
Diplomado en Métodos Computacionales para Análisis de Datos Financieros y Económicos
Bogotá - virtual
96 horas ( 10 Semanas electivas )
Quienes estudian este diplomado virtual en métodos computacionales para análisis de datos financieros y económicos, se introducirán en el mundo del análisis de datos, uno en donde todo profesional que requiera tomar decisiones en función de indicadores y agregados financieros y económicos podrá estructurar herramientas computacionales automatizadas que le permitirán generar indicadores y gestionar grandes cantidades de datos.
Este es un programa virtual sincrónico de 96 horas basado en Python, un poderoso software para el manejo de grandes bases de datos y para la generación de algoritmos que las procesen. El estudiante aprenderá no solamente el manejo de esta herramienta, sino que con ella construirá modelos aplicados a la gestión financiera y económica, con lo que podrá automatizar la generación de información recurrente para la toma de decisiones.
Al finalizar, los egresados:
- Tendrán herramientas para hacer una adecuada gestión y análisis de datos.
- Desarrollarán algoritmos básicos con los que podrán construir modelos analíticos
- Obtendrán conocimientos básicos en estadística y probabilidad para construir procesos de análisis relevante y vanguardia
Quienes participen entrarán en contacto con profesores con conocimientos profundos en modelación económica y financiera. Otro importante valor agregado, es que el diplomado se puede homologar con materias de la Maestría en Finanzas o de la Especialización en Finanzas.
Esta propuesta de diplomado virtual se respalda en la trayectoria y reconocimiento del Centro de Investigaciones y Proyectos Especiales (CIPE) y de los docentes e investigadores adscritos al Observatorio de Economía y Operaciones Numéricas (Odeón), que desde 2002 estudia e investiga sobre este y otros temas afines, al punto que hoy podemos afirmar que cuenta con un grupo docente y de investigación amplio y completo en esta temática.
El objetivo del diplomado es introducir las técnicas numéricas fundamentadas en herramientas estadísticas de visualización y probabilidad a través de lenguaje de programación que permitan desarrollar desde los modelos de análisis estadísticos más básicos hasta las bases del aprendizaje de máquina y los más avanzados métodos de análisis de datos, que permitan un eficiente y correcto uso de los datos en la generación de información relevante en los procesos de toma de decisiones en diversos contextos.
En función de lo anterior los objetivos especifico son:
- El estudiante pueda utilizar herramientas estadísticas para la gestión y manejo de bases de datos logrando resultados confiables y replicables en el tiempo
- Desarrollar modelos analíticos para el contexto profesional y/o laboral en que se encuentre fundamentados en métodos cuantitativos y con la confiabilidad de generar datos relevantes para la toma de decisiones en la organización.
- Desarrollar algoritmos que basados en la teoría de las redes neuronales y métodos de aprendizaje de máquinas para la gestión permanente y recurrente de datos en la organización.
JAVIER SANDOVAL, PhD:
Se graduó como Profesional en Finanzas y Relaciones Internacionales de la Universidad Externado de Colombia; Master en Finanzas del London School of Economics, Master en Matemática Aplicada y PhD en Computación de la Universidad Nacional de Colombia. Ha sido autor de capítulos de libro y artículos en revistas internacionales arbitradas en temas relacionados con computación en finanzas. El Doctor Sandoval es también consultor en temas de tecnología aplicada al sistema bursátil y financiero.
JOHN MORENO:
Coordinador del Observatorio de Economía y Operaciones Numéricas (ODEON) adscrito al Centro de Investigaciones y Proyectos Especiales (CIPE). Investigador Junior (IJ) de Colciencias. Matemático y Msc. en Matemática Aplicada de la Universidad Nacional de Colombia y actualmente cursa el Doctorado en Economía en la misma Universidad. Editor de la revista de finanzas ODEON.
DIEGO LEON:
Economista de la Universidad de La Salle, Magister en Finanzas de la Universidad Externado de Colombia y estudiante de Doctorado en Ingeniería de Sistemas & Computación en la Universidad de Colombia. Experiencia en docencia e investigación en el área de finanzas computacionales, aprendizaje de maquina e inteligencia artificial aplicados en finanzas. Experiencia laboral en instituciones financieras con exposición internacional. Amplios conocimientos en el diseño de modelos financieros, valoración de activos de renta fija y derivados.
NELSON ALDANA:
Se graduó como Profesional en Finanzas y Relaciones Internacionales de la Universidad Externado de Colombia, Máster en Bolsa y Mercados Financieros del Instituto de Estudios Bursátiles de Madrid y Magister en Inteligencia Analítica para la Toma de Decisiones de la Universidad de los Andes. Experiencia docente en el área de herramientas computacionales e investigador adscrito al Observatorio de Economía y Operaciones Numéricas. Experiencia laboral en instituciones financieras en áreas de riesgo con énfasis en aplicaciones de análisis de datos.
CONTENIDO PROGRAMÁTICO:
Tema 1: Fundamentos de programación en Python (Nelson Aldana):
- Introducción: entorno del lenguaje
- Graficas: gráficos elementales en 2D y 3D, graficas de matrices y animación.
- Programación y funciones: condicionales (if, ifelse), loops (for, while), funciones definidas por el usuario.
- Graficas descriptivas: Datos cualitativos y cuantitativos.
- Medidas de localización, dispersión y forma.
- Análisis de datos bivariados y multivariados: medida de asociación.
- Distribuciones de probabilidad univariadas y multivariadas.
- Estimadores y prueba de hipótesis
Tema 2: Métodos numéricos, simulación y series de tiempo (John Moreno):
- Álgebra de matrices: Tipos de matrices, descomposición y sistemas de ecuación no lineales.
- Procesos estocásticos y simulación: caminatas aleatorias, movimiento Browniano, procesos de difusión, procesos punto, simulación de Monte Carlo.
- Análisis de series de tiempo: representación, operadores sobre series temporales, ACF y PACF, modelos MA, AR, ARIMA y GARCH.
Tema 3: Aprendizaje estadístico (ISL) (Diego León):
- Introducción: Aprendizaje supervisados y no supervisado, Clasificación y regresión.
- Regresión lineal: Simple, múltiple.
- Métodos de remuestreo.
- Función de pérdida.
- Regularización.
- Compensación sesgo-varianza.
- Validación cruzada.
- Validación y selección de modelos.
- Selección de características y partición de datos.
- Clasificación: regresión logística, discriminante lineal, clasificador Bayesiano y KNN.
Tema 4: Introducción al Machine Learning (Javier Sandoval):
- Métodos de árboles, Bagging, Random Forests, Boosting
- Support Vector Machines
- Clustering
- Redes Neuronales