ITAM- Instituto Tecnológico Autónomo de México

Diplomado en Data Science and Machine Learning applied to Financial Markets

ITAM- Instituto Tecnológico Autónomo de México
En Magdalena Contreras

más de $ 70000
Si gustas, puedes llamar al centro en este momento
¿Quieres hablar con un Asesor sobre este curso?

Información importante

Tipología Diplomados
Lugar Magdalena contreras
Horas lectivas 150h
Duración 6 Meses
Inicio 02/03/2020
otras fechas
  • Diplomados
  • Magdalena contreras
  • 150h
  • Duración:
    6 Meses
  • Inicio:
    02/03/2020
    otras fechas
Descripción

El programa tiene por objetivo la introducción de las herramientas necesarias para el desarrollo de la ciencia de datos bajo un ámbito financiero. Al finalizar el programa, el participante será capaz de hacer uso de herramientas que le permitan analizar, manipular, comprender y representar datos; de igual manera, se adquirirán las bases teóricas y de programación necesarias tanto para comprender los modelos de inteligencia artificial, así como para aplicar el modelo óptimo dado un problema dado.

Instalaciones (2) y fechas
Dónde se imparte y en qué fechas

Ubicación

Inicio

Magdalena Contreras (Ciudad de México (Distrito Federal))
Ver mapa
Av. Camino a Santa Teresa 930, Col. Héroes de Padierna, 10700
Horario: Martes de 19:00 a 22:00 h. y Jueves de 19:00 a 22:00 h

Inicio

14 jul. 2020Inscripción abierta
Magdalena Contreras (Ciudad de México (Distrito Federal))
Ver mapa
Av. Camino a Santa Teresa 930, Col. Héroes de Padierna, 10700
Horario: Lunes de 19:00 a 22:00 h. y Miércoles de 19:00 a 22:00 h.

Inicio

02 mzo. 2020Inscripción abierta

A tener en cuenta

· ¿Cuáles son los objetivos de este curso?

El programa se encuentra dirigido a profesionistas que se desempeñen, o pretendan desempeñarse, en el sector financiero del país (bancos, casas de bolsa, sociedades de inversión, afores, casas de cambio, operadores de derivados, socios liquidadores, arrendadoras financieras, empresas de factoraje financiero, compañías de seguros y fianzas, entidades gubernamentales, entidades reguladoras, consultorías, etc.), en áreas financieras o de planeación de empresas no financieras o en el ámbito de la enseñanza y que deseen especializarse en inteligencia artificial aplicada a mercados financieros.

· Requisitos

-Nociones de programación -Bases sólidas de matemáticas financieras, álgebra lineal, cálculo y estadística. -Es indispensable traer una computadora portátil a las sesiones (procesador al menos i5 o equivalente).

· ¿Qué pasa después de pedir información?

Muchas gracias por tu interés en nuestro programa. Recibirás a la brevedad información más detallada vía correo electrónico.

Preguntas & Respuestas

Plantea tus dudas y otros usuarios podrán responderte

Logros de este Centro

2017

¿Cómo se consigue el sello CUM LAUDE?

Todos los cursos están actualizados

La valoración media es superior a 3,7

Más de 50 reseñas en los últimos 12 meses

Este centro lleva 13 años en Emagister.

¿Qué aprendes en este curso?

Python
Ciencia de datos
Machine learning
Deep learning
Ámbito financiero
programacion
Trading
Inteligencia artificial
Redes neuronales
Aplicación de modelos

Profesores

Act. Gerardo Durán Martín
Act. Gerardo Durán Martín
Act.

M.F. José Jorge Ramírez
M.F. José Jorge Ramírez
Coordinador

M.F. Yolanda Espinosa
M.F. Yolanda Espinosa
M.F.

Programa académico

MÓDULO 1
INTRODUCCIÓN A PYTHON CON FINANZAS

Objetivo
En este módulo, los participantes conocerán el lenguaje de programación Python por medio de aplicaciones en finanzas. Python es conocido por su uso en aplicaciones en ciencia de datos y aprendizaje de máquina, y su base de usuarios es de las que tiene mayor crecimiento en el mundo.

Temario
1. Introducción a la programación
1.1.Programación y aplicaciones
1.2.Lenguajes
1.3.Por qué Python
2. Objetos dentro de Python
2.1.Cadenas, flotantes y enteros
2.2.Variables
2.3.Listas y tuplas
2.4.Diccionarios y conjuntos
3. Instrucciones de control
3.1.Booleanos
3.2.Condicionales
4. Ciclos
4.1.For
4.2.While
5. Funciones
5.1.Motivación
5.2.Parámetros
5.3.Regreso de valores
6. Librería estándar
6.1.Datetime
6.2.Collections
6.3.Os
7. Usos avanzados
7.1.Funciones lambda
7.2.Map, Filter, Reduce
7.3.Listas por comprensión
8. Programación orientada a objetos
8.1.Clases
8.2.Estructura de una clase
9. Programación funcional
9.1.Funciones lambda
9.2.List Comprehensions
9.3.Cálculo de predicados: funciones any, all
10.Primeras aplicaciones financieras en Python
10.1. Extracción de información de Bloomberg con Python
10.2. Matemáticas financieras
10.3. Mercado de dinero

MÓDULO 2
ESTADÍSTICA Y PROBABILIDAD CON PYTHON

Objetivo
Los participantes se familiarizarán con las principales áreas de conocimiento para fortalecer su capacidad de elaborar modelos avanzados y matemáticamente rigurosos mediante el lenguaje de programación Python.

Temario
1. Álgebra lineal
1.1.Matrices, vectores y escalares
1.2.Operaciones con matrices
1.3.Determinantes e inversas
1.4.Eigenvalores y Eigenvectores
1.5.Aplicaciones
2. Teoría de la información
2.1.Entropía
2.2.Divergencia KL
2.3.Información mutua
3. Probabilidad
3.1.Reglas de la probabilidad
3.2.Distribuciones discretas
3.3.Distribuciones continuas
3.4.Esperanza, varianza y covarianza
3.5.El teorema de Bayes
4. Estadística inferencial
5. Estadística bayesiana
6. Aplicaciones a matemáticas de portafolios
7. Simulación con Python
7.1.Movimiento browniano y Lemma de Itto
7.2.Montecarlo
7.3.Cholesky
7.4.Montecarlo estructurado
7.5.Poisson

MÓDULO 3
CIENCIA DE DATOS

Objetivo
Los participantes examinarán las herramientas y las ideas esenciales de la ciencia de datos como análisis previo a aplicaciones más rigurosas. Se pondrán de relieve las aplicaciones de la ciencia de datos para explorar datos financieros desde una nueva perspectiva.

Temario
1. Bases de datos y SQL
1.1.Introducción a las bases de datos con MySQL
1.2.Relación entre tablas: llaves primarias y foráneas
1.3.Creación de una base de datos
1.4.Consultas en una base de datos
2. Python científico
2.1.Numpy: arreglos matriciales
2.2.Gráficas científicas con Matplotlib
2.3.Herramientas científicas con Scipy
3. Introducción al análisis de datos
3.1.DataFrames con Pandas
3.2.Manipulación de información
3.3.Creación de nuevas variables
3.4.Limpieza y validación de información
3.5.Webscrapping
4. Análisis de datos financieros
4.1.Sentimiento de mercado
4.2.Análisis de tendencias en distintos subyacentes
5. Análisis y construcción de portafolios
5.1.Medición del desempeño
5.2.Factores explicativos del desempeño
6. Análisis del lenguaje natural
6.1.Sentimiento de mercado
7. Detección de oportunidades de inversión
7.1.Estrategias de valor relativo
7.2.Robo-advisor
8. Trading algorítmico
8.1.Costos de transacción
8.2.Cobertura e impacto en liquidez
8.3.Ejecución de órdenes
8.4.Trading de pares
8.5.Reversión a la media

MÓDULO 4
MACHINE LEARNING

Objetivo
Los participantes conocerán la teoría, los conceptos y las prácticas del aprendizaje de máquina, un subconjunto del campo de la inteligencia artificial, y entenderán el uso de modelos con librerías de Python. Examinarán las aplicaciones para administración de riesgos de mercado, crédito y contraparte, y estudiarán la generación e implantación de estrategias de trading.

Temario
1. Introducción al aprendizaje de máquina
1.1.¿Aprendizaje de máquina o inteligencia artificial?
1.2.Nociones básicas
1.3.La regresión lineal en el aprendizaje de máquina
1.4.Overfitting y underfitting
2. Selección y entrenamiento de modelos
2.1.Cross-Validation
2.2.Regularización
2.3.El método del gradiente descendente
2.4.Normalización
3. Modelos supervisados
3.1.La regresión logística
3.2.Árboles de decisión
3.3.Máquinas de soporte vectorial
4. Ensemble Learning
4.1.Random Forests
4.2.Votos de clasificadores
4.3.Bagging
4.4.Boosting
4.5.Multiestrategia de selección de portafolios
5. Modelos no supervisados
5.1.K-Nearest Neighbors
5.2.K-means
5.3.Cálculo de la densidad de kernel
5.4.Reducción de dimensiones
6. Aprendizaje de máquina para series de tiempo
6.1.Series de tiempo
6.2.Series de tiempo como un problema de aprendizaje de máquina 6 .3.Validación de modelos de series de tiempo
7. Aplicaciones
7.1.Detección de fraudes en un ámbito no supervisado
7.2.Distribución de rendimientos positivos y negativos
7.3.Perfilamiento de inversionistas
7.4.VaR mediante aprendizaje de máquina
7.5.Medición del riesgo de crédito y riesgo de contraparte
8. Optimización de portafolios
8.1.Modelos dinámicos convexos
8.2.Restricciones de régimen de inversión
8.3.Restricciones no genéricas

MÓDULO 5
DEEP LEARNING


Objetivo
Los participantes se introducirán en la teoría y las ideas de las redes neuronales y sus usos y entenderán el poder de los modelos que se encuentran a la cabeza de importantes empresas de tecnología.

Temario
1. Tensorflow y Keras
2. Funciones de activación
2.1.La función sigmoidal
2.2.Tangente hiperbólica
2.3.ReLu
3. Las redes FeedForward
3.1.El algoritmo del perceptrón
3.2.Redes neuronales de una capa
3.3.Redes neuronales multicapa
3.4.El método de backpropagation
4. Métodos de aprendizaje
4.1.Gradiente descendente
4.2.Momentum
4.3.Nesterov
4.4.AdaGrad
4.5.Adam
4.6.Momentum con tasa de aprendizaje sistematizada
5. Regularización
5.1.L1 y L2 para una red neuronal
5.2.Batch Norm
5.3.Dropout
6. Redes neuronales convolucionales
6.1.Filtros
7. Redes neuronales recurrentes
7.1.El problema del gradiente divergente
7.2.Entrenamiento de una RNN
7.3.General Recurrent Unit (GRU)
7.4.Long Short Term Memory (LSTM)
8. Autoencoders
9. Aplicaciones
9.1.Rendimientos esperados
9.2.Portafolios
9.3.Estimación de CVA
9.4.Desarrollos experimentales: el caso de México