Diplomado en Data Science and Machine Learning Applied to Financial Markets
1038 Personas están visitando este curso
Consultar precio
Solicita información
Diplomado en Data Science and Machine Learning Applied to Financial Markets
Solicita información
Información del curso
Diplomado
Abierta
150 horas
Descripción
El Diplomado en Data Science and Machine Learning Applied to Financial Markets del Instituto Tecnológico Autónomo de México te aportará conocimientos para el uso de herramientas que le permitan analizar, manipular, comprender y representar datos.
También las bases teóricas y de programación necesarias para comprender los modelos de inteligencia artificial y aplicar el modelo óptimo.
También las bases teóricas y de programación necesarias para comprender los modelos de inteligencia artificial y aplicar el modelo óptimo.
Temario
Módulo 1
Introducción a Python con finanzas
Temario
Estadística y probabilidad con Python
Temario
Ciencia de datos
Temario
Machine Learning
Temario
Deep Learning
Temario
Introducción a Python con finanzas
Temario
- Introducción a la programación
- Programación y aplicaciones
- Lenguajes
- Por qué Python
- Entornos de ejecución (Consola, Atom, Jupyter notebooks, Spider, Google colab)
- Estructuras y tipos de datos en Python
- Cadenas, flotantes y enteros
- Variables
- Listas y tuplas
- Diccionarios y conjuntos
- Instrucciones de control
- Álgebra Booleana
- Booleanos
- Condicionales
- Ciclos
- For
- While
- Funciones
- Motivación
- Parámetros
- Regreso de valores
- Recursividad
- Módulos y librerías estándar
- Creación e importación de módulos Instalación de módulos vía PIP e IDE Librería estándar (DateTime, Collections,Os, math)Programación funcional
- Funciones lambda
- Aplicaciones de Lambda: Map, Filter, Reduce
- List Comprehensions
- Predicados: funciones any, all
- Programación orientada a objetos
- ¿Qué es la POO?
- Objetos y clases
- Métodos
- Herencia
- Instanciar una clase
- Clases
- Estructura de una clase
- Manejo y aritmética de fechas
- Date
- Date Time
- Time
- Pandas
- Dataframes
- Creación de Dataframes
- Lectura de archivos
- Exportar archivos
- Selección por posición, etiqueta e índices lógicos
- Unión de Dataframes, left join, right join y full join
- Introducción a Numpy
- Operaciones con arreglos y matrices
- Primeras aplicaciones financieras en Python
- Extracción de información de Bloomberg con Python
- Matemáticas financieras
- Convenciones de tasas de interés
- Ecuaciones de valor
- Anualidades
- Tablas de amortización
- Mercado de dinero
- Valuación de bonos
- Tasas de rendimiento
- Medidas de riesgo
- Duración
- Convexidad
- Interpolación
Estadística y probabilidad con Python
Temario
- Álgebra lineal en Python
- Matrices, vectores y escalares
- Operaciones con matrices
- Suma
- Resta
- Multiplicación
- Determinantes e inversas
- Eigenvalores y Eigenvectores
- Aplicaciones
- Teoría de la información
- Definiciones y principales conceptos
- Entropía
- Redundancia
- Incertidumbre
- Medidas probabilísticas
- Información mutua
- Divergencia KL)
- Probabilidad
- Definiciones y conceptos básicos
- Implementaciones en Python de conceptos básicos
- Esperanza
- Varianza
- Covarianza
- Distribuciones Discretas e implementación en Python
- Bernoulli
- Binomial
- Multinomial
- Geométrica
- Poisson
- Binomial Negativa
- Distribuciones continuas e implementación en Python
- Uniforme
- Normal
- Chi cuadrada
- Exponencial
- Normal multivariada
- Distribución t de Student
- Distribución F
- Gamma
- Beta
- Dirichlet
- El teorema de Bayes
- Definición
- Implementación en Python
- Estadística inferencial aplicada
- Estimación de Máxima Verosimilitud
- Regresión lineal
- Estimación por mínimos cuadrados
- Teorema de Gauss -Markov
- Estimación por máxima verosimilitud
- Supuestos regresión lineal paramétrica
- Implementación regresión lineal en Python
- Estadística bayesiana aplicada
- Aplicaciones a matemáticas de portafolios
Ciencia de datos
Temario
- Bases de datos y SQL
- Introducción a las bases de datos con MySQL
- Relación entre tablas: llaves primarias y foráneas
- Creación de una base de datos
- Consultas en una base de datos
- Python – SQL
- SQLAlchemy
- Python científico
- Numpy: arreglos matriciales
- Gráficas científicas con Matplotlib
- Herramientas científicas con Scipy
- Introducción al análisis de datos
- DataFrames con Pandas
- Manipulación de información
- Desde una base de datos
- CSV
- JSON
- Creación de nuevas variables
- Limpieza y validación de información
- Webscrapping
- Lenguaje html, CSS y el DOM
- Request, Get y Post
- Acopio de información
- Limpieza de información
- Extracción de información de textos
- Selenium
- Análisis de datos financieros
- Sentimiento de mercado
- Análisis de tendencias en distintos subyacentes
- Análisis y construcción de portafolios
- Medición del desempeño
- Factores explicativos del desempeño
- Análisis del lenguaje natural
- Sentimiento de mercado
- Redes sociales
- Noticias
- Expresiones regulares (regex)
- N-Grams
- Naive Bayes
- Detección de oportunidades de inversión
- Estrategias de valor relativo
- Curvas de tasas de interés
- Volatilidad
- Robo-advisor
- Trading algorítmico
- Costos de transacción
- Cobertura e impacto en liquidez
- Ejecución de órdenes
- Trading de pares
- Reversión a la media
Machine Learning
Temario
- Introducción al aprendizaje de máquina
- ¿Aprendizaje de máquina o inteligencia artificial?
