course-premium

Diplomado en Data Science and Machine Learning Applied to Financial Markets, versión presencial

Diplomado

En Magdalena Contreras

más de $ 70000

¿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

  • Lugar

    Magdalena contreras

  • Duración

    6 Meses

  • Inicio

    08/06/2022

¿Te interesa adquirir nuevos conocimientos relacionados a Data Science y Machine Learning?

En el Diplomado de Data Science and Machine Learning Applied to Financial Markets, impartido de manera presencial por el ITAM,
adquirirás todas las herramientas necesarias para el desarrollo de la ciencia de datos bajo un ámbito financiero.

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.

Si te interesa este diplomado, ¡no lo pienses más! Solicita información directamente en Emagister para que el centro educativo se ponga en contacto contigo y resuelva todas tus dudas a la brevedad.

¡Es el momento perfecto para seguirte preparando!

Sedes y fechas disponibles

Ubicación

Inicio

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

08 jun. 2022Inscripciones abiertas

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.

-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.

Preguntas & Respuestas

Añade tu pregunta

Nuestros asesores y otros usuarios podrán responderte

¿Quién quieres que te responda?

Déjanos tus datos para recibir respuesta

Sólo publicaremos tu nombre y pregunta

Opiniones

Logros de este Centro

2020
2017

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 15 años en Emagister.

Materias

  • E-learning
  • Estadística
  • Redes
  • Trading
  • Inteligencia artificial
  • Herramientas
  • Programacion
  • Redes neuronales
  • Python
  • Ciencia de datos
  • Machine learning
  • Ámbito financiero
  • Deep learning
  • Aplicación de modelos

Profesores

M.F. José Jorge Ramírez

M.F. José Jorge Ramírez

Coordinador

Programa académico

Módulo I
INTRODUCCIÓN A PYTHON CON FINANZAS
ObjetivoEn este módulo, los participantes conocerán el lenguaje de programación Pythonpor medio de aplicaciones en finanzas. Python es conocido por su uso enaplicaciones en ciencia de datos y aprendizaje de máquina, y su base deusuarios es de las que tiene mayor crecimiento en el mundo.

Temario1. Introducción a la programación 1.1.Programación y aplicaciones 1.2.Lenguajes 1.3.Por qué Python2. Objetos dentro de Python 2.1.Cadenas, flotantes y enteros 2.2.Variables 2.3.Listas y tuplas 2.4.Diccionarios y conjuntos3. Instrucciones de control 3.1.Booleanos 3.2.Condicionales4. Ciclos 4.1.For 4.2.While5. Funciones 5.1.Motivación 5.2.Parámetros 5.3.Regreso de valores6. Librería estándar 6.1.Datetime 6.2.Collections 6.3.Os7. Usos avanzados 7.1.Funciones lambda 7.2.Map, Filter, Reduce 7.3.Listas por comprensión8. Programación orientada a objetos 8.1.Clases 8.2.Estructura de una clase9. Programación funcional 9.1.Funciones lambda 9.2.List Comprehensions 9.3.Cálculo de predicados: funciones any, all10.Primeras aplicaciones financieras en Python 10.1. Extracción de información de Bloomberg con Python 10.2. Matemáticas financieras 10.2.1. Convenciones de tasas de interés 10.2.2. Ecuaciones de valor 10.2.3. Anualidades 10.2.4. Tablas de amortización 10.3. Mercado de dinero 10.3.1. Valuación de bonos 10.3.2. Tasas de rendimiento 10.3.3. Medidas de riesgo 10.3.3.1. Duración 10.3.3.2. Convexidad 10.3.4. Interpolación

Módulo 2 ESTADÍSTICA Y PROBABILIDAD CON PYTHON
ObjetivoLos participantes se familiarizarán con las principales áreas de conocimientopara fortalecer su capacidad de elaborar modelos avanzados ymatemáticamente rigurosos mediante el lenguaje de programación Python.

Temario1. Álgebra lineal 1.1.Matrices, vectores y escalares 1.2.Operaciones con matrices 1.2.1. Suma 1.2.2. Resta 1.2.3. Multiplicación 1.3.Determinantes e inversas 1.4.Eigenvalores y Eigenvectores 1.5.Aplicaciones2. Teoría de la información 2.1.Entropía 2.2.Divergencia KL 2.3.Información mutua3. Probabilidad 3.1.Reglas de la probabilidad 3.2.Distribuciones discretas 3.2.1. Bernoulli 3.2.2. Binomial 3.2.3. Multinomial 3.3.Distribuciones continuas 3.3.1. Normal 3.3.2. Normal multivariada 3.3.3. Distribución t de Student 3.3.4. Gamma 3.3.5. Beta 3.3.6. Dirichlet 3.4.Esperanza, varianza y covarianza 3.5.El teorema de Bayes4. Estadística inferencial5. Estadística bayesiana6. Aplicaciones a matemáticas de portafolios7. 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
ObjetivoLos participantes examinarán las herramientas y las ideas esenciales de laciencia de datos como análisis previo a aplicaciones más rigurosas. Se pondránde relieve las aplicaciones de la ciencia de datos para explorar datos financierosdesde una nueva perspectiva.

