Diplomado en Data Science and Machine Learning Applied to Financial Markets

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
  • 1.4. Entornos de ejecución (Consola, Atom, Jupyter notebooks, Spider, Google colab)
• 2. Estructuras y tipos de datos en 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. Álgebra Booleana
  • 3.2. Booleanos
  • 3.3. Condicionales
• 4. Ciclos
  • 4.1. For
  • 4.2. While
• 5. Funciones
  • 5.1. Motivación
  • 5.2. Parámetros
  • 5.3. Regreso de valores
  • 5.4. Recursividad
• 6. Módulos y librerías estándar
• 7. Creación e importación de módulos Instalación de módulos vía PIP e IDE Librería estándar (DateTime, Collections,Os, math)Programación funcional
  • 7.1. Funciones lambda
  • 7.2. Aplicaciones de Lambda: Map, Filter, Reduce
  • 7.3. List Comprehensions
  • 7.4. Predicados: funciones any, all
• 8. Programación orientada a objetos
  • 8.1. ¿Qué es la POO?
  • 8.2. Objetos y clases
  • 8.3. Métodos
  • 8.4. Herencia
  • 8.5. Instanciar una clase
  • 8.6. Clases
  • 8.7. Estructura de una clase
• 9. Manejo y aritmética de fechas
  • 9.1. Date
  • 9.2. Date Time
  • 9.3. Time
• 10. Pandas
  • 10.1. Dataframes
  • 10.2. Creación de Dataframes
  • 10.3. Lectura de archivos
  • 10.4. Exportar archivos
  • 10.5. Selección por posición, etiqueta e índices lógicos
  • 10.6. Unión de Dataframes, left join, right join y full join
• 11. Introducción a Numpy
  • 11.1. Operaciones con arreglos y matrices
• 12. Primeras aplicaciones financieras en Python
  • 12.1. Extracción de información de Bloomberg con Python
  • 12.2. Matemáticas financieras
    • 12.2.1. Convenciones de tasas de interés
    • 12.2.2. Ecuaciones de valor
    • 12.2.3. Anualidades
    • 12.2.4. Tablas de amortización
  • 12.3. Mercado de dinero
    • 12.3.1. Valuación de bonos
    • 12.3.2. Tasas de rendimiento
    • 12.3.3. Medidas de riesgo
      • 12.3.3.1. Duración
      • 12.3.3.2. Convexidad
    • 12.3.4. Interpolación

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 en Python
  • 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. Definiciones y principales conceptos
    • 2.1.1.Entropía
    • 2.1.2.Redundancia
    • 2.1.3.Incertidumbre
  • 2.2. Medidas probabilísticas
    • 2.2.1.Información mutua
    • 2.2.2.Divergencia KL)
• 3. Probabilidad
  • 3.1. Definiciones y conceptos básicos
  • 3.2. Implementaciones en Python de conceptos básicos
    • 3.2.1.Esperanza
    • 3.2.2.Varianza
    • 3.2.3.Covarianza
  • 3.3. Distribuciones Discretas e implementación en Python
    • 3.3.1.Bernoulli
    • 3.3.2.Binomial
    • 3.3.3.Multinomial
    • 3.3.4.Geométrica
    • 3.3.5.Poisson
    • 3.3.6.Binomial Negativa
  • 3.4. Distribuciones continuas e implementación en Python
    • 3.4.1.Uniforme
    • 3.4.2.Normal
    • 3.4.3.Chi cuadrada
    • 3.4.4.Exponencial
    • 3.4.5.Normal multivariada
    • 3.4.6.Distribución t de Student
    • 3.4.7.Distribución F
    • 3.4.8.Gamma
    • 3.4.9.Beta
    • 3.4.10. Dirichlet
  • 3.5. El teorema de Bayes
    
    • 3.5.1.Definición
    • 3.5.2.Implementación en Python
• 4. Estadística inferencial aplicada
  • 4.1. Estimación de Máxima Verosimilitud
  • 4.2. Regresión lineal
    • 4.2.1.Estimación por mínimos cuadrados
    • 4.2.2.Teorema de Gauss -Markov
    • 4.2.3.Estimación por máxima verosimilitud
    • 4.2.4.Supuestos regresión lineal paramétrica
    • 4.2.5.Implementación regresión lineal en Python
• 5. Estadística bayesiana aplicada
• 6. Aplicaciones a matemáticas de portafolios

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
  • 1.5. Python – SQL
    • 1.5.1.SQLAlchemy
• 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
    • 3.5.6.Selenium
• 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 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
    • 1.2.1.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. Modelos de Clasificación
    • 3.1.1.Logística
    • 3.1.2.Árbol de decisión
    • 3.1.3.SVM
  • 3.2. Modelos de Regresión
    • 3.2.1.Regresión generalizada
    • 3.2.2.Árboles de Regresión
  • 3.3. La regresión logística
    • 3.3.1.Análisis de errores
  • 3.4. Árboles de decisión
    • 3.4.1.El algoritmo CART
  • 3.5. Máquinas de soporte vectorial
    • 3.5.1.Motivación
    • 3.5.2.Lagrangianos
    • 3.5.3.kernel trick
    • 3.5.4.El algoritmo SMO
• 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
    • 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.Simulación Montecarlo
    • 7.5.2.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 neuronales y sus usos y entenderán el poder de los modelos que se encuentran a la cabeza de importantes empresas de tecnología.

Temario

• 1. Funciones de activación
  • 1.1. La función sigmoidal
  • 1.2. Tangente hiperbólica
  • 1.3. ReLu
• 2. Las redes FeedForward
  • 2.1. El algoritmo del perceptrón
  • 2.2. Redes neuronales de una capa
  • 2.3. Redes neuronales multicapa
  • 2.4. El método de backpropagation
• 3. Métodos de aprendizaje
  • 3.1. Gradiente descendente
  • 3.2. Momentum
  • 3.3. Nesterov
  • 3.4. AdaGrad
  • 3.5. Adam
  • 3.6. Momentum con tasa de aprendizaje sistematizada
• 4. Regularización
  • 4.1. L1 y L2 para una red neuronal
  • 4.2. Batch Norm
  • 4.3. Dropout
• 5. Redes neuronales convolucionales
  • 5.1. Filtros
• 6. Autoencoders
• 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. Aplicaciones
  • 8.1. Rendimientos esperados
  • 8.2. Portafolios
  • 8.3. Estimación de CVA
  • 8.4. Desarrollos experimentales: el caso de México
    • 8.4.1.Inversión mediante la aproximación de fundamentales
    • 8.4.2.LSTMs para series de tiempo