OBJETIVOS

 

Curso intensivo de finanzas modernas empleando inteligencia artificial. Se explican entre otros temas: valoración de derivados financieros usando métodos tradicionales y de deep learning, proyección de series temporales con redes neuronales recurrentes, predicciones de precios usando text mining y modelos de natural processing language, optimización y estrategias de portfolios con reinforcement learning y estrategias de trading usando machine learning y deep learning. 

Se exponen metodologías de machine learning, tales como: árboles de decisión, naive bayes, KKN, Regresión logística LASSO, random forest, redes neuronales, redes bayesianas, Support Vector Machines, gradient boosting tree, etc .

Se explica el uso del deep learning para desarrollar potentes modelos de finanzas que los bancos pueden implementar como herramientas desafiantes. Se  exponen arquitecturas distintas de las redes neuronales tales como perceptron multicapa, convolucionales y recurrentes.

Se emplea el deep learning para la valoración de derivados y calibración de ecuaciones diferenciales estocásticas para modelos de tipo de interés. Se explica la valoración de opciones exóticas de primera y segunda generación, empleando modelos de machine learning.

Se abordan modelos para determinar el pricing de las opciones mediante  simulación de Monte Carlo. Para el cálculo de las griegas se ha incluido el algoritmo Adjoint of Automatic Differentiation. 

En busca de la velocidad de cálculo se explica el uso reciente del deep learning para la valoración de derivados, volatilidad implícita y griegas.

Hay un módulo dedicado a realizar proyecciones con series temporales financieras aplicando modelos tradicionales como el Garch y desafiantes como el Long Short Term Memory LSTM.

Se expone el uso del text mining para tratar variables que incluyan una cantidad importante de texto y se exponen metodologías de Natural Language Processing NLP para la predicción de precios.

 

Se muestran modelos financieros de portfolio management, entre otros: MPT, CAPM, APT, además, se emplea otra área de inteligencia artificial llamada reinforcement learning para la optimización dinámica de portfolios y maximización del sharpe ratio a través de recompensas.

​Se exponen modernas estrategias de trading entre otras: análisis técnico, trading cuantitativo o fundamental y trading direccional. Se muestran  metodologías avanzadas de machine learning y deep learning para predecir direcciones de precios de acciones, commodities y criptodivisas y crear estrategias de trading. 

Se entregan ejercicios en diversos lenguajes de programación como lo son: R, Python, Jupyterlab, Tensorflow y SAS

 

¿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 y el machine learning. Se requiere que el participante disponga de conocimientos de matemáticas y finanzas.

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, Quito, Bogotá, San JoséL a V 19-22 h

Precio: 6.900 €

Nivel: Avanzado

Duración: 30 h

Material: 

Presentaciones: PDF

Ejercicios:  Python, Cython, R y Jupyter

Machine Learning para Finanzas en Python y R

Oferta Laboral
Desarrolladores Python con experiencia en finanzas cuantitativas en España
 

AGENDA

Machine Learning para Finanzas en Python y R

 

Machine Learning en Finanzas

Módulo 1: Machine Learning en Finanzas

 

  • Definición del Machine Learning 

  • Metodología del Machine Learning

    • Almacenamiento de la Data

    • Abstracción

    • Generalización

    • Evaluación

  • Aprendizaje Supervisado

  • Aprendizaje No Supervisado

  • Aprendizaje por Refuerzo

  • Deep Learning

  • Tipología de algoritmos de Machine Learning

  • Pasos para implementar un algoritmo

    • Recogida de información

    • Análisis Exploratorio

    • Entrenamiento del modelo

    • Evaluación del Modelo

    • Mejoras al modelo

  • Machine Learning en Finanzas

  • Aplicaciones en la valoración de opciones, proyecciones, asset management y trading

Aprendizaje No Supervisado

Módulo 2: Modelos no supervisados

  • Clusters Jerárquicos

  • K-Means

  • Algoritmo estándar

  • Distancia Euclidiana

  • Análisis de Componentes principales (PCA)