- Nociones básicas
- Definición y motivación para métodos de aprendizaje
- Modelos supervisados
- Modelos no supervisados
- La regresión lineal en el aprendizaje de máquina
- Overfitting y underfitting
- Selección y entrenamiento de modelos
- Cross-Validation
- Regularización
- L1
- L2
- Elastic Net
- El método del gradiente descendente
- Normalización
- Modelos supervisados
- Modelos de Clasificación
- Logística
- Árbol de decisión
- SVM
- Modelos de Regresión
- Regresión generalizada
- Árboles de Regresión
- La regresión logística
- Análisis de errores
- Árboles de decisión
- El algoritmo CART
- Máquinas de soporte vectorial
- Motivación
- Lagrangianos
- kernel trick
- El algoritmo SMO
- Ensemble Learning
- Random Forests
- Votos de clasificadores
- Bagging
- Boosting
- Multiestrategia de selección de portafolios
- Modelos no supervisados
- K-Nearest Neighbors
- K-means
- Cálculo de la densidad de kernel
- Reducción de dimensiones
- PCA
- T-SNE
- Construcción de curvas de tasas de interés ajustadas por colateral
- Volatilidades implícitas
- Aprendizaje de máquina para series de tiempo
- Series de tiempo
- Series de tiempo como un problema de aprendizaje de máquina
- Validación de modelos de series de tiempo
- Aplicaciones
- Detección de fraudes en un ámbito no supervisado
- Distribución de rendimientos positivos y negativos
- Perfilamiento de inversionistas
- VaR mediante aprendizaje de máquina
- Medición del riesgo de crédito y riesgo de contraparte
- Simulación Montecarlo
- Estimación de Credit Value Adjustment (CVA)
- Optimización de portafolios
- Modelos dinámicos convexos
- Restricciones de régimen de inversión
- Restricciones no genéricas:
- Apalancamiento
- Liquidez
Deep Learning
Temario
- Funciones de activación
- La función sigmoidal
- Tangente hiperbólica
- ReLu
- Las redes FeedForward
- El algoritmo del perceptrón
- Redes neuronales de una capa
- Redes neuronales multicapa
- El método de backpropagation
- Métodos de aprendizaje
- Gradiente descendente
- Momentum
- Nesterov
- AdaGrad
- Adam
- Momentum con tasa de aprendizaje sistematizada
- Regularización
- L1 y L2 para una red neuronal
- Batch Norm
- Dropout
- Redes neuronales convolucionales
- Filtros
- Autoencoders
- Redes neuronales recurrentes
- El problema del gradiente divergente
- Entrenamiento de una RNN
- General Recurrent Unit (GRU)
- Long Short Term Memory (LSTM)
- Aplicaciones
- Rendimientos esperados
- Portafolios
- Estimación de CVA
- Desarrollos experimentales: el caso de México
- Inversión mediante la aproximación de fundamentales
- LSTMs para series de tiempo
Destinatarios
Profesionales del sector financiero del país, en áreas financieras o de planeación de empresas no financieras que quieran especializarse en inteligencia artificial aplicada a los mercados financieros.
Requisitos
Nociones de programación y matemática financiera, álgebra lineal, cálculo y estadística.
Metodología
Abierta
Idiomas en los que se imparte
Español
Objetivos
- Se presentarán las herramientas necesarias para el desarrollo de la ciencia de datos en un ámbito financiero.
- Utilizarán estas herramientas para analizar, manipular, comprender y representar datos.
- Adquirirán bases teóricas y de programación para comprender los modelos de inteligencia artificial y para aplicar el mejor modelo a un problema dado.
Título obtenido
Consultar con el Centro para más detalles.
Perspectivas laborales
Capacidades para ejercer en toda organización publica o privada donde se produzcan y utilicen los conocimientos de inteligencia artificial aplicada a los mercados financieros.
Precio
Consultar precio
Precio a consultar.
Bolsa de empleo
ITAM dispone de Bolsa de Empleo.
Profesorado
Profesorado altamente cualificado.
Horario
Martes de 19:00 h a 22:00 h. y Jueves de 19:00 h A 22:00 h.
Diplomado en Data Science and Machine Learning Applied to Financial Markets
Instituto Tecnológico Autónomo de México (ITAM)
Campus y sedes: Instituto Tecnológico Autónomo de México (ITAM)
Sede - ITAM Instituto Tecnológico Autónomo de México
Río Hondo #1 Col. Progreso Tizapán
01080
Álvaro Obregón
(Distrito Federal)