CURSO DE ECONOMETRÍA FINANCIERA Y BANCARIA

Docente

Nombre del docente

Fecha de inicio

Horarios

Fecha de finalizacion

Docentes Expertos

¿Qué aprenderás en este curso?

Comprenderás las propiedades estadísticas de las series financieras: retornos, volatilidad, asimetría y leptocurtosis. Aplicarás pruebas de raíz unitaria, autocorrelación y heterocedasticidad a series temporales financieras. Estimarás modelos de heterocedasticidad condicional: ARCH, GARCH, TARCH, EGARCH y sus extensiones multivariadas. Modelarás riesgos extremos con distribuciones no normales, y estimarás métricas clave como Value at Risk (VaR) y Expected Shortfall (ES).

Publico objetivo

Resultados esperados

Al finalizar el curso, los participantes serán capaces de:
- Serás capaz de analizar y modelar series de retornos financieros con técnicas de vanguardia.
- Identificarás patrones de volatilidad y efectos asimétricos en los mercados financieros.
- Desarrollarás modelos de riesgo financiero ajustados a las características reales de los datos.
- Presentarás análisis financieros avanzados en entornos profesionales utilizando Python, R o Stata.

Modulo I

Introducción a la Econometría Financiera y Bancaria

Conceptos básicos de econometría aplicada a finanzas y banca.
Importancia de la econometría en el análisis de series financieras.
Revisión de software y herramientas estadísticas para el análisis financiero (Python, R, STATA).

Modulo II

Propiedades de los Retornos Financieros

Características de los retornos financieros: volatilidad, leptocurtosis, sesgo.
Estacionariedad y pruebas de raíz unitaria aplicadas a series financieras.
Autocorrelación y heterocedasticidad en los datos financieros.
Análisis descriptivo de los retornos y representación gráfica.

Modulo III

Modelos ARCH (Autoregressive Conditional Heteroskedasticity)

Fundamentos del modelo ARCH: especificación y su importancia en finanzas.
Estimación e interpretación de los parámetros en el modelo ARCH.
Aplicaciones de los modelos ARCH para la estimación de volatilidad.

Modulo IV

Extensiones Univariadas de los Modelos ARCH

Modelos GARCH (Generalized ARCH): especificación y estimación.
Modelos GARCH multivariados: MGARCH, DCC-GARCH y su uso en la modelización de series de retornos múltiples.
Evaluación de modelos GARCH: selección de parámetros y ajuste del modelo.
Análisis de los modelos TARCH y EGARCH para capturar efectos asimétricos de la volatilidad.

Modulo V

No-Normalidad Condicional y Modelos de Distribución Alternativa

Introducción a la no-normalidad en series de retornos financieros.
Modelos de distribución condicional alternativos (distribución t, distribución de cola pesada).
Evaluación del riesgo extremo: Value at Risk (VaR) y Expected Shortfall (ES) en distribuciones no normales.
Ajuste y validación de modelos para condiciones de no-normalidad en finanzas.

Modulo VI

Aplicaciones Avanzadas en Econometría Financiera y Bancaria

Implementación práctica de modelos de volatilidad y riesgo financiero en Python/R.
Ejemplos de aplicaciones en banca y finanzas (riesgo de crédito, riesgo de mercado).
Proyecto integrador: modelización de una serie de retornos financieros y evaluación de riesgo.

Modulo VII

Modulo VIII

Modulo IX

Modulo X

Modulo XI

Modulo XII

"Este programa me ayudó a fortalecer mi investigación con herramientas estadísticas y de inteligencia artificial. Es práctico, completo y totalmente aplicable a tesis y proyectos académicos."

"Gracias a este programa, logré estructurar mi tesis doctoral con un enfoque metodológico sólido. Las herramientas de inteligencia artificial que aprendí me ayudaron a analizar grandes volúmenes de datos de forma eficiente."

"La combinación entre estadística aplicada e IA fue justo lo que necesitaba para llevar mis investigaciones al siguiente nivel. Recomiendo esta especialización a todo investigador serio."

"El programa no solo me dio conocimientos técnicos, también me enseñó a aplicarlos en el contexto real de mi tesis. ¡Una inversión totalmente valiosa!"

"Aprendí a utilizar metodologías científicas rigurosas junto con herramientas prácticas de IA, lo que ha mejorado significativamente la calidad de mis reportes y modelos."