Python para el análisis financiero | Programa piloto QFA
Acerca de este curso
Python para el análisis financiero
Programa piloto QFA · Versión académica 0.2. Un itinerario práctico que convierte datos financieros en métricas, gráficos y conclusiones reproducibles con Python. Contiene teoría, ejercicios, ejemplos de código y una evaluación de repaso. Actualmente no incluye videoclases ni calificación automática de Tutor LMS.
Ficha del programa
- Modalidad: online, materiales de estudio y prácticas en Jupyter.
- Nivel: inicial–intermedio; no se requieren conocimientos avanzados de programación.
- Herramientas: Python 3, Jupyter Notebook o Google Colab; pandas, numpy y matplotlib.
- Competencias: preparación de datos, cálculo de rentabilidad, análisis de riesgo y presentación de resultados.
- Evaluación piloto: cuestionario de autoevaluación y un proyecto final orientativo, todavía sin registro de notas.
- Datos: conjuntos ficticios; evita incorporar información personal o confidencial.
Lo que aprenderás
- Crear un notebook legible y reproducible para un análisis financiero.
- Transformar tablas de precios en series de rentabilidad.
- Identificar errores de calidad de datos y posibles sesgos.
- Calcular volatilidad anualizada, correlaciones y drawdown.
- Evaluar una cartera sencilla sin confundir el análisis histórico con una previsión garantizada.
- Comunicar los resultados y sus limitaciones mediante un breve informe.
Módulo 1 · Python, Jupyter y datos
Tema 1.1 · Configurar el entorno
Utiliza Google Colab o Jupyter. Cada celda de código debe ejecutar una tarea clara; añade celdas de texto para describir el objetivo, los supuestos y las conclusiones. Antes de usar una librería comprueba su versión y conserva un registro de dependencias.
Tema 1.2 · Primer DataFrame
En Python, pandas permite representar series temporales y tablas. Este primer conjunto simula dos activos financieros en cinco sesiones consecutivas.
import pandas as pd
fechas = pd.date_range("2026-01-05", periods=6, freq="B")
precios = pd.DataFrame({
"Activo_A": [100, 101, 100, 103, 102, 104],
"Activo_B": [50, 50.5, 49.7, 50.2, 51.1, 50.8]
}, index=fechas)
print(precios.head())
print(precios.isna().sum())
Ejercicio: identifica cuántas observaciones tenemos, qué representan las columnas y por qué es importante definir una frecuencia temporal coherente.
Módulo 2 · Calidad de datos y rendimientos
Tema 2.1 · Problemas habituales
Antes de calcular métricas, revisa fechas repetidas, huecos de información, valores negativos imposibles para el tipo de precio analizado, sesgos de selección y ajustes corporativos. No rellenes automáticamente observaciones sin justificarlo.
Tema 2.2 · Rendimiento simple frente a logarítmico
La rentabilidad simple entre dos fechas se obtiene como P(t)/P(t−1) − 1. La logarítmica es ln(P(t)/P(t−1)). Ambas son útiles, pero no deben mezclarse de manera inadvertida; la rentabilidad simple facilita interpretar cambios porcentuales de una inversión.
import numpy as np
retornos_simples = precios.pct_change().dropna()
retornos_log = np.log(precios / precios.shift(1)).dropna()
print("Rentabilidad media diaria:")
print(retornos_simples.mean())
print("Primeros retornos:")
print(retornos_simples.head())
Ejercicio: calcula la rentabilidad entre la primera y última observación de cada activo. Compárala con la suma de retornos diarios simples y explica por qué no coinciden exactamente.
Módulo 3 · Medición del riesgo
Tema 3.1 · Volatilidad anualizada
La desviación estándar muestral de los retornos diarios es una medida habitual de dispersión histórica. Bajo supuestos aproximados de independencia y frecuencia estable, se anualiza multiplicando por la raíz cuadrada de 252 días bursátiles. Con solo cinco retornos la estimación es didáctica, no representativa.
Tema 3.2 · Correlación
La correlación lineal varía entre −1 y 1. Una correlación baja puede favorecer la diversificación histórica, pero puede cambiar en situaciones de tensión. No equivale a independencia ni garantiza protección futura.
Tema 3.3 · Drawdown
El drawdown compara el valor actual con el máximo anterior acumulado. El máximo drawdown mide la peor caída histórica desde un pico hasta el valle posterior dentro de la muestra.
import numpy as np
vol_anual = retornos_simples.std(ddof=1) * np.sqrt(252)
correlacion = retornos_simples.corr()
valor_normalizado = precios / precios.iloc[0]
max_acumulado = valor_normalizado.cummax()
drawdown = valor_normalizado / max_acumulado - 1
max_drawdown = drawdown.min()
print("Volatilidad anualizada ilustrativa:", vol_anual)
print("Correlaciones:", correlacion)
print("Max drawdown:", max_drawdown)
Práctica: explica por qué la volatilidad y el drawdown aportan información diferente y qué cambiaría al ampliar la muestra a varios años.
