Diplomado en Data Science and Machine Learning Applied to Financial Markets

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.

Módulo 1: INTRODUCCIÓN A PYTHON CON FINANZAS 

• Objetivo: Introducir al alumno al lenguaje de programación en Python por medio de aplicaciones en finanzas. Python es uno de los lenguajes con mayor crecimiento en número de usuarios a nivel mundial y famoso por su uso en aplicaciones en ciencia de datos y aprendizaje de máquina. 
• 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 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.Regresando 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: Familiarizar al alumno con las principales áreas de conocimiento enfocadas a fortalecer las habilidades necesarias para desarrollar modelos avanzados mediante el lenguaje de programación Python y matemáticamente rigurosos. 
• 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: Introducir al alumno las herramientas e ideas esenciales de la ciencia de datos para óptima explotación de los datos y análisis previo a más rigurosas aplicaciones. Se hará un énfasis en las aplicaciones de la ciencia de datos a fin de explorar datos financieros desde una nueva perspectiva. 
• 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. html, CSS y el DOM 
• 3.5.2. REQUEST, GET & POST 
• 3.5.3. Obteniendo 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 de desempeño 
• 5.2.Factores explicativos de desempeño 
• 6. Análisis de 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. Algorithmic trading 
• 8.1.Costos de transacción 
• 8.2.Cobertura e impacto en liquidez 
• 8.3.Ejecución de órdenes 
• 8.4.Pairs trading 
• 8.5.Mean reversion 

Módulo 4: CIENCIA DE DATOS 

• Objetivo: Introducir al alumno la teoría, conceptos y prácticas del aprendizaje de máquina, subconjunto de la inteligencia artificial, a fin de entender modelos y su uso bajo librerías del lenguaje de programación Python. Aplicaciones para administración de riesgos de mercado, crédito y contraparte. Generación e implementación de estrategias de trading. 
• 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 bajo una perspectiva de 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 de gradient descent 
• 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.Kernel density estimation 
• 5.4.Reducción de dimensiones 
• 5.4.1. PCA 
• 5.4.2. T-SNE 6 
• 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 de 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: Introducir la teoría e ideas detrás de las redes neuronales, sus usos y entender el poder detrás de los modelos que se encuentran a la cabeza de importantes empresas de tecnología y cuyas aplicaciones se encuentran revolucionando al mundo. 
• 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.Gradient descent 
• 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 7 
• 5.3.Dropout 
• 6. Redes Neuronales Convolucionales 
• 6.1.Filtros 
• 7. Redes Neuronales Recurrentes 
• 7.1.El problema del gradiente divergente 
• 7.2.Entrenando 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: caso México 
• 9.4.1. Inversión mediante la aproximación de fundamentales 
• 9.4.2. LSTMs para series de tiempo

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.

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).