El análisis crediticio tradicional trata cada préstamo como independiente, pero las cadenas de garantías, las garantías circulares y la concentración accionaria crean exposición correlacionada que los modelos relacionales no pueden expresar. Este proyecto modela un portafolio de 500 clientes como un grafo en Neo4j, procesado con PySpark en Databricks y calificado con LightGBM calibrado, para hacer visibles los patrones de riesgo estructural que el SQL oculta.
Interpretar la LISF y la CUSF exige navegar entre artículos que se referencian mutuamente entre leyes, y un Ctrl+F no distingue el artículo que define reservas técnicas del que las menciona de paso. La IA permite absorber todo ese volumen sin perder un solo detalle. Este agente usa RAG para indexar cada artículo de forma individual con un grafo de referencias cruzadas, eliminando las alucinaciones de citas y permitiendo que el modelo razone solo sobre texto real de la ley. El resultado es un asistente que amplifica la memoria del actuario sin sustituir su criterio.
Cómo clasificar 5.1M de siniestros de Gastos Médicos Mayores en tres niveles de hospitalización cambia la forma de tarificar un riesgo que la industria trata como uno solo. Un proyecto de equipo en la UNAM que se convirtió en un sistema de tarificación completo.
Dashboard R Shiny con 140,000 pólizas sintéticas calibradas al mercado mexicano. Motor de tarificación GLM de dos partes (Poisson frecuencia + Gamma severidad), reservas IBNR por Chain Ladder y Bornhuetter-Ferguson, pruebas de estrés Monte Carlo con VaR/TVaR y detección de fraude por distancia de Mahalanobis. 17 módulos, arquitectura bslib, desplegado en Cloud Run.
Desde VaR y simulación Monte Carlo hasta deep hedging y redes neuronales en grafos para riesgo sistémico. Un currículum completo de riesgo financiero ejercicios de prueba y documentación.
El ciclo operativo de una aseguradora mexicana se fragmenta entre hojas de cálculo que no se comunican. Esta librería unifica tarificación, reservas, reaseguro y cumplimiento regulatorio para vida, daños, salud y pensiones bajo un mismo marco con validación de dominio Pydantic y precisión Decimal. El resultado es una base modular que permite construir sistemas actuariales más complejos sin reescribir la lógica desde cero.
6 proyectos sobre GCP que demuestran cómo la ingeniería de datos transforma el trabajo actuarial: warehouse dimensional de siniestros en BigQuery, orquestación con Dagster y Cloud Run, streaming con Pub/Sub y Apache Beam, infraestructura como código con Terraform, y pricing con GLM Tweedie. La plataforma completa opera por menos de $10 al mes, frente a los $1,000+ que costaría con arquitecturas convencionales.
Un análisis profundo en ingeniería de datos: construir SQL analytics de nivel producción sobre datos reales de aerolíneas, migrar a BigQuery vía Python ETL, y los trade-offs honestos entre ambos sistemas con timing real, costos reales y planes de consulta reales.
Aplicación R Shiny que calcula la pensión de retiro bajo los tres regímenes vigentes del IMSS. Implementa la tabla del Artículo 167 para Ley 73, las tasas escalonadas de la reforma DOF 2020 para Ley 97, y el complemento del Fondo de Pensiones para el Bienestar (2024). Incluye proyección AFORE bajo tres escenarios de rendimiento, análisis de sensibilidad y reporte PDF descargable. 126 tests unitarios, Docker y despliegue en Cloud Run.
SIMA centraliza las técnicas actuariales para valuar seguros de vida: toma mortalidad cruda de INEGI/CONAPO, la gradúa con métodos como Whittaker-Henderson y Lee-Carter para obtener curvas que respetan la biología humana, y proyecta hacia el futuro para calcular primas, reservas y requerimientos de capital bajo LISF. Todo expuesto como API, lo que permite conectarlo con otros sistemas, automatizar análisis de sensibilidad y cumplir con los requisitos de la CNSF. Código abierto y diseñado para crecer hacia otros ramos.
Modelos de frecuencia-severidad sobre freMTPL2: Poisson GLM vs XGBoost vs LightGBM con explicabilidad SHAP, auditorías de fairness y un análisis transfronterizo de lo que las técnicas europeas de pricing con ML significan para el mercado mexicano donde el 70% de los autos no tiene seguro.
De la pregunta de negocio al insight accionable. 7 proyectos de análisis de datos que cubren e-commerce, seguros, finanzas, pruebas A/B, KPIs ejecutivos y eficiencia operacional. SQL, Python, Streamlit, Next.js y Power BI.
Análisis de reservas actuariales con métodos Chain-Ladder y Bornhuetter-Ferguson sobre datos regulatorios NAIC Schedule P. Dashboard interactivo con triángulos de pérdida, IBNR y ratios combinados para 6 ramos de seguros.
Quería entender qué pasa realmente dentro de un modelo de lenguaje. Construí uno desde la primera multiplicación de matrices, lo entrené con los 7 volúmenes de Proust, y lo que más me enseñó no fue la arquitectura sino lo que implica que todo sea números.