Módulo 4 · Análisis de cartera y comunicación
Tema 4.1 · Construir una cartera sencilla
Supón una asignación fija del 60 % al Activo A y del 40 % al Activo B, con rebalanceo diario a esos pesos. La rentabilidad diaria de la cartera se calcula como combinación ponderada de los retornos de ambos activos.
import matplotlib.pyplot as plt
pesos = pd.Series({"Activo_A": 0.60, "Activo_B": 0.40})
retorno_cartera = retornos_simples @ pesos
valor_cartera = (1 + retorno_cartera).cumprod()
print("Volatilidad anualizada:", retorno_cartera.std(ddof=1) * (252 ** 0.5))
print("Rentabilidad acumulada:", valor_cartera.iloc[-1] - 1)
valor_cartera.plot(title="Cartera ilustrativa: base 1")
plt.ylabel("Valor acumulado")
plt.show()
Tema 4.2 · Informe profesional
- Objetivo: qué queremos medir y para quién.
- Datos: universo, periodo, frecuencia y posibles limitaciones.
- Metodología: retornos, ponderaciones y convenciones de anualización.
- Resultados: métricas, gráficos y observaciones relevantes.
- Limitaciones: muestra reducida, cambios de régimen, costes y ausencia de garantía predictiva.
- Conclusión: qué se puede afirmar y qué requeriría más evidencia.
Proyecto final · Tu primera cartera analizada con Python
Entrega orientativa: prepara un notebook a partir de los datos ficticios anteriores, calcula rentabilidades y riesgos de los dos activos y de una cartera 60/40, incorpora un gráfico y redacta entre cinco y ocho líneas de conclusiones. Incluye al menos dos advertencias metodológicas. En esta versión piloto la entrega todavía no se gestiona mediante una actividad calificada de Tutor LMS.
Examen final · Test de práctica
Instrucciones: elige una respuesta por pregunta y comprueba después las soluciones. Este examen es material de estudio: todavía no guarda puntuaciones ni emite certificación.
1. ¿Qué representa una fila en nuestro DataFrame de precios?
A) Un activo distinto
B) Una fecha de observación
C) Una contraseña
2. ¿Qué calcula pct_change() sobre precios?
A) La variación porcentual respecto a la observación anterior
B) El precio futuro
C) La desviación estándar anual
3. Si el precio pasa de 100 a 105, ¿cuál es la rentabilidad simple?
A) 0,5 %
B) 5 %
C) 105 %
4. ¿Qué indica isna()?
A) Valores faltantes
B) Volatilidad anualizada
C) Datos duplicados exclusivamente
5. ¿Qué mide la desviación estándar de retornos?
A) La dispersión histórica de los retornos
B) La rentabilidad garantizada
C) La correlación perfecta
6. ¿Qué supone la anualización de volatilidad multiplicando por √252?
A) Una aproximación condicionada por hipótesis de escalado temporal
B) Una predicción exacta
C) Ausencia de riesgo
7. ¿Qué describe el máximo drawdown?
A) El mejor rendimiento diario
B) La mayor caída desde un máximo histórico previo
C) La rentabilidad media anual
8. ¿Qué implica una correlación de 0?
A) Ausencia de relación lineal estimada en la muestra
B) Riesgo cero
C) Independencia garantizada
9. Para una cartera diaria 60/40, ¿cómo se calcula el retorno del día?
A) 0,6 × retorno A + 0,4 × retorno B
B) Retorno A + retorno B sin pesos
C) Siempre 60 %
10. ¿Cuál es una limitación de cualquier análisis basado en datos históricos?
A) Los resultados futuros pueden diferir
B) Nunca existen errores de datos
C) Los pesos no importan
Mostrar respuestas correctas y comprobar el test
1. B — Una fecha de observación
2. A — La variación porcentual respecto a la observación anterior
3. B — 5 %
4. A — Valores faltantes
5. A — La dispersión histórica de los retornos
6. A — Una aproximación condicionada por hipótesis de escalado temporal
7. B — La mayor caída desde un máximo histórico previo
8. A — Ausencia de relación lineal estimada en la muestra
9. A — 0,6 × retorno A + 0,4 × retorno B
10. A — Los resultados futuros pueden diferir
Siguientes mejoras del campus
En próximas versiones incorporaremos las lecciones por separado en el constructor de Tutor LMS, los vídeos correspondientes, recursos descargables y un cuestionario con puntuación automática y seguimiento de progreso. Este curso piloto ya aporta contenido de lectura y práctica, pero todavía no representa un itinerario de lecciones registradas.
Todo el contenido se facilita con finalidad formativa. Los datos son ficticios y no constituyen recomendaciones personalizadas de inversión.
Contenido del curso
Fundamentos de Python y Jupyter
-
1. Bienvenida y primer notebook
-
2. Series financieras con pandas