Track de Finanzas Cuantitativas & AI...¿por qué estudiarlo?
En el Colegio de Matemáticas Bourbaki estamos muy contentos porque a partir del 2024 comenzará nuestro programa dedicado a los interesados en métodos de Ciencia de Datos para resolver problemas financieros, bursátiles o corporativos.
En esta edición de nuestro Bourbakisme mi amigo y co-fundador de Bourbaki Finanzas Gerardo Hernandez-del-Valle nos dará su opinión sobre los temas que trataremos en este curso así como las razones por las que él considera que este material es fundamental para todos los profesionales relacionados con las finanzas cuantitativas.
El curso completo comprende los siguientes bloques:
- Aplicaciones Financieras de ML & AI
- Las matemáticas de los Mercados Financieros
- Deep Learning for Finance
A continuación les hablaré un poco sobre la trayectoria de Gerardo.
Gerardo Hernández del Valle
Es Ingeniero de profesión, con maestría y doctorado en Probabilidad y Estadística obtenidos en la Universidad de Columbia en Nueva York. Tras finalizar sus estudios de posgrado, desempeñó roles como Profesor en la Universidad de Columbia y Consultor en Algorithmic Trading Management LLC.
Al volver a México, inició su trayectoria como investigador en la Dirección General de Investigación Económica de Banco de México. Más adelante, ocupó el cargo de portafolio manager en la Casa de Bolsa Actinver, contribuyendo en la gestión de fondos multiactivos y en la creación de estrategias de inversión. En la actualidad, además de su rol como Director en Bourbaki Finanzas, ejerce como Director de la Dirección de Infraestructuras del Mercado Financiero en el CEMLA.
Aplicaciones Financieras de ML & AI
Los temas abordados en el curso tienen una relevancia significativa en el panorama financiero actual. Por ejemplo, el análisis de riesgo crediticio y la detección de fraudes son fundamentales para instituciones financieras, permitiendo evaluar la solvencia de los prestatarios y protegerse contra actividades fraudulentas, lo que es esencial para la estabilidad y la confianza en el sistema financiero.
La valoración de criptoactivos mediante redes LSTM representa un desafío emergente, dada la volatilidad y complejidad inherente a este tipo de activos. Comprender cómo estas redes pueden modelar mejor las fluctuaciones en los precios de criptomonedas es crucial para inversionistas y analistas en un mercado en constante evolución. Además, temas como el valor en riesgo, estrategias de cobertura y el procesamiento de lenguaje natural aplicado a finanzas son áreas fundamentales que brindan herramientas clave para la toma de decisiones financieras más informadas y eficaces en un entorno cada vez más complejo y digitalizado.
Las matemáticas de los Mercados Financieros
Los temas abordados en este curso abarcan desde la renta fija y derivados financieros hasta conceptos más avanzados como la inferencia bayesiana y la aplicación del Machine Learning en el análisis de riesgos. Comprender la renta fija y los derivados es fundamental en finanzas, ya que estos instrumentos son pilares en la gestión de portafolios y la cobertura de riesgos en entornos financieros complejos y cambiantes. Además, explorar modelos como Black & Scholes o Markowitz no solo proporciona las bases teóricas, sino que también ofrece herramientas prácticas para optimizar y diversificar carteras de inversión, algo vital para los profesionales financieros.
Además, la introducción a temas más modernos como Blockchain y su aplicación en finanzas destaca la importancia de comprender las tecnologías emergentes. La comprensión de Blockchain no solo es relevante para las criptomonedas, sino que también presenta oportunidades significativas en la gestión de registros, seguridad y transparencia en transacciones financieras. El análisis estocástico y el uso de modelos de Machine Learning en finanzas permiten a los profesionales cuantitativos estar al tanto de las últimas herramientas y enfoques para la gestión del riesgo, la valoración de activos y la toma de decisiones fundamentadas en el mercado financiero actual.
Deep Learning for Finance
Estos módulos presentan áreas clave del Deep Learning adaptadas al sector financiero. La aplicación de redes neuronales en series temporales (Módulo I) es esencial para prever tendencias, volatilidades y patrones en datos financieros a lo largo del tiempo. Comprender modelos transformer (Módulo II) ofrece herramientas poderosas para procesar secuencias de datos, lo que resulta invaluable en el análisis de series temporales complejas y la detección de patrones financieros sutiles.
El Módulo III, que aborda el Deep Learning en datos de panel, se vuelve esencial para analizar conjuntos de datos que implican múltiples entidades a lo largo del tiempo, proporcionando una comprensión más profunda de las interrelaciones en entornos financieros complejos. Además, el enfoque en Fine Tuning y LLM (Módulo IV) destaca la importancia de ajustar modelos pre-entrenados a datos financieros específicos, mejorando así la precisión y relevancia en las predicciones. Estos temas no solo amplían la comprensión del Deep Learning, sino que también equipan a los estudiantes con herramientas cruciales para tomar decisiones más informadas y precisas en el ámbito financiero en constante evolución.
Oferta académica
Quienes deseen conocer más detalles sobre estos y otros cursos los invitamos a conocer los temarios de nuestros cursos.
- Track de Ciencia de Datos. (49 semanas).
- Machine Learning & AI for the Working Analyst ( 12 semanas).
- Matemáticas para Ciencia de Datos ( 24 semanas).
- Especialización en Deep Learning. (12 semanas).
- Track de Finanzas Cuantitativas (49 semanas)
- Aplicaciones Financieras De Machine Learning E IA ( 12 semanas).
- Las matemáticas de los mercados financieros (24 semanas).
- Deep Learning for Finance (12 semanas).
