Diplomado en Data Science and Machine Learning Applied to Financial Markets, versión presencial
Diplomado
En Magdalena Contreras
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiarlo en cómodas cuotas mensuales.
Descripción
-
Tipología
Diplomados
-
Lugar
Magdalena contreras
-
Duración
6 Meses
-
Inicio
21/05/2024
¿Te interesa adquirir nuevos conocimientos relacionados a Data Science y Machine Learning? Esta formación Se trata del Diplomado de Data Science and Machine Learning Applied to Financial Markets, impartido de manera presencial por el ITAM, y que está disponible en Emagister, 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. Aprenderás sobre python con finanzas, estadística y probabilidad con python, ciencia de datos, machine learning, deep learning, entre otros conocimientos importantes para la formación.
¿Sabías que Emagister cuenta con un rápido y ágil proceso de matriculación? A la misma puedes acceder desde esta página y consultar sobre esta completa formación. Lo único que debes hacer es dirigirte al botón de “Pide información” y haz clic para que un asesor se pueda comunicar contigo una vez recibida tu solicitud. El mismo podrá asesorarte en todo lo que necesites para que comiences de la mejor forma posible.
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).
Recibirás a la brevedad información más detallada vía correo electrónico.
Opiniones
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
- Análisis de mercado
- Base de datos MySQL
- Análisis de datos
- Inteligencia artificial
- Redes neuronales
- Herramientas de análisis de datos
- Lenguajes de Programación
- Tecnología de redes
- Redes sociales
- Teoría de la información
Profesores
M.F. José Jorge Ramírez
Coordinador
Programa académico
Módulo I
INTRODUCCIÓN A PYTHON CON FINANZAS
Objetivo
- En 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.
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
- 10.2.1. 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
Objetivo
- Los participantes se familiarizarán con las principales áreas de conocimientopara fortalecer su capacidad de elaborar modelos avanzados ymatemáticamente rigurosos mediante el lenguaje de programación Python.
Temario
- 1. 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.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
- 3.2.1. 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 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 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.
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
- 3.2.1. 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 textos
- 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
- 6.1.1. Redes sociales
- 6.1.2. Noticias
- 6.1.3. Expresiones regulares (regex)
- 6.1.4. N-Grams
- 6.1.5. Naive Bayes
- 7. 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-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 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.
Temario
- 1. 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 underfitting
- 2. 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.Normalización
- 3. 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 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
- 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 implícitas
- 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
- 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
Objetivo
- Los 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.
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.Dropout6. 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
- 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