25 DE JULIO
SÁBADOS Y DOMINGOS: 6:00 pm - 8:00 pm (PE)
Este programa está dirigido a:
Traders, inversores y entusiastas del mercado financiero que busquen migrar de un enfoque manual a un sistema cuantitativo y algorítmico basado en datos.
Analistas de datos, programadores, ingenieros de software y científicos de datos interesados en aplicar la inteligencia artificial y el aprendizaje automático en las finanzas cuantitativas.
Gestores de portafolios, economistas, administradores y profesionales del área financiera que busquen automatizar sus análisis y flujos de trabajo.
Estudiantes universitarios de carreras cuantitativas y de negocios que deseen especializarse en tecnologías emergentes aplicadas al ecosistema fintech y bursátil.
Al culminar con este programa usted podrá:
Diseñar, modelar y simular carteras diversificadas de inversión aplicando fundamentos matemáticos y de ingeniería financiera.
Programar estrategias cuantitativas complejas en Python y R Studio, descargando datos históricos directamente desde APIs bursátiles.
Evaluar de forma robusta la viabilidad de cualquier algoritmo de inversión mediante backtesting avanzado, evitando el sesgo de overfitting.
Aplicar el análisis técnico bajo metodologías institucionales para identificar zonas de alta probabilidad, liquidez y order blocks.
Automatizar la toma de decisiones y ejecutar sistemas en tiempo real utilizando MetaTrader 5, código MQL5 y APIs de brokers reales.
Procesar grandes volúmenes de textos corporativos, reportes de ganancias y noticias automatizando su lectura con arquitecturas RAG.
Utilizar inteligencia artificial avanzada (LLMs, FinBERT y agentes autónomos) para elaborar índices semanales de sentimiento de mercado.
Controlar y parametrizar rigurosamente el riesgo sistémico calculando el Value at Risk (VaR), drawdowns y la distribución exacta de las posiciones.
Fundamentos de los Mercados Financieros
Características de acciones, bonos, ETFs, derivados y criptoactivos.
Organización de bolsas de valores e índices de referencia globales y regionales.
Operativa de compra/venta y tipos de órdenes (market, limit, stop, OCO).
Conceptos de slippage, liquidez, spread y su impacto real.
Comparación conceptual de los análisis técnico, fundamental y cuantitativo.
Introducción práctica a las plataformas TradingView y MetaTrader 5.
Ingeniería Financiera Básica
Interés simple, compuesto y cálculo de tasas nominales, efectivas y equivalentes.
Cálculo de anualidades ordinarias, vencidas, perpetuas, TIR y VPN.
Fundamentos de derivados financieros (forwards, futuros, opciones y swaps) y coberturas.
Identificación y medición de riesgos de mercado, crédito, liquidez y operacional.
Medidas estadísticas de riesgo: desviación estándar, percentiles y Value at Risk (VaR).
Excel Financiero y Modelado Base
Evaluación por múltiplos y ratios de valoración de acciones (PER, ROE, EBITDA, EV/EBITDA).
Plantillas para portafolios, flujos de caja y modelo de Descuento de Flujos de Caja (DCF) simplificado.
Uso de la herramienta Solver para optimización de decisiones de inversión.
Construcción de dashboards, tablas dinámicas y simulación de escenarios en Excel.
Alertas dinámicas y semáforos para el control de pérdidas y rendimientos.
Análisis Estadístico y Visualización Financiera con Python
Configuración del entorno de trabajo (Anaconda, Jupyter Notebook, Google Colab).
Librerías esenciales para el tratamiento de datos financieros (Pandas, NumPy, Matplotlib, Seaborn).
Descarga y limpieza de series temporales históricas con yfinance y Alpha Vantage API.
Covarianza, correlación, diversificación y análisis exploratorio de datos (EDA).
Medición de Sharpe Ratio, Sortino Ratio, drawdown máximo y CAGR mediante Python.
Construcción de dashboards interactivos y reportes automatizados con Plotly y Dash.
Análisis Técnico con Wyckoff y SMC
Velas japonesas avanzadas, soportes, resistencias dinámicas y patrones gráficos.
Uso e interpretación de indicadores clave (RSI, MACD, Bollinger Bands, Estocástico, ATR).
Las 4 fases de mercado según el método Wyckoff (acumulación, markup, distribución, markdown).
Smart Money Concepts (SMC): order blocks institucionales, Fair Value Gaps (FVG), BOS y ChoCH.
Identificación de liquidez del mercado y barrido de mínimos y máximos.
Price Action, ICT y Supply & Demand
Sesiones Killzones (Londres, Nueva York, Asia) y Optimal Trade Entry (OTE) según el método ICT.
Zonas de oferta y demanda institucional (estructuras rally-base-drop y drop-base-rally).
