proporcional al uso global de modelos
del banco, la complejidad y materialidad de sus modelos, y el tamaño y complejidad de las
operaciones del banco. — Federal Reserve SR 11-7, §III.
Módulo 02
Gobierno, Categorización e Inventario de Modelos
M02 · Introductorio · 5 horas
Gobierno Corporativo del Riesgo de Modelo: Estructura, Inventario y Categorización
$97
o incluido en el programa
Diseño del ambiente interno de gestión: cómo construir el inventario de modelos requerido por la SBS, cómo categorizar modelos por nivel de riesgo y cómo establecer el marco de gobierno.
El Comité de Riesgos de Modelo: roles y atribuciones
Definición operativa de modelo: qué incluye y qué no
Metodología de categorización: materialidad, uso y complejidad
Construcción del Inventario de Modelos (Anexo A SBS)
Reporte SUCAVE: estructura, plazos y validación
El ciclo de vida del modelo: desarrollo → validación → uso → retiro
Políticas y procedimientos mínimos requeridos
Forzajes (overrides): documentación y control regulatorio
Modelos provistos por terceros: obligaciones de la institución
Taller práctico: inventario para una institución financiera real
🔵 Ejemplo Aplicado · 2.1
Categorización de un Scoring de Admisión en una Institución Financiera
Un scoring de admisión usado para el 80% de las colocaciones de una institución financiera
supervisada por la SBS con cartera de S/ 45 millones se categoriza en nivel ALTO por:
(a) materialidad elevada, (b) uso en decisiones de crédito masivo, y (c) técnica
estadística compleja (regresión logística con 12 variables). Esto obliga a validación
anual con informe formal firmado conforme a la Ley General del Sistema Financiero.
Módulo 03
Validación de Scoring: Discriminación y Estabilidad
M03 · Intermedio · 8 horas
Validación Estadística de Modelos de Scoring de Crédito
$147
o incluido en el programa
Núcleo estadístico del curso: todas las métricas de validación de scoring con derivación matemática completa, implementación Python y criterios de decisión regulatoria.
Curva ROC: construcción y geometría
AUC-ROC y coeficiente de Gini: derivación formal
Estadístico KS: prueba de Kolmogorov-Smirnov
Information Value (IV) y Weight of Evidence (WoE)
PSI: Population Stability Index — formulación y umbrales
CSI: Characteristic Stability Index por variable
Test de Lorenz y la curva de concentración
Análisis de cohortes para validación longitudinal
Tablas de migración de calificación crediticia
Python lab: validación completa con scikit-learn + pandas
Fórmulas clave del Módulo 03
GINI
\( G = 2 \cdot \text{AUC} - 1 \)
Coeficiente de Gini desde el AUC
KS
\( KS = \max_i \left| F_B(s_i) - F_M(s_i) \right| \)
Separación máxima de distribuciones acumuladas
PSI
\( \text{PSI} = \sum_{i=1}^{n} \left(A_i - E_i\right) \ln\!\left(\frac{A_i}{E_i}\right) \)
Divergencia de Jensen-Shannon entre períodos
WoE
\( \text{WoE}_i = \ln\!\left(\frac{p_{\text{buenos},i}}{p_{\text{malos},i}}\right) \)
Peso de evidencia por categoría
IV
\( \text{IV} = \sum_{i=1}^{n} \left(p_{\text{buenos},i} - p_{\text{malos},i}\right) \cdot \text{WoE}_i \)
Information Value global de la variable
Módulo 04
Validación de PD, LGD y EAD bajo IRB
M04 · Avanzado · 10 horas
Validación de Parámetros de Riesgo IRB: PD, LGD y EAD
$197
o incluido en el programa
El módulo más cuantitativo del programa: derivación formal de los tres parámetros IRB, sus estimadores, sesgos regulatorios (MoC) y tests de validación bajo EBA y Basilea IV.