Temario1. 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 datos2. Python científico 2.1.Numpy: arreglos matriciales 2.2.Gráficas científicas con Matplotlib 2.3.Herramientas científicas con Scipy3. Introducción al análisis de datos 3.1.DataFrames con Pandas 3.2.Manipulación de información 3.2.1. Desde una base de datos 3.2.2. CSV 3.2.3. JSON 3.3.Creación de nuevas variables 3.4.Limpieza y validación de información 3.5.Webscrapping 3.5.1. Lenguaje html, CSS y el DOM 3.5.2. Request, Get y Post 3.5.3. Acopio de información 3.5.4. Limpieza de información 3.5.5. Extracción de información de textos4. Análisis de datos financieros 4.1.Sentimiento de mercado 4.2.Análisis de tendencias en distintos subyacentes5. Análisis y construcción de portafolios 5.1.Medición del desempeño 5.2.Factores explicativos del desempeño6. Análisis del lenguaje natural 6.1.Sentimiento de mercado 6.1.1. Redes sociales 6.1.2. Noticias 6.1.3. Expresiones regulares (regex) 6.1.4. N-Grams 6.1.5. Naive Bayes7. Detección de oportunidades de inversión 7.1.Estrategias de valor relativo 7.1.1. Curvas de tasas de interés 7.1.2. Volatilidad 7.2.Robo-advisor8. 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 delaprendizaje de máquina, un subconjunto del campo de la inteligencia artificial, yentenderán el uso de modelos con librerías de Python. Examinarán lasaplicaciones para administración de riesgos de mercado, crédito y contraparte, yestudiarán la generación e implantación de estrategias de trading.

Temario1. Introducción al aprendizaje de máquina 1.1.¿Aprendizaje de máquina o inteligencia artificial? 1.2.Nociones básicas 1.2.1. Definición y motivación para métodos de aprendizaje 1.2.2. Modelos supervisados 1.2.3. Modelos no supervisados 1.3.La regresión lineal en el aprendizaje de máquina 1.4.Overfitting y underfitting2. Selección y entrenamiento de modelos 2.1.Cross-Validation 2.2.Regularización 2.2.1. L1 2.2.2. L2 2.2.3. Elastic Net 2.3.El método del gradiente descendente 2.4.Normalización3. Modelos supervisados 3.1.La regresión logística 3.1.1. Análisis de errores 3.2.Árboles de decisión 3.2.1. El algoritmo CART 3.3.Máquinas de soporte vectorial 3.3.1. Motivación 3.3.2. Lagrangianos 3.3.3. kernel trick 3.3.4. El algoritmo SMO4. Ensemble Learning 4.1.Random Forests 4.2.Votos de clasificadores 4.3.Bagging 4.4.Boosting 4.5.Multiestrategia de selección de portafolios5. 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 5.4.1. PCA 5.4.2. T-SNE 5.4.3. Construcción de curvas de tasas de interés ajustadas por colateral 5.4.4. Volatilidades implícitas6. 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 tiempo7. 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 7.5.1. Estimación de Credit Value Adjustment (CVA)8. Optimización de portafolios 8.1.Modelos dinámicos convexos 8.2.Restricciones de régimen de inversión 8.3.Restricciones no genéricas: 8.3.1. Apalancamiento 8.3.2. Liquidez

Módulo 5 DEEP LEARNING
ObjetivoLos participantes se introducirán en la teoría y las ideas de las redes neuronalesy sus usos y entenderán el poder de los modelos que se encuentran a la cabezade importantes empresas de tecnología.

Temario1. Tensorflow y Keras2. Funciones de activación 2.1.La función sigmoidal 2.2.Tangente hiperbólica 2.3.ReLu3. 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 backpropagation4. 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 sistematizada5. Regularización 5.1.L1 y L2 para una red neuronal 5.2.Batch Norm 5.3.Dropout6. Redes neuronales convolucionales 6.1.Filtros7. 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. Autoencoders9. Aplicaciones 9.1.Rendimientos esperados 9.2.Portafolios 9.3.Estimación de CVA 9.4.Desarrollos experimentales: el caso de México 9.4.1. Inversión mediante la aproximación de fundamentales 9.4.2. LSTMs para series de tiempo

¿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 presencial

más de $ 70000