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