top of page
robot-analiza-grandes-datos-mercado-valores (2).jpg

AI Quantitative Trading 

 

OBJETIVO DEL CURSO

 

Curso intensivo de técnicas de inteligencia artificial 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 y no supervisado como k-means. Se exponen técnicas para validar las estrategias y algoritmos.

  • Se aplican técnicas avanzadas de deep learning como redes neuronales convolucionadas para los modelos de trading, o el LSTM para modernizar la volatilidad y series temporales, el modelo hibrido LSTM-CNN para el asset allocation.

  • 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. Así como modelos avanzados de Natural Language Processing usando bidirectional long short term memory (BLSTM)

  • 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 así como el uso de redes neuronales adversas y generativas GAN como alternativa a la simulación de Monte Carlo.

  • Se explica ampliamente la validación de los modelos y los principales issues en el backtesting.

  • Exponer modelos de microestructura de mercado y structural break tests.

 

¿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. 

fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg
Time.png

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

Price.png

Precio: 7 900 € 

 

 

Precio de Verano: 5 900 € 

 

 

Level.png

Nivel: Avanzado

 

Duration.png

Duración: 30 h

 

Material.png

     Material: 

  • Presentaciones PDF

  • R , Python, Jupyterlab y Tensorflow

fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg

AGENDA

 AI Quantitative Trading 

Anchor 22

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

Feature Engineering 

Módulo 2: Feature engineering

  • Feature engineering

    • Preprocesamiento de datos estándar 

    • Definición del preprocesamiento de datos  

    • Definición de ingeniería de características

    • Implementación de cross-sectional momentum 

    • Time series features

  • Residualización de la rentabilidad de las acciones 

    • Neutralizar los rendimientos de las acciones  

    • Técnicas utilizadas para residualizar la rentabilidad de las acciones

  • Características comunes del trading cuantitativo 

    • Características transversales versus series temporales  

    • Variables basadas en el precio   

    • Variables basadas en fundamentos  

    • Variables basadas en sentimientos  

    • Variables basadas en texto   

    • Variables basadas en audio  

    • Variables basadas en imágenes 

    • Variables basadas en vídeo  

    • Variables basadas en red  

  • Técnicas de normalización de características comunes 

    • Mín-Máx  

    • Puntuación Z   

    • Normalización logarítmica   

    • Normalización del cuantil

    • Normalización de rango  

    • Otras normalizaciones

  • Técnicas avanzadas 

    • El método del horizonte de tiempo fijo

    • Cálculo de umbrales dinámicos

    • El método de la triple barrera

    • Aprendizaje del tamaño

    • Meta labeling

    • Cómo utilizar el meta labeling

    • El Camino Cuantitativo

    • Ejercicio 4: Cross-sectional momentum y time series features

    • Ejercicio 5: Tipología de normalizaciones

    • Ejercicio 6: El método de la triple barrera

    • Ejercicio 7: Binning por lado y tamaño

 

TRADING MACHINE LEARNING 

Módulo 3: 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 8:  Predicción de dirección usando Regresión Logística en R

Aprendizaje No Supervisado 

Módulo 4: 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 9: K-Nearest Neighbors para predicción de precios en R

  • Ejercicio 10: Árboles de decisión para predicción de precios en R

Módulo 5: Algoritmo No Supervisado

  • Características de los algoritmos no supervisados

  • Clusters

  • K-Means

  • Aplicación en el trading

  • Ventajas e inconvenientes

  • Ejercicio 11: K-Means para estrategia de trading en R

Módulo 6: Replicación de índices mediante Autoencoders 

  • Replicación de un índice 

  • Recopilación de datos 

  • Implementación de Autoencoders estándar 

  • Exploración y preparación de datos 

  • Creación y ajuste del modelo 

  • Evaluación del modelo 

  • Replicar un índice mediante el autoencoders 

  • Explorar algunas variantes de autoencoders 

  • El autoencoder de eliminación de ruido 

  • Comprender el autoencoders profundo 

 

Aprendizaje Supervisado 

Módulo 7: 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 12: Extracción de data de Mercado desde Python y R

  • Ejercicio 14: Support Vector Machine para predicción de dirección de precios en R

  • Ejercicio 15:  Redes Neuronales para predicción de dirección de precios en R

Módulo 8: 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 16: Predicción de tendencia de precios usando Ensemble models en R

  • Ejercicio 17: Predicción de tendencia de precios intradía usando Random Forest en Python y R

  • Ejercicio 18: Predicción de tendencia de precios usando Adaboost en R

  • Ejercicio 19: Predicción de tendencia de precios usando gradient tree boosting en Python

Módulo 9: 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 20: Predicción de tendencia usando Deep Learning con tensorflow y python y Backtesting en Python