El modelo Vasicek de un factor (ASRF) para PD
Estimación de PD: metodología TTC vs. PIT
Margen de Conservadurismo (MoC) sobre PD
Definición de default: EBA Art. 178 y SBS
LGD: componentes, cure rate y workout
LGD in-default y ELBE: estimación y validación
EAD y CCF: estimación para productos revolventes
Función de ponderación de riesgo (RWA) derivación
Tests de calibración para PD: Vasicek, Binomial, Hosmer-Lemeshow
Validación de LGD: correlación de rangos, homogeneidad, elbow test
EBA GL/2017/16: requerimientos técnicos de estimación
Python lab: estimación y validación IRB completa
Fórmulas clave del Módulo 04
Vasicek PD
\( PD_{\text{cond}} = \Phi\!\left(\dfrac{\Phi^{-1}(PD) - \sqrt{\rho}\,Z}{\sqrt{1-\rho}}\right) \)
PD condicional al factor sistémico Z
RWA IRB
\( K = \left[\Phi\!\left(\dfrac{\Phi^{-1}(PD)+\sqrt{R}\;\Phi^{-1}(0.999)}{\sqrt{1-R}}\right) - PD\right] \times LGD \)
Requerimiento de capital bajo IRB
ECL (IFRS 9)
\( ECL = PD \times LGD \times EAD \times \dfrac{1}{(1+r)^{t}} \)
Pérdida esperada crediticia descontada
Módulo 05
Backtesting, Stress Testing y Análisis de Resultados
M05 · Avanzado · 8 horas
Backtesting y Pruebas de Tensión: Validación de Resultados en el Tiempo
$147
o incluido en el programa
Metodologías para comparar sistemáticamente predicciones del modelo contra resultados observados, incluyendo pruebas estadísticas formales y escenarios de estrés.
Backtesting de PD: test de Vasicek, Binomial y tráfico semafórico
Test de Hosmer-Lemeshow para calibración de scoring
Análisis de cohortes y ventanas de observación
Backtesting de LGD: correlación y test de cola
Backtesting de EAD/CCF: ratio realizado vs. estimado
Test de Kupiec (POF) y Test de Christoffersen
Stress testing: escenarios adversos y muy adversos
Backtesting de provisiones IFRS 9 (ECL)
Análisis de sensibilidad y benchmarking externo
Python lab: pipeline de backtesting automatizado
Ecuación · 5.1 — Test de Vasicek para Backtesting de PD
\[
t_V = \frac{\Phi^{-1}(\hat{p}) - \Phi^{-1}(PD_0)\,\sqrt{1-\rho}}{\sqrt{\rho}}
\sim \mathcal{N}(0,1)
\]
(5.1)
Ecuación · 5.2 — Test de Kupiec (POF Test)
\[
LR_{\text{POF}} = -2\ln\!\left[\frac{(1-p)^{T-N}\,p^N}{\left(1-\frac{N}{T}\right)^{T-N}\!\left(\frac{N}{T}\right)^N}\right]
\sim \chi^2(1)
\]
(5.2)
Módulo 06
Machine Learning e IA en Validación de Modelos
M06 · Avanzado · 9 horas
Validación de Modelos de Machine Learning e Inteligencia Artificial en Crédito
$197
o incluido en el programa
Cómo cambiar el enfoque de validación cuando el modelo ya no es una regresión logística sino un gradient boosting, una red neuronal o un LLM: nuevos retos, nuevas métricas.
Retos específicos de validar modelos de ML en crédito
Explicabilidad: SHAP values y LIME en validación
Fairness y sesgo algorítmico: métricas y tests
Validación de modelos de gradient boosting (XGBoost, LightGBM)
Redes neuronales en scoring: validación de caja negra
IA generativa como asistente del validador (prompt engineering)
Automatización de la validación conceptual con LLMs
Reglas de validación para datos alternativos y no estructurados
Posición regulatoria de la EBA/SBS sobre modelos de ML
Python lab: validación de XGBoost con SHAP + fairness metrics
🟢 Definición · 6.1
SHAP Value (SHapley Additive exPlanations)
El valor de Shapley \(\phi_i\) para la característica \(i\) cuantifica su contribución
marginal promedio al output del modelo a lo largo de todas las posibles coaliciones de
características, garantizando eficiencia, simetría y linealidad en la atribución.
Ecuación · 6.1 — Shapley Value para Explicabilidad
\[
\phi_i = \sum_{S \subseteq F \setminus \{i\}} \frac{|S|!\,(|F|-|S|-1)!}{|F|!}
\left[ f(S \cup \{i\}) - f(S) \right]
\]
(6.1)
Módulo 07
Automatización del Proceso de Validación con Python
M07 · Intermedio · 7 horas
Construcción del Toolkit de Validación Automatizado en Python
$147
o incluido en el programa
De los scripts individuales al toolkit profesional: cómo construir una herramienta reproducible, documentada y entregable que automatice el 80% del trabajo de validación.
