Curso Python para finanzas

Lección 1 • Flujo de Control y Funciones

Enseña lógica if-else, bucles y funciones reutilizables para automatizar tareas repetitivas en finanzas. Los estudiantes escriben código modular que se escala a través de conjuntos de datos.

Lección 2 • Sintaxis Básica de Python y Tipos de Datos

Cubre variables, operadores aritméticos, cadenas, booleanos y conversión de tipos. Estos elementos primitivos sustentan cada cálculo financiero que se construirá posteriormente.

Lección 3 • Configuración del Entorno Python

Instala Python, Anaconda y Jupyter Notebook para un espacio de trabajo listo para finanzas. Establece la base técnica de la que depende cada capítulo posterior.

Lección 4 • Estructuras de Datos en Python

Presenta listas, tuplas, diccionarios y conjuntos como contenedores para registros financieros. Elegir la estructura adecuada mejora la eficiencia y claridad del código.

Lección 1 • Operaciones Matemáticas Vectorizadas

Aplica aritmética elemento a elemento, funciones universales y difusión a series de precios. Elimina bucles Python para obtener ganancias de velocidad drásticas en grandes conjuntos de datos.

Lección 2 • Álgebra Lineal con NumPy

Utiliza multiplicación de matrices, inversas y valores propios para matemáticas de carteras y regresiones. Proporciona las herramientas algebraicas necesarias en capítulos posteriores sobre riesgo y optimización.

Lección 3 • Arrays de NumPy y Métodos de Creación

Cubre la creación de ndarrays, formas, tipos de datos e indexación para series financieras. Los arrays forman la columna vertebral numérica de todo el trabajo cuantitativo posterior.

Lección 1 • Carga y Limpieza de Datos Financieros

Lee archivos de mercado CSV, Excel y JSON, después maneja valores perdidos y duplicados. Los datos limpios son un prerrequisito para un análisis financiero preciso.

Lección 2 • Fusión y Redimensionamiento de DataFrames

Combina múltiples conjuntos de datos financieros usando merge, join y concat, y luego redimensiona con melt y stack. Prepara datos de múltiples fuentes para un análisis unificado.

Lección 3 • Manejo de Series Temporales en Pandas

Gestiona DatetimeIndex, remuestreo y ventanas móviles para series de precios y rentabilidades. Las operaciones con conciencia temporal son centrales en cada flujo de trabajo de análisis financiero.

Lección 4 • Filtrado, Ordenación y Agrupación

Aplica filtros booleanos, operaciones de ordenación y agregaciones groupby para segmentar datos financieros. Permite comparaciones a nivel de sector y por período temporal a través de grandes conjuntos de datos.

Lección 1 • Gráficos de Velas y OHLC

Representa gráficos de apertura-máximo-mínimo-cierre con barras de volumen usando mplfinance. Proporciona el formato visual estándar utilizado en el análisis de negociación de renta variable y materias primas.

Lección 2 • Fundamentos de Matplotlib para Finanzas

Construye gráficos de líneas, barras y dispersión de datos financieros con etiquetas y formato adecuados. Establece la base de gráficos que todo trabajo de visualización posterior amplía.

Lección 3 • Técnicas Avanzadas de Matplotlib

Utiliza subgráficos, ejes dobles y anotaciones para mostrar paneles de control financieros multipanel. Permite la comparación lado a lado de métricas financieras relacionadas.

Lección 1 • Ratios de Rendimiento y Benchmarking

Calcula los ratios de Sharpe, Sortino, Calmar y de información para evaluar la rentabilidad ajustada al riesgo. El benchmarking contra un índice de referencia contextualiza el rendimiento de la cartera.

Lección 2 • Valor en Riesgo y Déficit Esperado

Estima el VaR y el CVaR utilizando métodos históricos, paramétricos y de Monte Carlo. Estas medidas de riesgo de cola son requisitos estándar en los informes de gestión de riesgos.

Lección 3 • Cálculo de Rentabilidades de Activos

Calcula rentabilidades simples, logarítmicas y acumuladas a partir de series de precios usando Pandas y NumPy. El cálculo de la rentabilidad es el punto de partida para todo el análisis de rendimiento y riesgo.

Lección 4 • Análisis de Correlación y Covarianza

Construye matrices de correlación y covarianza entre rentabilidades de activos para medir el co-movimiento. Estas matrices son los insumos directos para la optimización de carteras en el próximo capítulo.

Lección 1 • Implementación de la Optimización con SciPy

Utiliza scipy.optimize para minimizar la varianza de la cartera sujeta a restricciones de peso. Los estudiantes traducen problemas de optimización matemática directamente a código Python ejecutable.

Lección 2 • Rebalanceo de Carteras y Restricciones

Añade límites sectoriales, límites de rotación y costes de transacción a problemas de optimización realistas. Tiende un puente entre la optimización teórica y los requisitos prácticos de gestión de carteras.

Lección 3 • Visualización de la Frontera Eficiente

Simula miles de carteras aleatorias y traza la curva de la frontera eficiente. El resultado visual confirma los resultados del optimizador y comunica las disyuntivas a los interesados.

Lección 4 • Métodos Avanzados de Construcción de Carteras

Aplica la paridad de riesgo, Black-Litterman y la paridad de riesgo jerárquica como alternativas a la media-varianza. Aborda el error de estimación y las debilidades de concentración de la optimización clásica.

Lección 1 • Evaluación de los Resultados del Backtest

Analiza curvas de capital, drawdowns, tasas de acierto y rentabilidades ajustadas al riesgo a partir del resultado del backtest. Una evaluación rigurosa separa las estrategias genuinamente rentables de las sobreajustadas.

Lección 2 • Indicadores Técnicos y Generación de Señales

Calcula medias móviles, RSI, MACD y Bandas de Bollinger a partir de datos OHLC. Los indicadores traducen datos de precios en bruto en señales de compra y venta accionables.

Lección 3 • Cómo Evitar el Sobreajuste y el Sesgo

Aplica pruebas de avance (walk-forward), validación fuera de muestra y verificaciones de sensibilidad de parámetros. Estas técnicas evitan que las estrategias se ajusten al ruido histórico en lugar de a la señal.

Lección 4 • Lógica de la Estrategia y Dimensionamiento de Posiciones

Codifica reglas de entrada y salida, luego dimensiona posiciones usando métodos de fracción fija y basados en volatilidad. El dimensionamiento de posiciones controla directamente el riesgo asumido por operación.

Lección 1 • Griegas y Estrategias de Cobertura

Calcula e interpreta las griegas de opciones, luego construye coberturas delta-neutral y gamma-neutral. La cobertura con griegas es la práctica central de gestión de riesgos para los libros de derivados.

Lección 2 • Fundamentos de Opciones y Diagramas de Pagos

Define calls, puts, dinero (moneyness) y vencimiento, luego traza diagramas de pagos y beneficios. La claridad conceptual aquí es esencial antes de implementar cualquier modelo de valoración.

Lección 3 • Modelo de Black-Scholes-Merton

Implementa la fórmula cerrada BSM para la valoración de opciones europeas y las griegas. BSM es el índice de referencia de la industria con el que se comparan todos los demás modelos.

Lección 4 • Valoración de Opciones por Monte Carlo

Simula trayectorias de movimiento browniano geométrico para valorar opciones europeas y exóticas. Monte Carlo extiende la valoración a pagos dependientes de la trayectoria fuera del alcance analítico.