Módulo 10: Reglas de Trading con Redes Neuronales Convolucionadas CNN 

  • Señales de trading con indicadores técnicos 

  • Obtener datos de fuentes públicas 

  • Configurar los datos 

  • Formulación de hipótesis y pruebas en muestra 

  • Comparación de modelos alternativos 

  • Red de clasificación simple 

  • Construir una red neuronal convolucional 

  • Modelizar la lógica de inversión 

  • Seleccionar la arquitectura de la red 

  • Configurar los datos en el formato correcto 

  • Entrenar y probar el modelo 

  • Ejercicio 20: Trading signals: Modelización de Red Neuronal Feed forward frente a Red Neuronal Convolucionada CNN

Forecasting de la Volatilidad

 

Módulo 11: Forecasting de volatilidad mediante LSTM 

  • Medición de la volatilidad 

    • Tipos de volatilidad 

    • Volatilidad histórica 

    • Volatilidad implícita 

    • Índice de volatilidad 

    • Volatilidad intradiaria 

    • Volatilidad realizada 

  • Implementar el modelo LSTM 

    • Preparación de datos 

    • Crear y ajustar el modelo 

    • Evaluar el modelo 

    • Mejorar el rendimiento del modelo 

    • Aprendizaje en línea 

    • Apilar capas 

    • Ajustar los hiperparámetros 

    • Visualizar resultados 

  • Comparar LSTM con otros modelos 

    • Modelo RNN GRU

    • Modelo GARCH 

    • Visualización del error cuadrático acumulativo 

  • Ejercicio 21Forecasting de la volatilidad usando LSTM frente a modelo Garch y backtesting

Forecasting Series Temporales

 

Módulo 12: Forecasting 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 22: Pruebas de Series no estacionarias y de cointegración en R 

  • Ejercicio 23: Forecasting avanzado de precios usando ARIMA en  Python

  • Ejercicio 24: Tratamiento de High-frequency data en Python

 

Módulo 14: 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 25: Modelización precio de acciones con VAR y vectores de correción de error en R 

  • 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

Módulo 15: 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 33: Reinforcement Learning aplicado a estrategias de trading en Python y Tensorflow

Análisis de Sentimientos

Módulo 16: 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 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

Módulo 17: Usando NLP con BLSTM para noticias 

  • Natural Language processing NLP

  • Análisis de sentimiento para finanzas 

  • Representar datos de texto: palabras en vectores 

  • Vectores de palabras basados en frecuencia 

  • Vectorización de conteo 

  • Vectorización TF-IDF 

  • Incrustaciones de palabras 

    • WordVec 

    • CBOW 

    • Skip-gram 

    • FastText 

    • GloVe 

  • Carga y división de datos 

  • Implementación del modelo BLSTM 

  • Preparación de datos 

  • Creación y ajuste del modelo 

  • Evaluación del modelo 

  • Mejora del rendimiento 

  • Manejo de clases desequilibradas 

  • Aplicación de incrustaciones de palabras previamente entrenadas 

  • Considerando decisiones separadas

  • Ejercicio 37: Modelización NLP con BLSTM usando noticias de precios de acción

 

Asset Management

Módulo 18: 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 38: Estimación de frontera eficiente, minimizando ES usando Python 

  • Ejercicio 39: Optimización y rebalanceo de posiciones de securities en R

  • Ejercicio 40: Estimación de betas y Capital Asset Pricing Model (CAPM) en Python

  • Ejercicio 41: Modelo de Asset Pricing Theory (APT)

Módulo 19: Asset Allocation LSTM-CNN

  • Modelización de asignación táctica de activos 

  • Previsión conjunta para una clase de activo 

  • Previsión y apuestas individuales 

  • Configurar datos 

  • Construir el modelo 

  • Comprender el modelo de aprendizaje profundo 

  • Implementar un modelo CNN-LSTM 

  • Modelo alternativo Bayesian VAR

  • Probar y validar el modelo 

  • Ejercicio 42: Modelo hibrido Convolutional Neural Network (CNN)  y Long Short-Term Memory (LSTM) para el asset allocation 

Validación de Modelos

Módulo 20: 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 43: Test de Bondad de Ajuste Regresión Logística

  • Ejercicio 44: Estimación Gini, CAP, ROC en R

  • Ejercicio 45: Bootstrapping ROC de parámetros R

  • Ejercicio 46: K-Fold Cross Validation en R

Módulo 21: Validación cruzada en finanzas 

  • El objetivo de la validación cruzada

  • Por qué K-Fold CV fracasa en finanzas

  • Solución A: CV K-Fold purgado

  • Purga del conjunto de entrenamiento

  • Embargo

  • La clase K-Fold purgada

 

Módulo 22: Errores en la validación cruzada 

  • Importancia de la característica 

  • La importancia de la importancia de las características

  • Importancia de las características con efectos de sustitución

  • Disminución media de impureza

  • Precisión de disminución media

  • Importancia de las características sin efectos de sustitución

  • Importancia de una sola característica

  • Características ortogonales

  • Paralelizado vs Importancia de las funciones apiladas

  • Experimentos con datos sintéticos

 