  • Visualización avanzada de PCA

  • Eigenvectores e Eigenvalores

  • Ejercicio 1: Componentes principales para yield curve

  • Ejercicio 2: Segmentación de la data financiera con K-Means

Aprendizaje Supervisado

Módulo 3: Support Vector Machine SVM

  • SVM con variables dummy

  • SVM

  • Hiperplano óptimo

  • Support Vectors

  • Añadir costes

  • Ventajas e Inconvenientes

  • Visualiización del SVM

  • Tuning SVM

  • Truco de Kernel

  • Ejercicio 4: Support Vector Machine en Python data financiera

Módulo 4: Redes Neuronales (Neural Networks NN)

  • Neurona artifical

  • Entrenamiento de Perceptron

  • Perceptrón 

  • Algoritmo de backpropagation

  • Procedimientos de entrenamiento

  • Tuning NN 

  • Visualización de NN

  • Ventajas e inconvenientes

  • Ejercicio 5: Redes Neuronales en Python data financiera

 

Módulo 5: Ensemble Learning

 

  • Modelos de conjuntos

  • Bagging

  • Bagging trees

  • Random Forest

  • Boosting

  • Adaboost

  • Gradient Boosting Trees

  • Ventajas e inconvenientes

  • Ejercicio 6: Bagging en R

  • Ejercicio 7: Random Forest, R y Python, data 1 y 2

  • Ejercicio 8: Gradient Boosting Trees

Módulo 6: Deep Learning 

  • Definición y concepto del deep learning

  • ¿Porque ahora el uso del deep learning?

  • Arquitecturas de redes neuronales

  • Función de activación

    • Sigmoidal

    • Rectified linear unit

    • Hipertangente

    • Softmax

  • Feedforward network

  • Perceptrón Multicapa

  • Uso de Tensorflow

  • Uso de Tensorboard

  • R deep Learning

  • Python deep Learning

  • Redes neuronales convolucionales

  • Uso del deep learning en la clasificación de imágenes

  • Función de costes

  • Optimización con Gradiente descendiente

  • Uso del deep learning para el credit scoring

    • ¿Cuantas capas ocultas?

    • ¿Cuantas neuronas, 100, 1000?

    • ¿Cuantas épocas y tamñao del batch size?

    • ¿Cual es la mejor función de activación?

  • Software Deep Learning: Caffe, H20, Keras, Microsoft, Matlab, etc.

  • Software de implementación: Nvidia y Cuda

  • Harware, CPU, GPU y entornos cloud

  • Ventajas e inconvenientes del deep learning

  • Feedforward neural network

  • Perceptrón Multicapa

  • Redes neuronales convolucionales

  • Uso del deep learning en la clasificación de imágenes

  • Redes neuronales recurrentes

  • Series temporales

  • Long Short Term Memory

  • Ejercicio 9: Deep Learning feedforward perceptron neural network

Opciones y Futuros

Módulo 7: Futuros y Opciones

 

  • 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

  • ​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: Pricing  de Fx Swap en Excel 

  • Ejercicio 12: Valoración Call Option en Python

  • Ejercicio 14: Valoración binomial de opción americana en Python

  • Ejercicio 15: Valoración Black-Scholes en R

Módulo 8: 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 16: Pricing opción Lookback en R

  • Ejercicio 17: Pricing de opción asiática en Python

  • Ejercicio 18: Pricing de opción Bermuda en Python

 

Tipos de Interés y derivados

Módulo 9: Calibración de

modelos estocásticos de tipo de interés con ML

  • Análisis yield curve

  • Modelos one factor

    • Modelo de Vacicek

    • Modelo Cox-Ingersoll-Ross

    • Modelo Hull-White

  • Calibración tradicional

  • Calibración con machine learning

  • Redes neuronales para calibrar modelos estocásticos

    • Modelo de Vasicek

    • Modelo de Hull-White

  • Ejercicio 19: Calibración y simulación Hull-White y Vacicek

  • Ejercicio 20: Calibración con redes neuronales Hull-White

Módulo 10: 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

  • CVA, DVA y xVA

  • 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 21: Valoración IRS 

  • Ejercicio 22: Pricing de caps y floors Black`s model 

  • Ejercicio 23: Pricing de Swaption en python

  • Ejercicio 24: Caplet y Swaption Libor Market Model en Python

Módulo 11: 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​

  • Gradientes

  • Ejercicio 25: Estimación de griegas delta, gamma, theta y vega en Python

  • Ejercicio 26: Estimación de griegas usando R

  • Ejercicio 27: Adjoint of Automatic Differentiation 

 

