Modelos de Finanzas en Python y R

OBJETIVOS

 

Curso intensivo de finanzas modernas, derivados financieros y gestión de riesgos, empleando dos potentes lenguajes de programación: Python y R. El curso tiene como objetivos:

  • Mostrar ejercicios potentes de Python y R en el entorno Jupyter.

  • Exponer la importancia del valor del dinero en el tiempo usando ejercicios de Python.

  • Mostrar el uso de Python y R para valorar y gestionar opciones financieras. Se mostrará no solo ejercicios en Python, sino en Cython, compilador de C++, para mejorar la velocidad de respuesta de las simulaciones. 

  • Mostrar las metodologías recientes en la medición del Value at Risk y Expected Shortfall 

  • Exponer metodologías tradicionales y avanzadas para analizar y realizar forecasting de series temporales financieras, tales como, los modelos garch, VAR, VEC y redes neuronales.

  • Mostrar el uso del machine learning y redes sociales para predecir el precio de las acciones, a traves de análisis de sentimientos.

  • Exponer metodologías para construir la curva de rendimientos, yield curve, y el uso de los derivados para tipos de interés.

  • Mostrar modelos financieros de portfolio management, entre otros: MPT, CAPM, APT, a través de potentes ejercicios en Python y R.

 

¿QUIÉNES DEBEN ASISTIR?

 

Este programa esta dirigido a responsables, analistas y consultores de finanzas y riesgos financieros. Y a todas aquellas personas interesadas en las finanzas modernas. 

Horarios:

  • Santiago de Chile, Sao Paulo, Buenos Aires, Santo Domingo: L a V: 18-21h

  • España, Portugal: L a V 19-22 h

 

  • Ciudad de México, Lima, Quito, Bogotá, San JoséL a V 19-22 h

Precio: 2.900 €

Nivel: Intermedio

Duración: 24 h

Material: 

Presentaciones: PDF

Ejercicios:  Python, Cython, R y Jupyter

 

AGENDA

Modelos de Finanzas en Python y R

Python y R

Módulo 1: Programación en Pyhton

 

  • ¿Que es Python? 

  • Crecimiento exponencial del uso de Python

  • Pyhton en el sector bancario

  • Instalación de Python

  • Importación de archivos

  • Tratatamiento de datos

  • Variables y programación

  • Construcción de funciones

  • Principales sentencias de programación

  • Datos fuentes de internet

  • Numpy, Scipy, Scikit-lern,panda y Matplotlib

  • Instalación y uso  de Anaconda

  • Uso de Cython para mayor rapidez

  • Ejercicio 1: Cálculadora Black-Sholes

  • Ejercicio 2: Importación y modelos de series temporales

  • Ejercicio 3: Simulación de Monte Carlo en Python 

Módulo 2: Programación en R

 

  • Introducción de R

  • ¿Porque usar R en la Banca?

  • Instalación y Actualización de R

  • R con Windows

  • R con Linux y Unix

  • Programación en R

    • Principales Sentencias

    • Operadores 

    • Dataframes 

    • Arrays

    • Matrices

    • Principales funciones

  • Librerias, Paquetes y CRAN 

  • Importar Bases de datos en R

  • Manipulación y gestión de bases de datos en R

  • Gestión de Outputs

  • Procedimientos Estadísticos

    • Estadística Descriptiva

    • Análisis Exploratorio

  • Ejercicio 4: Ejercicios de programación en R

  • Ejercicio 5: Definición de funciones

  • Ejercicio 6: Herramientas de estadística 

  • Ejercicio 7: Herramientas financieras

Valor del Dinero en el tiempo

Módulo 3: Instrumentos de Renta Fija

 

 

  • Definición Renta Fija 

  • Cotización, Precio y Cupón Corrido. 

  • Definición: Bono a la Par, Bajo la Par y Sobre la Par. 

