Curso Python para finanzas

Lección 1 • Flujo de Control y Funciones

Enseña lógica if-else, bucles y funciones reutilizables para automatizar tareas repetitivas de 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 de texto, booleanos y conversión de tipos. Estos elementos primitivos sustentan cada cálculo financiero que se construirá más adelante.

Lección 3 • Configuración del Entorno de Python

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

Lección 4 • Estructuras de Datos en Python

Introduce listas, tuplas, diccionarios y conjuntos como contenedores para registros financieros. Elegir la estructura correcta 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 de Python para obtener ganancias de velocidad dramáticas en grandes conjuntos de datos.

Lección 2 • Álgebra Lineal con NumPy

Utiliza multiplicación de matrices, inversas y valores propios para matemáticas de portafolio y regresión. Proporciona las herramientas algebraicas requeridas en capítulos posteriores de riesgo y optimización.

Lección 3 • Arreglos de NumPy y Métodos de Creación

Cubre la creación de ndarray, formas, dtypes e indexación para series financieras. Los arreglos forman la columna vertebral numérica de todo el trabajo cuantitativo por delante.

Lección 1 • Carga y Limpieza de Datos Financieros

Lee archivos de mercado CSV, Excel y JSON, luego maneja valores faltantes y duplicados. Datos limpios son el prerrequisito para un análisis financiero preciso.

Lección 2 • Fusión y Reestructuración de DataFrames

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

Lección 3 • Manejo de Series de Tiempo en Pandas

Gestiona DatetimeIndex, remuestreo y ventanas móviles para series de precios y retornos. Las operaciones conscientes del tiempo son centrales en cada flujo de trabajo de análisis financiero.

Lección 4 • Filtrado, Ordenamiento y Agrupación

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

Lección 1 • Gráficos de Velas y OHLC

Renderiza gráficos de apertura-máximo-mínimo-cierre con barras de volumen usando mplfinance. Proporciona el formato visual estándar utilizado en el análisis de trading de acciones 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 trazado que se extiende en todo el trabajo de visualización posterior.

Lección 3 • Técnicas Avanzadas de Matplotlib

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

Lección 1 • Razones de Rendimiento y Comparación con Índices de Referencia

Calcula las razones de Sharpe, Sortino, Calmar e información para evaluar retornos ajustados por riesgo. La comparación con un índice de referencia contextualiza el rendimiento del portafolio.

Lección 2 • Valor en Riesgo y Déficit Esperado

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

Lección 3 • Cálculo de Retornos de Activos

Calcula retornos simples, logarítmicos y acumulados a partir de series de precios usando Pandas y NumPy. El cálculo de retornos es el punto de entrada para todo el análisis de rendimiento y riesgo.

Lección 4 • Análisis de Correlación y Covarianza

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

Lección 1 • Implementación de Optimización con SciPy

Utiliza scipy.optimize para minimizar la varianza del portafolio sujeta a restricciones de ponderación. Los estudiantes traducen problemas de optimización matemática directamente en código Python ejecutable.

Lección 2 • Rebalanceo de Portafolios y Restricciones

Agrega límites sectoriales, límites de rotación y costos de transacción a problemas de optimización realistas. Une la optimización teórica con los requisitos prácticos de gestión de portafolios.

Lección 3 • Visualización de la Frontera Eficiente

Simula miles de portafolios aleatorios y traza la curva de la frontera eficiente. La salida visual confirma los resultados del optimizador y comunica las compensaciones a las partes interesadas.

Lección 4 • Métodos Avanzados de Construcción de Portafolios

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

Lección 1 • Evaluación de Resultados de Backtesting

Analiza curvas de capital, drawdowns, tasas de acierto y retornos ajustados por riesgo a partir de la salida del backtest. Una evaluación rigurosa separa las estrategias genuinamente rentables de las sobreajustadas.

Lección 2 • Indicadores Técnicos y Generación de Señales

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

Lección 3 • Evitando el Sobreajuste y el Sesgo

Aplica pruebas 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 Estrategia y Dimensionamiento de Posiciones

Codifica reglas de entrada y salida, luego dimensiona posiciones usando métodos fraccionales fijos 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 libros de derivados.

Lección 2 • Fundamentos de Opciones y Diagramas de Pago

Define calls, puts, moneyness y vencimiento, luego traza diagramas de pago y ganancia. 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 contra el cual 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.