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


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