  • Letras del Tesoro

  • Papeles Comerciales

  • Certificados de Depósito

  • Bullet Bonds

  • Eurodolares

  • Bonos amortizables

  • Bono Cupón Cero

  • Bonos con tasa variable

    • Valoración de bonos con cupón

    • Valoración de bonos con tasa variable

  • Normas internacionales en la valoración

  • Cálculo de Precio Limpio y Precio sucio

  • Cupón corrido y cotización entre fechas de cupón

  • Cotizaciones y lectura en Bloomberg

  • Ejercicio 8: Valoración de bonos con cupones y estimación de TIR en Python

Opciones y Futuros

Módulo 4: Mercado de derivados: Futuros y Swaps

 

  • Mercado de derivados en España

  • Mercado de Derivados en Latinoamérica

  • Futuros

  • Forwards

    • Fx Forwards

    • FRAs

  • Swaps

    • Interest Rate Swaps IRS

    • Equity Swaps

    • Fx Swaps

    • Credit Default Swap CDS

  • Ejercicio 9: Pricing  de Fx Swap en Excel 

 

Módulo 5: Opciones

 

  • Características Opciones

  • Tipología de opciones

  • Call y Put Europea y Americana

  • Modelos de Valoración

    • Black-Scholes

    • Árbol binomial

  • Opciones sobre índices de Acciones y Divisas

  • Ejercicio 10: Valoración Call Option en Python

  • Ejercicio 11: Valoración binomial en R

  • Ejercicio 12: Valoración binomial de opción americana en Python y Cython

  • Ejercicio 13: Valoración de opción por Simulación de Montecarlo en R y Phyton

  • Ejercicio 14: Valoración Black y Scholes en R

Módulo 6: Opciones Exóticas 1º y 2º generación

 

  • Primera Generación

  • Opciones Asiáticas

  • Opciones Cliquet

  • Gap Options

  • Perpetual American call/put option

  • Chooser Options

  • Opciones Lookback

  • Opciones Barrera

  • Opciones Digitales/Binarias

  • Opciones Multi-Asset/Rainbow

  • Segunda Generación

  • Power Options 

  • Corridors

  • Faders Fx Option

  • Digital Barrier Options 

  • Pay-Later Options 

  • Step Up and Step Down Options 

  • Forward Volatility Agreements (FVAs)

  • Spread and Exchange Options 

  • Baskets 

  • Outside Barrier Options 

  • Best-of and Worst-of Options 

  • Ejercicio 15: Pricing opción Lookback en R

  • Ejercicio 16: Pricing de opción asiática en Python

  • Ejercicio 17: Pricing de opción Barrera en Python

 

Módulo 7: Gestión de Portfolios de Opciones

 

  • Parámetros de cobertura

  • Griegas: Delta, Gamma, Vega, Theta, Rho

  • Seguimiento y ajuste de posiciones de opciones en tiempo real

  • Simulaciones y análisis de sensibilidades de precios de ocpiones

  • Modelos de Barone-Adesi y Whaley model

  • Monitorización y gestión real de:

    • delta

    • gamma

    • theta

    • vega

    • elasticidad

  • Ajustes ante cambio de volatilidades

  • Relación entre parámetros de cobertura

  • Enfoques de estimación de griegas:

    • Diferenciación

    • Árbol binomial

    • Estimación de diferencias finitas

    • Estimación de Máxima Verosimilitud (EMV)

  • Adjoint of Atomatic Differentiation​

  • Ejercicio 18: Estimación de griegas delta, gamma, theta y vega en Excel con VBA y Python

  • Ejercicio 19: Estimación de griegas usando R

  • Ejercicio 20: Adjoint of Automatic Differentiation en Python y Excel con VBA

 

VAR y Expected Shortfall

Módulo 8: Tratamiento del Rendimiento y la Volatilidad

 

  • Tratamiento del Rendimiento

  • Exponentially Weighted Moving Average (EWMA)

