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

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