 

 

Deep Learning para valoración de derivados

Módulo 12:  Deep Learning para valoración de derivados

  • Deep Learning en finanzas

  • Rapidez y precisión

  • Ventajes e inconvenientes del deep learning sobre técnicas tradicionales

  • Ecuaciones diferenciales parciales

  • Ecuaciones diferenciales estocásticas

  • Modelos de optimización

  • Modelos de Ecuaciones estocásticas diferenciales

  • Movimiento browniano

  • Modelo Black-Sholes 

  • Modelo de Libor Market Model

  • Pricing de un Swaption

  • Pricing en opciones exóticas

  • Ventajas e inconvenientes del deep learning

  • Ejercicio 28: Deep Learning para valoración de modelo Black-Sholes

  • Ejercicio 29: Modelo de valoración de un Swaption usando Libor Market Model clásico frente a modelo LMM usando deep learning 

  • Ejercicio 30: Deep Learning para pricing de Swaption Longstaff Schwartz Pricing

Módulo 14:  Machine Learning para IV y griegas

  • Proceso gaussiano

  • Multiproceso gaussiano

  • Regresión líneal y no líneal

  • Matriz de covarianza

  • Funciones de Kernel

  • Volatilidad implicita

  • Superficies de volatilidad

  • Estimación de griegas con machine learning

  • Deep Learning

  • Ejercicio 31: Machine Learning para volatilidad implícita

  • Ejercicio 32: Griegas usando modelos de machine learning

Series Temporales Financieras y Machine Learning

 

Módulo 15: Predicción de series temporales financieras

 

  • Tratamiento de datos

  • Descomposición de series temporales

  • Uso de Pandas 

  • Media movil

  • Suavizamiento exponencial

  • Holt-Winter´s exponential 

  • Modelos ARIMA

  • Tratamiento de datos

    • Test de normalidad

    • Estimación de colas pesadas

    • T-test y F-test

    • Pruebas de autocorrelación

    • Series No Estacionarias

    • Test Dickey-Fuller

    • Pruebas de Cointegración

    • Durbin-Watson

  • Predicciones de precios de acciones

    • Estimaciones de liquidez e iliquidez

  • Predicciones de precios de oro

  • Predicciones de precios del Bitcoin

  • Tratamiento de High-Frequency Data

  • Ejercicio 33: Pruebas de Series no estacionarias y de cointegración en R 

  • Ejercicio 34: Forecasting precios de acciones usando ARIMA en R y Python

  • Ejercicio 35: Tratamiento de High-frequency data en Python

 

Módulo 16: Modelos Avanzados de Forecasting

​​

  • ​Estrategias de Trading con modelos de forecasting

  • Modelos Multivariantes

    • Modelos de Vectores Autoregresivos VAR

    • Modelos ARCH

    • Modelos GARCH

    • Modelos GARCH Multivariante Copulas

    • Modelo de Vector de Corrección de Error VEC

    • Método de Johansen

  • Modelos de Machine Learning

    • Supported Vector Machine 

    • Red Neuronal

      • Forecasting de series temporales de mercado 

      • Data de Yahoo! Finance (r)

      • Data de Google Finance (r)

      • Data de FRED

      • Data de Census Bureau, Treasury and BLS

      • Forecasting rendimientos series temporales de mercado

      • Algortimos NN y SVM para forecasting de rendimientos

      • Forecasting volatilidad NN frente a Garch

    • Base de desarrollo y validación 

  • Deep Learning

    • Redes Neuronales Recurrentes RNN

    • Red Neuroal de Elman

    • Red Neuronal de Jordan

    • Estructura básica de RNN

    • Long short term memory LSTM

    • Ventanas temporales

    • Muestra de desarrollo y validación

    • Regresión

    • Modelización de la secuencia

  • Análisis de series temporales con Prophet de facebook​

  • Ejercicio 37: Forecasting volatilidad GARCH en Python

  • Ejercicio 38: Forecasting volatilidad Multivariante GARCH en R

  • Ejercicio 39: Forecasting Machine Learning usando NN en R

  • Ejercicio 40: Forecasting precios de acciones usando Redes Neuronales Recurrentes en Python