Módulo 23: Ajuste de hiperparámetros con validación cruzada 

  • Validación cruzada de búsqueda en cuadrícula, 

  • Validación cruzada de búsqueda aleatoria

  • Distribución logarítmica uniforme

  • Puntuación y ajuste de hiperparámetros

Backtesting

Módulo 24: Backtesing Avanzado

  • Análisis del Backtesting

    • Tamaño de la apuesta 

    • Enfoques de dimensionamiento de apuestas independientes de la estrategia

    • Tamaño de la apuesta a partir de probabilidades previstas

    • Promedio de apuestas activas

    • Discretización de tamaño

    • Tamaños de apuestas dinámicas y precios límite

  • Riesgos del backtesting 

    • Backtesting limpio y sucio

    • Problemas en el backtesting

    • Algunas recomendaciones generales

    • Selección de estrategia

  • Backtesting mediante validación cruzada

    • El método de Forward-Looking

    • Errores del método Walk-Forward

    • El método de validación cruzada

    • El método combinatorio de validación cruzada purgada

    • Divisiones combinatorias

    • La validación cruzada combinatoria depurada

    • Algoritmo de backtesting

    • Cómo la validación cruzada combinatoria depurada aborda el sobreajuste del backtesting

  •  Backtesting de datos sintéticos 

    • Reglas de trading

    • El problema

    • Nuestro marco, 

    • Reglas  de trading óptimas

    • Algoritmos 

    • Implementación

    • Resultados experimentales

    • Casos con equilibrio cero de largo plazo

    • Casos con equilibrio positivo a largo plazo

    • Casos con equilibrio negativo de largo plazo

  • Estadísticas de Backtesting

    • Tipos de estadísticas de backtesting

    • Evaluation metrics

    • Information Coefficient y R2

    • Características generales

    • Rendimiento

    • Tasa de rendimiento ponderada en el tiempo

    • Estadísticas de ejecución para la evaluación del desempeño

    • Déficit de implementación

    • La relación de Sharpe

    • La relación probabilística de Sharpe

    • El índice de Sharpe deflactado

    • Estadísticas de eficiencia

    • Puntuaciones de clasificación y atribución

    • Ejercicio 47: Métricas de Backtesting y estimación del índice de Sharpe de una estrategia de trading

Riesgos: VaR, ES y Machine Learning

Módulo 25: 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 48: Expected Shortfall y VaR en Python

Módulo 26: 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 49: Estimación del VaR: usando Simulación de Monte Carlo en Pyhton

  • Ejercicio 50: Simulación Histórica en Excel 

  • Ejercicio 51: Backtesting de Simulación Histórica en Excel

  • Ejercicio 52: VaR usando copula gaussiana y tStudent en R

Módulo 27: Medición de riesgos usando GAN 

  • Estimación del valor en riesgo 

  • Métodos de computación y desventajas 

  • Introducción de redes generativas adversarias 

  • Modelos generativos 

  • Modelos discriminativos 

  • Funcionamiento interno de GAN 

  • Implementación de un modelo de riesgo usando GAN 

  • Definición de nuestro modelo 

  • Implementación del modelo GAN 

  • Resultados del benchmarking 

  • Ejercicio 53: Estimación del VaR usando redes neuronales GAN y simulación de Monte Carlo

Microestructura del mercado

Módulo 28: Rupturas estructurales 

  • Tipos de pruebas de rotura estructural

  • Funciones de entropía 

  • Entropía de Shannon

  • El estimador complementario (o de máxima verosimilitud)

  • Estimadores de Lempel-Ziv

  • Esquemas de codificación

  • Codificación binaria

  • Codificación cuántil

  • Codificación Sigma

  • Entropía de un proceso gaussiano

  • Entropía y media generalizada

  • Algunas aplicaciones financieras de la entropía

  • Eficiencia del mercado

  • Generación máxima de entropía

  • Concentración de cartera

  • Microestructura del mercado

 

Módulo 29: Características microestructurales 

  • Primera generación: secuencias de precios

  • La regla del tick

  • El modelo de rollo

  • Pruebas CUSUM

  • Prueba CUSUM de Brown-Durbin-Evans en recursivo

  • Residuos

  • Prueba CUSUM de Chu-Stinchcombe-White en niveles

  • Pruebas de explosividad

  • Prueba Dickey-Fuller tipo Chow,

  • Dickey-Fuller aumentado supremo

  • Pruebas de submartingala y supermartingala

  • Estimador de volatilidad alta-baja

  • Segunda Generación: Modelos Comerciales Estratégicos

  • Lambda de Kyle

  • Lambda de Amihud

  • Lambda de Hasbrouck

  • Tercera generación: modelos comerciales secuenciales

  • Probabilidad de negociación basada en información

  • Probabilidad de información sincronizada con el volumen

  • Comercio

  • Características adicionales de conjuntos de datos microestructurales

  • Distribución de tamaños de pedidos

  • Tasas de cancelación, órdenes límite, órdenes de mercado

  • Algoritmos de ejecución de precio promedio ponderado en el tiempo

  • Mercados de Opciones

  • Correlación en serie del flujo de órdenes firmadas

  • ¿Qué es la información microestructural del mercado?

  • Ejercicio 54: Structural break test: The Chow Test

  • Ejercicio 55: Structural break test: The CUSUM Test

bottom of page