top of page

Trading y Machine Learning en R y Python

​

OBJETIVOS

 

Curso intensivo de técnicas de machine learning aplicadas al trading empleando dos potentes lenguajes de programación: Python y R. El curso tiene como objetivos:

​​

  • Mostrar potentes Algoritmos de Trading programados en Python y R dentro del entorno Jupyter.

  • Exponer modernas estrategias de trading entre otras: análisis técnico, trading cuantitativo o fundamental y trading direccional.

  • Mostrar metodologías avanzadas de machine learning y deep learning para predecir direcciones de precios de acciones, commodities y criptodivisas. 

  • Se enseñan técnicas avanzadas de machine learning supervisado como ensemble learning, gradient tree boosting, random forest, support vector machine, redes neuronales perceptron y recurrentes y no supervisado como k-means. Se exponen técnicas para validar las estrategias y algoritmos.

  • Se ha incluido un innovador módulo sobre aprendizaje por refuerzo para generar algoritmos de trading.

  • Exponer estrategias de trading y forecasting de acciones y criptodivisas, empleando modelos arima, Garch, VAR, VEC y redes neuronales recurrentes.

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

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

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

 

¿QUIÉNES DEBEN ASISTIR?

 

Este programa esta dirigido a traders, responsables, analistas y consultores de trading. Y a todas aquellas personas interesadas en el machine learning aplicado al trading. 

​

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 José: L a V 19-22 h

Precio: 4.900 €

Nivel: Avanzado

Duración: 30 h

Material: 

Presentaciones: PDF

Ejercicios: Excel, Python, R, Tensorflow y Jupyter

AdobeStock_99491899.jpg
Anchor 22

AGENDA
             Trading y Machine Learning en R y Python

ESTRATEGIAS DE TRADING 

 

Módulo 1: Estrategias de Trading

​

  • Introducción a las estrategias de trading

  • Trading con securities

  • Trading con Criptodivisas

  • Análisis técnico

    • Indicadores

    • Osciladores

    • Medias móviles, bandas y movimientos direccionales

    • Velocidad y aceleración

    • Técnicas de movimientos 

    • Divergencia en el movimiento

    • Patrones

    • Números de Fibonacci

    • Ondas de Elliot

  • Sistemas tendenciales

  • Trading Direccional

    • MACD 

    • RSI

    • Bollinger Band

    • Trading de pares

  • Trading Cuantitativo sobre fundamentales

  • Recolección de data

  • Definición de ratios financieros

  • Modelos Machine Learning

  • Clusters

  • Árboles de decisión

  • Backtesting

  • Ejercicio 1: Análisis de MACD, RSI y Bollinger band en R

  • Ejercicio 2: Correlación y cointegración de pares de trading en R

  • Ejercicio 3: Análisis Fundamental con Clusters y árboles de decisión en R

​

​

TRADING MACHINE LEARNING 

​

Módulo 2: 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 4:  Predicción de dirección usando Regresión Logística en R

APRENDIZAJE SUPERVISADO

y NO SUPERVISADO 

​​​

Módulo 3: Validación de algoritmo

​

  • Verificación p-values en regresiones

  • R cuadrado, MSE, MAD

  • Diagnóstico de los residuos

  • Test de Bondad de Ajuste

    • Deviance

    • Bayesian Information Criterion (BIC)

    • Akaike Information Criterion 

  • Validación cruzada

  • Bootstrapping del error

  • Matriz de confusión

  • Kappa

  • Principales test de poder discriminante:

    • KS

    • Curva ROC

    • Curva Lift

    • Gini Index

    • Cumulative Accuracy Profile

  • Intervalos de confianza

  • Jackknifing con test de poder discriminante

  • Bootstrapping con test de poder discriminante

  • K-Fold Cross Validation

  • Ejercicio 5: Test de Bondad de Ajuste Regresión Logística

  • Ejercicio 6: Estimación Gini, CAP, ROC en R

  • Ejercicio 7: Bootstrapping ROC de parámetros R

  • Ejercicio 8: K-Fold Cross Validation en R

​

 

Módulo 4: Algoritmos Avanzados NN y SVM

​

​

  • Support Vector Machine​​

    • Vectores de soporte

    • Hiperplano óptimo

    • Añadir costes

    • Ventajas e Inconvenientes

    • Visualización del SVM

    • Tuning SVM

    • Truco de Kernel

  • Redes Neuronales (Neural Networks NN)

    • Entrenamiento de Perceptron

    • Perceptrón Multicapa

    • Algoritmo de backpropagation

    • Procedimientos de entrenamiento

    • Tuning NN 

    • Visualización de NN

    • Ventajas e inconvenientes

  • Ejercicio 9: Extracción de data de Mercado desde Python y R

  • Ejercicio 10: Support Vector Machine para predicción de dirección de precios en R

  • Ejercicio 11:  Redes Neuronales para predicción de dirección de precios en R

​

Módulo 5: Ensemble Learning

 