Backtesting manual con replay de mercado utilizando la plataforma TradingView.
Métricas de rendimiento como winrate, profit factor y expectativa matemática.
Diseño del plan de trading individual (reglas de entrada, salida, gestión y horarios).
Programación para Trading Cuantitativo en Python
Estructuras de control, funciones, sintaxis y manejo de errores enfocados a finanzas.
Hechos estilizados del mercado (fat tails y clustering de volatilidad).
Desarrollo de estrategias de trading algorítmico y backtesting con Backtrader y VectorBT.
Diagnóstico del overfitting, validación fuera de muestra y simulación de Monte Carlo.
Modelos de Machine Learning supervisado (regresión y clasificación) y Feature Engineering.
Introducción al Reinforcement Learning usando las librerías FinRL, OpenAI Gym y agentes DQN.
R Studio para Análisis Financiero y Estadístico
Modelado de regresión múltiple, heterocedasticidad y autocorrelación en series de precios.
Modelos GARCH para la estimación y modelado de volatilidad condicional.
Cálculo de Value at Risk (VaR) dinámico utilizando simulaciones bootstrap.
Uso de librerías financieras avanzadas en R (tidyquant, quantmod, PerformanceAnalytics).
Construcción y optimización de portafolios a través de la frontera eficiente de Markowitz.
Inteligencia Artificial y Trading Automatizado
Uso de ChatGPT, Claude y Gemini para análisis fundamental y lectura de reportes de ganancias.
Creación de prompts especializados aplicados a los mercados financieros.
Extracción y clasificación de datos de sentimiento macroeconómico como filtro operativo.
Interpretación de datos alternativos y lectura del posicionamiento institucional con reportes COT.
Flujo de opciones inusual mediante lectura de Barchart Options y extracción con Python.
NLP y Análisis de Sentimiento de Mercado
Fundamentos de Procesamiento de Lenguaje Natural (NLP) aplicados a finanzas.
FinBERT: modelo de Deep Learning preentrenado para clasificar sentimiento financiero.
Extracción de textos desde noticias, earnings calls, Twitter/X, Reddit y documentos regulatorios.
Construcción de un índice de sentimiento bursátil personalizado con datos en tiempo real.
Agentes de IA y Modelos Generativos para Finanzas
Arquitectura de agentes autónomos de IA e integración de herramientas y memoria.
Diseño de pipelines de análisis financiero automatizado utilizando la librería LangChain.
Fundamentos de Retrieval-Augmented Generation (RAG) y su aplicación en la lectura de documentos corporativos.
Construcción de una base de conocimiento para consultar grandes volúmenes de reportes anuales con IA.
Trading Automatizado en MetaTrader 5
Creación, edición y compilación de Expert Advisors (EA) con MetaEditor y lenguaje MQL5.
Optimización de estrategias con el Strategy Tester de MT5 y validación walk-forward.
Automatización del trailing stop, stop loss y límites diarios programados en el EA.
Implementación de ejecución en vivo en el mercado real conectándose a APIs de brokers con Python.
Manejo de latencia, slippage, control de equity y monitoreo mediante alertas push.
Trading Automatizado en MetaTrader 5
Creación, edición y compilación de Expert Advisors (EA) con MetaEditor y lenguaje MQL5.
Optimización de estrategias con el Strategy Tester de MT5 y validación walk-forward.
Automatización del trailing stop, stop loss y límites diarios programados en el EA.
Implementación de ejecución en vivo en el mercado real conectándose a APIs de brokers con Python.
Manejo de latencia, slippage, control de equity y monitoreo mediante alertas push.
Fundamentos de los Mercados Financieros
Características de acciones, bonos, ETFs, derivados y criptoactivos.
Organización de bolsas de valores e índices de referencia globales y regionales.
Operativa de compra/venta y tipos de órdenes (market, limit, stop, OCO).
Conceptos de slippage, liquidez, spread y su impacto real.
Comparación conceptual de los análisis técnico, fundamental y cuantitativo.
Introducción práctica a las plataformas TradingView y MetaTrader 5.
Ingeniería Financiera Básica
Interés simple, compuesto y cálculo de tasas nominales, efectivas y equivalentes.
Cálculo de anualidades ordinarias, vencidas, perpetuas, TIR y VPN.
Fundamentos de derivados financieros (forwards, futuros, opciones y swaps) y coberturas.
Identificación y medición de riesgos de mercado, crédito, liquidez y operacional.
Medidas estadísticas de riesgo: desviación estándar, percentiles y Value at Risk (VaR).
Excel Financiero y Modelado Base
Evaluación por múltiplos y ratios de valoración de acciones (PER, ROE, EBITDA, EV/EBITDA).
Plantillas para portafolios, flujos de caja y modelo de Descuento de Flujos de Caja (DCF) simplificado.