Arquitectura del toolkit: módulos, inputs y outputs
Ingesta de datos: CSV, Excel, bases SQL y APIs
Limpieza y validación de calidad de datos crediticios
Cálculo automático de KS, GINI, PSI, CSI, IV/WoE
Tests estadísticos de calibración de PD
Generación automática de gráficos (ROC, Lorenz, distribuciones)
Motor de generación de reportes en PDF (ReportLab)
Parametrización por tipo de modelo y nivel de riesgo
Logging, trazabilidad y control de versiones del toolkit
Empaquetamiento y entrega del toolkit al cliente
Módulo 08
El Informe de Validación: Redacción y Dictamen Técnico
M08 · Intermedio · 5 horas
Redacción Profesional del Informe de Validación y Dictamen Regulatorio
$97
o incluido en el programa
El puente entre el análisis técnico y el documento que firma el validador: cómo estructurar, redactar e interpretar un informe de validación que sea válido ante la SBS, la auditoría interna y el Directorio.
Anatomía del informe de validación regulatorio
El resumen ejecutivo: cómo comunicar al Directorio
Descripción técnica del modelo: qué incluir y qué omitir
Presentación de resultados estadísticos con tablas y gráficos
Taxonomía de hallazgos: críticos, mayores y menores
Redacción de recomendaciones con plazos y responsables
El dictamen técnico: tipos y redacción formal
Informe de seguimiento vs. informe de validación inicial
Plantilla completa de informe (Word + PDF generado)
Simulacro: redacción de informe sobre caso real
🔵 Estructura del Dictamen · 8.1
Tipos de Dictamen en el Informe de Validación
El dictamen puede ser: (1) Aprobado — el modelo cumple los criterios de
desempeño y puede continuar en uso sin restricciones; (2) Aprobado con
observaciones — el modelo es aceptable para uso con condicionamientos específicos
y plan de corrección documentado; (3) Suspendido — el modelo requiere
recalibración antes de continuar en uso; (4) Rechazado — el modelo
presenta deficiencias fundamentales que invalidan su uso.
✦
Estructura de Precios
Inversión en el Programa
Módulo individual
$97+
Acceso a un módulo seleccionado, videos, material descargable y ejercicios prácticos
Programa completo
$597
Los 8 módulos + toolkit Python + todas las plantillas + certificado Marvicva
Corporativo
Custom
Licencia por equipo, capacitación in-house y adaptación al contexto institucional
◆
Mapa de Competencias
Habilidades Desarrolladas por Módulo
| Competencia | Módulos | Herramienta | Nivel |
|---|---|---|---|
| Interpretación normativa SBS / Basilea | M01, M04 | — | Introductorio |
| Diseño del inventario de modelos | M02 | Excel, SUCAVE | Introductorio |
| Cálculo de KS, GINI, AUC-ROC | M03, M07 | Python / scikit-learn | Intermedio |
| Análisis de estabilidad PSI / CSI | M03, M07 | Python / pandas | Intermedio |
| Estimación y validación de PD bajo IRB | M04, M05 | Python / scipy | Avanzado |
| Estimación y validación de LGD y EAD | M04, M05 | Python / statsmodels | Avanzado |
| Backtesting y stress testing | M05 | Python, Excel | Avanzado |
| Validación de modelos de ML / XGBoost | M06 | SHAP, fairlearn | Avanzado |
| Uso de IA en validación (LLMs) | M06 | Claude / ChatGPT API | Avanzado |
| Construcción del toolkit Python validador | M07 | Python full-stack | Intermedio |
| Redacción del informe de validación | M08 | Word / PDF | Intermedio |
| Emisión del dictamen regulatorio | M08 | — | Avanzado |
§
Sobre el Autor
🔵 Autor del Programa
Víctor Miranda — Quantitative Finance Expert
Econometrista con Maestría en Econometría y Ciencia de Datos. Especialista en riesgo de modelo,
arquitectura de microservicios financieros y soluciones de crédito para mercados emergentes.
Fundador de Marvicva Risk Technologies, empresa peruana con 10 años de trayectoria en
soluciones cuantitativas para el sistema financiero peruano y latinoamericano. Ha trabajado
en proyectos de IoT industrial naval (Fincantieri NXT) y plataformas SaaS de riesgo crediticio
para cooperativas, cajas municipales y fintechs. Combina rigor matemático con implementación
práctica en Python, ASP.NET Core y arquitecturas cloud-native.