  • Ejercicio 41: Forecasting de series de acciones con Prophet 

  • Ejercicio 42: Forecasting de Bitcoin usando redes neuronales en R​​

 

 

Redes Sociales para determinar

el precio de la acción

Módulo 17: 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

  • Ejercicio 43: Text Mining de un documento en R

  • Ejercicio 44: Análisis de palabras y asociaciones de tweets  

  • Ejercicio 45: Análisis de Sentimientos en Twitter y modelo predictivo usando Support Vector Machine en R

Módulo 18: Deep Learning Redes Neuronales Recurrentes RNN

  • Natural Language Processing

  • Natural Language Processing (NLP) text classification

  • Long Term Short Term Memory (LSTM)

  • Hopfield

  • Bidirectional associative memory

  • Gradiente Descendiente

  • Metodos de optimización globales

  • RNN  y LSTM en las finanzas

  • Modelos unidireccionales y bidireccionales

  • Deep Bidirectional Transformers for Language Understanding 

    • BERT Google

  • Ejercicio 46: Predicción precios usando Deep Learning LSTM

  • Ejercicio 47: Predicción precios usando Deep Learning BERT

Asset Management

Módulo 19: 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

  • Optimización dinámica estocástica 

  • 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: Optimización de portfolio dinámica estocástica 

Módulo 20: Reinforcement Learning RL Portfolio Management

  • Reinforcement Learning RL en las finanzas​

  • Sistemas dinámicos

    • Agentes y Entorno

    • Acción

    • Recompensa

    • Estado

    • Observación

  •   Componentes del Reinforcement Learning

    • Rendimiento

    • Policy

    • Value Function

    • Modelo

  • Markov Decision Process 

    • Propiedad de Markov

    • Optimality

    • Bellman Equation

    • Exploration-Exploitation Dilemma 

  • Q-Learning

  • Portfolio Management para Reinforcement Learning RL 

  • Optimización de portfolio

  • Ejercicio 52: Reinforcement Learning para optimizar sharpe ratio en carteras de inversión

 

Estrategias de Trading con Machine Learning

 

Módulo 21: Trading Machine Learning

 

  • Definición del Machine Learning 

  • Metodología del Machine Learning

    • Almacenamiento de la Data

    • Abstracción

    • Generalización

    • Evaluación

  • Aprendizaje Supervisado y No Supervisado

  • Tipología de algoritmos de Machine Learning

  • Pasos para implementar un algoritmo

    • Recogida de información

    • Análisis Exploratorio

    • Entrenamiento del modelo

    • Evaluación del Modelo

    • Mejoras al modelo

  • Machine Learning para Trading

  • Uso de RSI, MACD, Bollinge bands

  • Definición de la dirección del mercado

  • Distribución de probabilidad y predicción

  • Uso de Regresión Logística para predicción

  • Ejercicio 53:  Predicción de dirección usando Regresión Logística en R

 

Módulo 22: Machine Learning y Deep Learning para trading

 

  • Modelos de conjuntos para trading

    • Bagging

    • Random Forest

    • Boosting

    • Adaboost

    • Gradient Tree Boosting 

  • Ventajas e inconveniente del machine learning

  • Uso del deep learning para el trading

  • Ventajas e inconvenientes del deep learning

  • Ejercicio 54: Predicción de tendencia de precios usando Ensemble models en R

  • Ejercicio 55: Predicción de tendencia de precios intradía usando Random Forest en R

  • Ejercicio 56: Predicción de tendencia de precios usando Adaboost en R

  • Ejercicio 57: Predicción de tendencia de precios usando gradient tree boosting en Python

  • Ejercicio 58 Predicción de tendencia usando Deep Learning con tensorflow y python y Backtesting en Python