  • Modelo GARCH Univariante

  • Extensiones del GARCH

  • Evaluación de modelos de varianza

    • Revisión In sample con autocorrelación

    • Revisión out sample con regresión

  • Uso de información intradía

  • Modelo GARCH Multivariante con copulas

  • Ejercicio 21: Modelización volatilidad GARCH (1,1) en Python

  • Ejercicio 22: Modelización volatilidad GARCH copulas en R

Módulo 9: Value at Risk (VaR) y Expected Shortfall (ES)

 

  • Porfolios Líneales y no-líneales

  • Estimación de Volatilidad

  • Modelos Paramétricos

    • Normal VaR

    • Distribución t-student

    • Distribución Lognormal

  • Modelo Líneal para acciones y bonos

  • Modelo Cuadrático para opciones

  • Expected Shortfall

  • Ejercicio 23: Expected Shortfall y VaR en Python

Módulo 10: Simulación Histórica y Monte Carlo

 

  • VaR Simulación Histórica

    • Ajuste a la volatilidad

    • Bootstrapping

  • VaR Simulación de Monte Carlo

    • Simulación con un factor de riesgo

    • Simulación con múltiples factores de riesgo

    • Métodos de Reducción de varianza

  • VaR Monte Carlo basado en copula gaussiana

  • VaR Monte Carlo basado en copula t-student

  • Ejercicio 24: Estimación del VaR: usando Simulación de Monte Carlo en Pyhton

  • Ejercicio 25: Simulación Histórica en Excel 

  • Ejercicio 26: Backtesting de Simulación Histórica en Excel

  • Ejercicio 27: VaR usando copula gaussiana y tStudent en R

 

 

Series temporales financieras

 

Módulo 11: Modelos ARIMA y Vectores Autoregresivos

 

  • Series No Estacionarias

  • Test Dickey-Fuller

  • Pruebas de Cointegración

  • Modelos ARIMA

  • Modelos de Vectores Autoregresivos (VAR)

  • Modelos de Vectores de Corrección del Error (VEC)

  • Ejercicio 28: Pruebas de Series no estacionarias y de cointegración en R 

  • Ejercicio 29: Modelización variables financieras con vectores autoregresivos en R y Python

 

Módulo 12: Modelos de Forecasting

  • Tratamiento de los datos

    • Series No Estacionarias

    • Test Dickey-Fuller

    • Pruebas de Cointegración

  • Modelos Econométricos

    • Modelos ARIMA

    • Modelos de Vectores Autoregresivos VAR

    • Modelos ARCH

    • Modelos GARCH

    • Modelos GARCH Multivariante Copulas

  • Modelos de Machine Learning

    • Supported Vector Machine 

    • Red Neuronal

  • Ejercicio 30:Pruebas de Series no estacionarias y de cointegración en R 

  • Ejercicio 31: Modelización precio de acciones con vectores de correción de error en R 

  • Ejercicio 32: Forecasting volatilidad GARCH en Python

  • Ejercicio 33: Forecasting Machine Learning usando NN en R

 

 

Redes Sociales para determinar

el precio de la acción

Módulo 13: Análisis de Sentimientos en Twitter 

para predecir precios de acciones

  • Modelos de Predicción de precios de acciones basados en sentimientos

  • Twitter​

    • Fuentes de información

  • Tratamiento de la información

    • Definición Text Mining

    • Unstructured Data

    • Análisis Exploratorio

    • Treemaps

  • Modelización predictiva en el Text Mining

    • K-Nearest Neighbors

  • Text Mining en las Redes Sociales

    • Keyword Search

    • Algortimos de clasificación

    • Algoritmos Clustering

  • Sentimiento en lingüística y Psicología

    • Subjetividad

    • Facticidad

  • Análisis de Sentimientos en Twitter

    • Análisis  y Score de polaridad

    • Support Vector Machine

    • Redes Neuronales

  • Ejercicio 34: Text Mining de un documento en R

  • Ejercicio 35: Análisis de palabras y asociaciones de tweets  

  • Ejercicio 36: Análisis de Sentimientos en Twitter y modelo predictivo usando Support Vector Machine en R

