Diplomado en Data Science and Machine Learning Applied to Financial Markets (Versión en Línea)
-
Todo bien, me ha gustado mucho y he aprendido en cantidades. Mediante la experiencia que he tenido destaco el trato de los profesores y compañeros ha sido realmente fantástico y el hecho de tener a tu disposición un personal docente altamente cualific...
← | →
Diplomado
En línea
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiarlo en cómodas cuotas mensuales.
¡Es el momento perfecto para seguirte preparando!
-
Tipología
Diplomados
-
Metodología
En línea
-
Duración
6 Meses
-
Inicio
21/05/2024
¿Te interesa adquirir nuevos conocimientos relacionados a Data Science y Machine Learning? Si es así entonces en Emagister contarás con un Diplomado en Data Science and Machine Learning Applied to Financial Markets, impartido por ITAM- Instituto Tecnológico Autónomo de México el cual ha diseñado en una metodología online.
Al finalizar el programa, serás 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. En esta formación conocerás sobre la introducción a Python con finanzas, además aprenderás sobre las estadísticas y probabilidad con Python. Entenderás sobre la ciencia de datos, machine learning, deep learning, entre otros conocimientos fundamentales para el sector.
Si te interesó lo que te contamos y quieres saber más, no dudes en ponerte en contacto a través del botón de “Pide información” que encuentras en esta misma página de Emagister, de esta forma un asesor capacitado se pondrá en contacto contigo para responder cualquier duda que tengas, brindarte más detalles acerca de este curso y si lo deseas ayudarte en el proceso de matriculación.
Sedes y fechas disponibles
Ubicación
Inicio
Inicio
Acerca 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.
-Llenar solicitud de inscripción en línea y adjuntar una identificación oficial vigente (CURP, INE, IFE o pasaporte).
-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).
Muchas gracias por tu interés en nuestro programa. Recibirás a la brevedad información más detallada vía correo electrónico.
Opiniones
-
Todo bien, me ha gustado mucho y he aprendido en cantidades. Mediante la experiencia que he tenido destaco el trato de los profesores y compañeros ha sido realmente fantástico y el hecho de tener a tu disposición un personal docente altamente cualific...
← | →
Valoración del curso
Lo recomiendan
Valoración del Centro
Remko A
Logros de este Centro
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 17 años en Emagister.
Materias
- E-learning
- Inteligencia artificial
- Redes neuronales
- Ciencia de datos
- Machine learning
- Ámbito financiero
- Deep learning
- Aplicación de modelos
Profesores
M.F. José Jorge Ramírez
Coordinador
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
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiarlo en cómodas cuotas mensuales.
Diplomado en Data Science and Machine Learning Applied to Financial Markets (Versión en Línea)