Curso de Python para trading

Lección 1 • Elementos esenciales de la sintaxis central de Python

Cubra variables, tipos de datos, operadores y flujo de control con ejemplos temáticos de trading. Proporciona la fluidez en el lenguaje requerida para toda la manipulación de datos que se realizará más adelante.

Lección 2 • Configuración del entorno de trading

Instale Python, Jupyter y las bibliotecas financieras clave en un espacio de trabajo reproducible. Establece la línea base técnica de la que depende cada capítulo posterior.

Lección 3 • Estructuras de datos para datos de mercado

Explore listas, tuplas, diccionarios y conjuntos como contenedores para registros de precios y operaciones. Se relaciona directamente con cómo se almacenan y acceden los datos de mercado en la práctica.

Lección 1 • Series y DataFrames de Pandas

Construya e inspeccione Series y DataFrames que representen historiales de precios. Establece la estructura de datos principal utilizada a lo largo de todo el curso.

Lección 2 • Limpieza y transformación de datos OHLCV

Maneje valores faltantes, duplicados y discrepancias de tipos en fuentes de mercado sin procesar. Los datos limpios son un prerrequisito para la generación confiable de señales en capítulos posteriores.

Lección 3 • Indexación de series de tiempo con DatetimeIndex

Procese fechas, establezca DatetimeIndex y remuestree datos a través de frecuencias. La indexación consciente del tiempo es esencial para todo el trabajo de señales y backtesting que se realizará más adelante.

Lección 4 • Arreglos de NumPy y matemática vectorizada

Cree y opere arreglos para reemplazar bucles lentos de Python en cálculos de precios. Las operaciones vectorizadas son la columna vertebral del rendimiento de todos los análisis posteriores.

Lección 1 • Uso de bibliotecas de datos financieros

Obtenga datos históricos OHLCV utilizando envoltorios de Python diseñados específicamente para proveedores de datos de mercado. Reduce el código repetitivo y acelera la creación de prototipos de ideas de trading.

Lección 2 • Construcción de un pipeline de datos reutilizable

Encapsule los pasos de obtención, limpieza y almacenamiento en una clase de pipeline modular e invocable. Los pipelines reutilizables son la base de la investigación reproducible y el trading en vivo.

Lección 3 • Acceso a datos a través de API REST

Envíe solicitudes HTTP autenticadas y procese las respuestas JSON en DataFrames. Establece el patrón para toda la ingesta de datos basada en API en el curso.

Lección 1 • Indicadores de volatilidad y volumen

Calcule Bandas de Bollinger, ATR e indicadores basados en volumen para evaluar las condiciones del mercado. El contexto de volatilidad y volumen mejora la calidad de las señales y el dimensionamiento de posiciones.

Lección 2 • Uso de TA-Lib y pandas-ta

Aproveche bibliotecas de indicadores establecidas para acelerar el desarrollo y validar código personalizado. Los indicadores basados en bibliotecas reducen los errores y permiten la creación rápida de prototipos de estrategias.

Lección 3 • Indicadores de seguimiento de tendencia

Implemente medias móviles, MACD y ADX para identificar tendencias direccionales de precios. Las señales de tendencia forman la lógica de entrada más común en las estrategias sistemáticas.

Lección 4 • Indicadores de momentum y osciladores

Construya indicadores RSI, Estocástico y Tasa de Cambio para medir el momentum del precio. Los osciladores complementan los filtros de tendencia identificando condiciones de sobrecompra y sobreventa.

Lección 1 • Conceptos de backtesting basado en eventos

Introduzca la simulación del libro de órdenes, la lógica de ejecución y el modelado de deslizamiento para obtener resultados realistas. Los motores basados en eventos exponen realidades de ejecución que las pruebas vectorizadas ocultan.

Lección 2 • Uso de Backtrader y Zipline Lite

Ejecute estrategias a través de marcos de backtesting de código abierto establecidos para un análisis más rico. Los marcos imponen disciplina y proporcionan informes integrados no disponibles en motores personalizados.

Lección 3 • Evitar el sobreajuste y el espionaje de datos

Aplique validación con ventana móvil y pruebas fuera de muestra para detectar resultados espurios. El sobreajuste es la causa principal del bajo rendimiento en el trading en vivo después del backtesting.

Lección 4 • Fundamentos del backtesting vectorizado

Traduzca señales de posición en retornos diarios utilizando operaciones vectorizadas de pandas. El backtesting vectorizado es rápido y forma el motor central para toda evaluación de estrategias.

Lección 1 • Métricas de riesgo y control de reducciones

Monitoree el Valor en Riesgo, el Déficit Esperado y la reducción móvil en tiempo real. El monitoreo continuo del riesgo previene pérdidas catastróficas durante regímenes de mercado adversos.

Lección 2 • Estimación de retornos y covarianzas

Calcule retornos esperados y matrices de covarianza a partir de datos históricos de precios. Las estimaciones precisas son los insumos que determinan la calidad de cualquier resultado de optimización.

Lección 3 • Métodos de dimensionamiento de posiciones

Implemente reglas de dimensión fraccional fija, criterio de Kelly y escalado por volatilidad. El dimensionamiento adecuado determina cuánto capital controla cada señal, afectando directamente la reducción.

Lección 4 • Optimización de portafolios de media-varianza

Utilice scipy y PyPortfolioOpt para resolver la frontera eficiente y los pesos óptimos. La optimización de media-varianza traduce las estimaciones de retorno/riesgo en asignaciones procesables.

Lección 1 • Algoritmos de ejecución (TWAP y VWAP)

Construya algoritmos de segmentación TWAP y VWAP para reducir el impacto en el mercado de órdenes grandes. Los algoritmos de ejecución son esenciales cuando el tamaño de la orden es significativo en relación con el volumen.

Lección 2 • Integración con API de brókeres

Autentíquese e interactúe con una API REST de bróker para colocar y gestionar órdenes. La integración API es el puente entre las señales probadas en backtesting y la ejecución real en el mercado.

Lección 3 • Monitoreo de ejecución y alertas

Registre todos los eventos de órdenes y active alertas ante anomalías como ejecuciones fallidas o límites excedidos. El monitoreo robusto es la red de seguridad operativa para cualquier sistema de trading en vivo.

Lección 4 • Tipos de órdenes y lógica de ejecución

Implemente órdenes a mercado, limitadas, stop y bracket con lógica de ejecución condicional. Elegir el tipo de orden correcto controla directamente la calidad de la ejecución y la exposición al riesgo.

Lección 1 • Evaluación de modelos para datos financieros

Utilice validación cruzada purgada y métricas financieras para evaluar la calidad del modelo sin fuga de datos. Las métricas estándar de ML son insuficientes para datos financieros con correlación serial.

Lección 2 • Ingeniería de características a partir de datos de precios

Transforme datos OHLCV sin procesar en características predictivas adecuadas para modelos de ML. La calidad de las características determina el poder predictivo del modelo más que la elección del algoritmo.

Lección 3 • Modelos de clasificación supervisada

Entrene clasificadores de regresión logística, bosque aleatorio y gradient boosting para predecir la dirección del precio. Las salidas de clasificación se mapean directamente a la generación de señales largas/cortas.

Lección 4 • Aprendizaje no supervisado para regímenes de mercado

Aplique k-means y Modelos de Mezcla Gaussiana para agrupar estados del mercado y adaptar estrategias. La detección de regímenes permite el cambio dinámico de estrategia basado en las condiciones del mercado.