Uso de la herramienta Solver para optimización de decisiones de inversión.
Construcción de dashboards, tablas dinámicas y simulación de escenarios en Excel.
Alertas dinámicas y semáforos para el control de pérdidas y rendimientos.
Análisis Estadístico y Visualización Financiera con Python
Configuración del entorno de trabajo (Anaconda, Jupyter Notebook, Google Colab).
Librerías esenciales para el tratamiento de datos financieros (Pandas, NumPy, Matplotlib, Seaborn).
Descarga y limpieza de series temporales históricas con yfinance y Alpha Vantage API.
Covarianza, correlación, diversificación y análisis exploratorio de datos (EDA).
Medición de Sharpe Ratio, Sortino Ratio, drawdown máximo y CAGR mediante Python.
Construcción de dashboards interactivos y reportes automatizados con Plotly y Dash.
Análisis Técnico con Wyckoff y SMC
Velas japonesas avanzadas, soportes, resistencias dinámicas y patrones gráficos.
Uso e interpretación de indicadores clave (RSI, MACD, Bollinger Bands, Estocástico, ATR).
Las 4 fases de mercado según el método Wyckoff (acumulación, markup, distribución, markdown).
Smart Money Concepts (SMC): order blocks institucionales, Fair Value Gaps (FVG), BOS y ChoCH.
Identificación de liquidez del mercado y barrido de mínimos y máximos.
Price Action, ICT y Supply & Demand
Sesiones Killzones (Londres, Nueva York, Asia) y Optimal Trade Entry (OTE) según el método ICT.
Zonas de oferta y demanda institucional (estructuras rally-base-drop y drop-base-rally).
Backtesting manual con replay de mercado utilizando la plataforma TradingView.
Métricas de rendimiento como winrate, profit factor y expectativa matemática.
Diseño del plan de trading individual (reglas de entrada, salida, gestión y horarios).
Programación para Trading Cuantitativo en Python
Estructuras de control, funciones, sintaxis y manejo de errores enfocados a finanzas.
Hechos estilizados del mercado (fat tails y clustering de volatilidad).
Desarrollo de estrategias de trading algorítmico y backtesting con Backtrader y VectorBT.
Diagnóstico del overfitting, validación fuera de muestra y simulación de Monte Carlo.
Modelos de Machine Learning supervisado (regresión y clasificación) y Feature Engineering.
Introducción al Reinforcement Learning usando las librerías FinRL, OpenAI Gym y agentes DQN.
R Studio para Análisis Financiero y Estadístico
Modelado de regresión múltiple, heterocedasticidad y autocorrelación en series de precios.
Modelos GARCH para la estimación y modelado de volatilidad condicional.
Cálculo de Value at Risk (VaR) dinámico utilizando simulaciones bootstrap.
Uso de librerías financieras avanzadas en R (tidyquant, quantmod, PerformanceAnalytics).
Construcción y optimización de portafolios a través de la frontera eficiente de Markowitz.
Inteligencia Artificial y Trading Automatizado
Uso de ChatGPT, Claude y Gemini para análisis fundamental y lectura de reportes de ganancias.
Creación de prompts especializados aplicados a los mercados financieros.
Extracción y clasificación de datos de sentimiento macroeconómico como filtro operativo.
Interpretación de datos alternativos y lectura del posicionamiento institucional con reportes COT.
Flujo de opciones inusual mediante lectura de Barchart Options y extracción con Python.
NLP y Análisis de Sentimiento de Mercado
Fundamentos de Procesamiento de Lenguaje Natural (NLP) aplicados a finanzas.
FinBERT: modelo de Deep Learning preentrenado para clasificar sentimiento financiero.
Extracción de textos desde noticias, earnings calls, Twitter/X, Reddit y documentos regulatorios.
Construcción de un índice de sentimiento bursátil personalizado con datos en tiempo real.
Agentes de IA y Modelos Generativos para Finanzas
Arquitectura de agentes autónomos de IA e integración de herramientas y memoria.
Diseño de pipelines de análisis financiero automatizado utilizando la librería LangChain.
Fundamentos de Retrieval-Augmented Generation (RAG) y su aplicación en la lectura de documentos corporativos.
Construcción de una base de conocimiento para consultar grandes volúmenes de reportes anuales con IA.
Trading Automatizado en MetaTrader 5
Creación, edición y compilación de Expert Advisors (EA) con MetaEditor y lenguaje MQL5.
Optimización de estrategias con el Strategy Tester de MT5 y validación walk-forward.
Automatización del trailing stop, stop loss y límites diarios programados en el EA.
Implementación de ejecución en vivo en el mercado real conectándose a APIs de brokers con Python.
Manejo de latencia, slippage, control de equity y monitoreo mediante alertas push.