 

Tipos de Interés y derivados

Módulo 14: Construcción de la estructura temporal de tipo de interés (ETTI)

  • Construcción de ETTI

  • Instrumentos disponibles

  • Bonos y Depósitos

    • FRAs

    • ISRs

    • Basis Swap

    • Cross Currency Swap

  • Usando múltiples instrumentos

  • ETTI en la práctica y principales Issues

  • Curva colateralizada

  • Overnight Index Swaps

  • Enfoque Bootstrapping en el ETTI

  • Enfoque Interpolación

    • Cubic Splines

    • Basis Splines

  • Enfoque Modelo Nelson Siegel

  • Calibración

  • Modelización estocástica

    • Modelo de Vacicek

    • Modelo Cox-Ingersoll-Ross

    • Modelo Hull-White

  • Libor Market Model

  • Martingalas y Numerario

  • Calibración de caps y swaptions

  • Ejercicio 37: Construcción de Curva de Estructura temporal de tipo de interés. Caso práctico en Python

  • Ejercicio 38: Modelo de Nelson Siegel en R y Excel

  • Ejercicio 39: Estructura temporal de Splines cúbicos y basis splines en Excel

  • Ejercicio 40: Simulación CIR y Vasicek en Python

Módulo 15: Coberturas: Futuros, Swaps y Opciones de Tipo de Interés

 

  • Microcoberturas y Macrocoberturas

  • Futuros y Swaps

    • Forward Rate Agreements (FRAs)

    • Estrategias de Coberturas con Futuros de tipo de interés

    • Interest Rate Swaps (IRS)

    • Overnight Index Swaps (OIS)

  • Tipo libre de riesgo vs OIS

  • Curva cero OIS

  • OIS vs Libor

  • Funding Risk

  • CVA y DVA

  • Opciones sobre tipo de interés

    • Bond Options

    • Caplet/Caps

    • Floorlets/Floors

    • Swaptions

    • Collar

    • Reverse Collar

  • Modelos de valoración

  • Pricing caps y floores usando Black`s Model

  • Pricing con árboles trinomiales

  • Pricing de Caps y Floors usando Libor Market Model

  • Ejercicio 41: Valoración IRS en Excel

  • Ejercicio 42: Pricing de caps y floors Black`s model en Excel

  • Ejercicio 43: Pricing de Swaption en Excel y VBA

  • Ejercicio 44: Caplet y Swaption Libor Market Model en Python

 

Módulo 16: Medición de Riesgo de Tipo de Interés 

 

  • Duración Macaulay en bonos

  • Duración Modificada

  • Convexidad

  • Duración y Duración Modificada

  • Duración y convexidad de cartera

  • Duración de Recursos Propios

  • Inmunización de carteras

  • Convexidad Negativa

  • Bonos Convertibles

  • Ejercicio 45: Estimación de duración y efecto de convexidad en Excel

  • Ejercicio 46: Inmunización en cartera de bonos Excel

  • Ejercicio 47: Convexidad Negativa y valoración por arboles de decisión de bono convertible en Excel y VBA

Asset Management

Módulo 17: Portfolio Management

  • Asset Management

  • La teoría moderna del portafolio MPT

    • Objetivos: minimizar riesgo, VaR y ES.

    • Maximizar sharpe ratio

    • Función de utilidad

    • Frontera Eficiente

    • rebalanceo de posiciones

  • Capital Asset Pricing Model CAPM

    • Estimación y ajustes de las betas

  • Asset Pricing Theory APT

  • Ejercicio 48: Estimación de frontera eficiente, minimizando ES usando Python 

  • Ejercicio 49: Optimización y rebalanceo de posiciones de securities en R

  • Ejercicio 50: Estimación de betas y Capital Asset Pricing Model (CAPM) en Python

  • Ejercicio 51: Modelo de Asset Pricing Theory (APT)