Diplomado en Data Science and Machine Learning Applied to Financial Markets - Álvaro Obregón - Distrito Federal - I45705

Home>Diplomado>Mercados Financieros / Bolsa>Álvaro Obregón>Diplomado en Data Science and Machine Learning Applied to Financial Markets - Álvaro Obregón - Distrito Federal
 
Diplomado en Data Science and Machine Learning Applied to Financial Markets
Método: Presencial
Tipo: Diplomado
Precio: mx$ 13,100
Costo de inscripción: $8,100.00 pesos m.n
Costo por módulo: $13,100.00 pesos m.n
Loading...

Solicita información sin compromiso
ITAM - Instituto Tecnológico Autónomo de México

Diplomado en Data Science and Machine Learning Applied to Financial Markets - Álvaro Obregón - Distrito Federal

Nombre
Apellidos
Teléfono
Lada Ej: 234
 
 
 
 
Teléfono Fijo Ej: 49799999
 
 
 
 
Mi teléfono es:
Fijo
Celular
Otro teléfono
Lada Ej: 234
 
 
 
 
Teléfono Fijo Ej: 49799999
 
 
 
 
Mi teléfono es:
Fijo
Celular
E-Mail
Estado
Preguntas
Para enviar la solicitud debes aceptar la política de privacidad
* Campos obligatorios

En breve un responsable de ITAM - Instituto Tecnológico Autónomo de México, se pondrá en contacto contigo para informarte.
Por favor, rellena todos los campos correctamente
Imágenes de ITAM - Instituto Tecnológico Autónomo de México:
Foto Centro ITAM - Instituto Tecnológico Autónomo de México Distrito Federal
Foto Centro ITAM - Instituto Tecnológico Autónomo de México Distrito Federal
AnteriorAnterior
SiguienteSiguiente
Foto Centro ITAM - Instituto Tecnológico Autónomo de México Álvaro Obregón
ITAM - Instituto Tecnológico Autónomo de México Distrito Federal Centro
Foto ITAM - Instituto Tecnológico Autónomo de México Distrito Federal Centro
Centro ITAM - Instituto Tecnológico Autónomo de México Distrito Federal
Foto Centro ITAM - Instituto Tecnológico Autónomo de México Distrito Federal
ITAM - Instituto Tecnológico Autónomo de México Álvaro Obregón Distrito Federal Centro
Foto ITAM - Instituto Tecnológico Autónomo de México Álvaro Obregón Distrito Federal
Centro ITAM - Instituto Tecnológico Autónomo de México Álvaro Obregón Distrito Federal
Diplomado en Data Science and Machine Learning Applied to Financial Markets - Álvaro Obregón - Distrito Federal Comentarios sobre Diplomado en Data Science and Machine Learning Applied to Financial Markets - Álvaro Obregón - Distrito Federal
Contenido:
Diplomado en Data Science and Machine Learning Applied to Financial Markets.

Área: Finanzas Y Contabilidad
Inicia: 02-Septiembre-2019
Horario: Lunes de 19:00 a 22:00 h. y miércoles de 19:00 a 22:00 h.
Módulos a Cursar: 5
Horas: 150 

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. 

Requisitos: Se Requiere Nociones De Programacion, Bases Solidas De Matematicas Financieras, Algebra Lineal, Calculo Y Estadistica. Es Indispensable Traer Una Computadora Portatil A Las Sesiones (Procesador Al Menos I5 O Equivalente).

¿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.  

Temario:

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: 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
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 neuronales y sus usos y entenderán el poder de los modelos que se encuentran a la cabeza de importantes empresas de tecnología.

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
Otra formación relacionada con Diplomado de Mercados Financieros / Bolsa: