Diplomado en Data Science and Machine Learning Applied to Financial Markets (Versión en Línea)

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