  • Modelos de conjuntos

  • Bagging

  • Random Forest

  • Boosting

  • Adaboost

  • Gradient Tree Boosting 

  • Boosting y Bagging para modelos de regresión

  • Ventajas e inconvenientes

  • Predicción de tendencia del precio de acciones

  • Ejercicio 12: Predicción de tendencia de precios usando Ensemble models en R

  • Ejercicio 13: Predicción de tendencia de precios intradía usando Random Forest en Python y R

  • Ejercicio 14: Predicción de tendencia de precios usando Adaboost en R

  • Ejercicio 15: Predicción de tendencia de precios usando gradient tree boosting en Python

​

Módulo 6: Deep Learning 

​

  • Función de activación

    • Sigmoidal

    • Rectified linear unit

    • Hipertangente

  • Feedforward network

  • Perceptrón Multicapa

  • Redes Neuronales Recurrentes

  • 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 trading

  • Ventajas e inconvenientes del deep learning

  • Ejercicio 16: Predicción de tendencia usando Deep Learning con tensorflow y python y Backtesting en Python

​

Módulo 7: Algoritmos de Clasificación 

​

  • Árboles de Decisión

    • Modelización

    • Ventajas e inconvenientes

    • Procesos de Recursión y Particionamiento

    • Recursive partitioning tree

    • Pruning Decision tree

    • Conditional inference tree

    • Visualización de árboles

    • Medición de la predicción de árboles de decisión

    • Modelo CHAID

    • Modelo C5.0

  • K-Nearest Neighbors

    • Modelización

    • Ventajas e inconvenientes

    • Distancia Euclidiana

    • Distancia Manhattan

    • Selección del valor K

  • Ejercicio 17: K-Nearest Neighbors para predicción de precios en R

  • Ejercicio 18: Árboles de decisión para predicción de precios en R

​

Módulo 8: Algoritmo No Supervisado

​​​

  • Características de los algoritmos no supervisados

  • Clusters

  • K-Means

  • Aplicación en el trading

  • Ventajas e inconvenientes

  • Ejercicio 19: K-Means para estrategia de trading en R

Módulo 9: Reinforcement Learning

​

  • Diferencias entre el aprendizaje por refuerzo con el aprendizaje supervisado y no supervisado

  • Conceptos básicos:

    • Agentes

    • Políticas

    • Entorno

    • Acciones

    • Recompensas

  • Markov decision process

  • Ecuaciones de Bellman

  • Programación dinámica

  • Métodos de Monte Carlo

  • Aplicación a las finanzas

  • Aplicación al Trading

  • Ejercicio 20: Reinforcement Learning aplicado a estrategias de trading en Python y Tensorflow

​

SERIES TEMPORALES FINANCIERAS

 

Módulo 10: 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 21: Pruebas de Series no estacionarias y de cointegración en R 

  • Ejercicio 22: Forecasting precios de acciones usando ARIMA en R y Python

  • Ejercicio 23: Tratamiento de High-frequency data en Python

 

Módulo 11: Modelos 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

    • Ventanas temporales

    • Muestra de desarrollo y validación

    • Regresión

    • Modelización de la secuencia

  • Análisis de series temporales con Prophet de facebook​

  • Ejercicio 24: Modelización precio de acciones con VAR y vectores de correción de error en R 

  • Ejercicio 25: Forecasting volatilidad GARCH en Python

  • Ejercicio 26: Forecasting volatilidad Multivariante GARCH en R

  • Ejercicio 27: Forecasting Machine Learning usando NN en R

  • Ejercicio 28: Forecasting precios de acciones usando Redes Neuronales Recurrentes en Python

  • Ejercicio 29: Forecasting de series de acciones con Prophet 

  • Ejercicio 30: Forecasting de Bitcoin usando redes neuronales en R​​

  • Ejercicio 31: Algoritmo de trading Garch-Arima​

  • Ejercicio 32: Algoritmo de trading de cointegración

​

REDES SOCIALES

​

Módulo 12: Análisis de Sentimientos en Twitter 

para predecir precios de acciones

​

  • Modelos de Predicción de precios de acciones basados en sentimientos

  • Twitter​

    • Fuentes de información

    • conexión API Twitter

    • Token y Keys

  • 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 33: Text Mining de un documento en R

  • Ejercicio 34: Análisis de palabras y asociaciones de tweets  

  • Ejercicio 35: Análisis de Sentimientos en Twitter y modelo predictivo usando Support Vector Machine en R

​

ASSET MANAGEMENT

​

Módulo 13: 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

  • Modelo Multifactorial

  • Ejercicio 36: Estimación de frontera eficiente, minimizando ES usando Python 

  • Ejercicio 37: Optimización y rebalanceo de posiciones de securities en R

  • Ejercicio 38: Estimación de betas y Capital Asset Pricing Model (CAPM) en Python

  • Ejercicio 39: Modelo de Asset Pricing Theory (APT)

​

​VAR y Expected Shortfall

​

​

Módulo 14: 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 40: Expected Shortfall y VaR en Python

​

Módulo 15: 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 41: Estimación del VaR: usando Simulación de Monte Carlo en Pyhton

  • Ejercicio 42: Simulación Histórica en Excel 

  • Ejercicio 43: Backtesting de Simulación Histórica en Excel

  • Ejercicio 44: VaR usando copula gaussiana y tStudent en R

bottom of page