Diplomado en Data Science and Machine Learning Applied to Financial Markets
Modalidad de imparticiónEl programa tiene una modalidad de impartición Presencial, Álvaro Obregón.
Número de horasEl programa tiene un tiempo de duración de 150 horas.
Titulación oficialConsultar al Instituto Tecnológico Autónomo de México para obtener más detalles.
Valoración del programaEl Diplomado en Data Science and Machine Learning Applied to Financial Markets del Instituto Tecnológico Autónomo de México te aporta conocimientos para el uso de herramientas que le permitan analizar, manipular, comprender y representar datos, así como las bases teóricas y de programación necesarias para comprender los modelos de inteligencia artificial y aplicar el modelo óptimo.
Dirigido aEl programa se orienta a profesionales que se desempeñen, o pretendan desempeñarse, en el sector financiero del país o áreas financieras privadas, que deseen especializarse en inteligencia artificial aplicada a mercados financieros.
Empleabilidaden el sector financiero del país, en áreas financieras o de planeación de empresas no financieras, en el ámbito de la enseñanza donde se apliquen o impartan conocimientos de inteligencia artificial aplicada a mercados financieros.
Diplomado en Data Science and Machine Learning Applied to Financial Markets
ContenidoDiplomados Institucionales Data Science and Machine Learning Applied to Financial Markets.
Área: Finanzas y Contabilidad Horario: Lunes de 19:00 A 22:00 H. y Miércoles de 19:00 A 22:00 H. Módulos a Cursar: 5 Horas: 150 Notas: Las Sesiones serán Presenciales
ACERCA DEL PROGRAMA.
El programa tiene por objetivo la introducción de las herramientas necesarias para el desarrollo de la ciencia de datos bajo un ámbito financiero. Al finalizar el programa, el participante será 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.
¿A QUIÉN VA 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.
REQUISITOS:
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).
Plan de Estudios.
Modulo 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
10.2.1. 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
Modulo 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
1.2.1. 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
Modulo 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
3.2.1. 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
Modulo 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.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 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. 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
Modulo 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
9.4.1. Inversión mediante la aproximación de fundamentales
9.4.2. LSTMs para series de tiempo
Otra formación relacionada con mercados financieros / bolsa