Machine Learning aplicado a las finanzas | Curso piloto QFA

Sin categoría
Lista de deseos Compartir

Acerca de este curso

PROGRAMA PILOTO · VERSIÓN 0.1. Esta primera edición es una muestra académica de Quantum Finance Academy. Los temas, prácticas y evaluación se ampliarán progresivamente. Por ahora no incluye videoclases grabadas ni un certificado acreditado.

Machine Learning aplicado a las finanzas

Aprende a diseñar un proyecto de aprendizaje automático utilizando datos financieros: desde la formulación del problema y la preparación de variables hasta la evaluación de modelos y la explicación de resultados. Trabajaremos con Python y Jupyter Notebook, distinguiendo la capacidad predictiva real de los ajustes que solo funcionan sobre datos históricos.

¿A quién va dirigido?

Profesionales y estudiantes de finanzas, riesgos, inversión y análisis cuantitativo que conozcan los fundamentos de Python y quieran aplicar técnicas de machine learning a casos financieros. Nivel inicial-intermedio. No se requiere experiencia previa entrenando modelos.

Objetivos de aprendizaje

  • Traducir una pregunta financiera a un problema de predicción o clasificación.
  • Seleccionar variables explicativas evitando filtraciones de información futura.
  • Construir conjuntos de entrenamiento, validación y prueba respetando el orden temporal.
  • Entrenar modelos de referencia y comparar su rendimiento fuera de muestra.
  • Interpretar métricas, limitaciones, sensibilidad y riesgo de sobreajuste.
  • Presentar un informe reproducible en un notebook de Jupyter.

Módulo 1 · Fundamentos y problema financiero

Tema 1. ¿Qué puede y qué no puede hacer un modelo predictivo?

Diferencias entre predicción, causalidad y explicación. Variable objetivo, variables explicativas, horizonte de predicción, frecuencia de observación y función de pérdida. Ejemplo: anticipar si la volatilidad mensual superará un umbral definido.

Tema 2. Datos y calidad de la muestra

Precios y rendimientos, ventanas móviles, datos faltantes, valores extremos, sesgo de supervivencia y cambios de régimen. Nunca usaremos el futuro para construir variables del pasado.

Módulo 2 · Preparación de datos con Python

Tema 3. Ingeniería de variables

Rendimientos rezagados, volatilidad móvil, medias móviles, diferencias temporales y escalado. Las transformaciones se ajustarán exclusivamente con la muestra de entrenamiento.

Tema 4. Validación temporal

Separación cronológica entre entrenamiento y prueba; validación walk-forward; comparación con una referencia ingenua. Explicaremos por qué una partición aleatoria puede ofrecer resultados engañosos en series temporales.

Módulo 3 · Modelización y evaluación

Tema 5. Modelos de referencia

Regresión lineal o logística según la variable objetivo, árboles de decisión y random forest. Selección y ajuste de hiperparámetros sin contaminar el conjunto de prueba.

Tema 6. ¿Cómo sabemos si funciona?

MAE y RMSE para regresión; matriz de confusión, precisión, recall y ROC-AUC para clasificación. Calibración probabilística, estabilidad por periodos y relevancia económica de los errores.

Módulo 4 · Caso práctico y evaluación

Tema 7. Proyecto de ML financiero

Proyecto piloto: estimar una medida futura de riesgo a partir de indicadores históricos de un activo o cartera de ejemplo. Entregable: notebook reproducible, definición del objetivo, particiones temporales, modelo base, modelo ML, métricas fuera de muestra y conclusiones.

Tema 8. Evaluación final tipo test · banco inicial de preguntas

1. ¿Qué práctica ayuda a evitar información futura en un modelo de series temporales?
A) Mezclar aleatoriamente todas las fechas. B) Separar los conjuntos cronológicamente. C) Ajustar las variables con toda la muestra.
Respuesta correcta: B.

2. ¿Qué indica un modelo que funciona muy bien en entrenamiento y mal en prueba?
A) Sobreajuste potencial. B) Ausencia de riesgo. C) Calibración perfecta.
Respuesta correcta: A.

3. ¿Qué métrica es apropiada para comparar errores de predicción de una variable continua?
A) RMSE. B) Exactitud. C) Recall.
Respuesta correcta: A.

4. ¿Para qué sirve mantener un conjunto de prueba sin utilizar durante el desarrollo?
A) Para decidir todas las variables al inicio. B) Para estimar el rendimiento final fuera de muestra. C) Para maximizar artificialmente el resultado.
Respuesta correcta: B.

5. ¿Cuál es una limitación del aprendizaje con precios históricos?
A) El futuro está garantizado. B) Los cambios de régimen pueden deteriorar las predicciones. C) Desaparecen los errores de estimación.
Respuesta correcta: B.

Nota: este cuestionario es material académico provisional. La corrección automática, la calificación y el progreso se configurarán como actividades nativas de Tutor LMS en una fase posterior.

Material de práctica · Primer notebook

import pandas as pd
import numpy as np

precios = pd.Series([100, 101, 99, 103, 102, 104])
rentabilidades = precios.pct_change().dropna()
volatilidad_anualizada = rentabilidades.std(ddof=1) * np.sqrt(252)

print("Rentabilidad diaria media:", rentabilidades.mean())
print("Volatilidad anualizada ilustrativa:", volatilidad_anualizada)

Actividad: ejecuta el código, describe qué mide la desviación estándar y explica por qué seis precios ficticios no constituyen una muestra adecuada para estimar el riesgo real de un activo.

Contenido educativo. No constituye asesoramiento de inversión ni garantiza rentabilidades futuras.

Mostrar más

Valoraciones y reseñas de estudiantes

Aún no hay reseñas.
Aún no hay reseñas.