Introducción al trading algorítmico

Curso

Introducción al trading algorítmico

Facultad de Economía
Inicio / Programas / Introducción al trading algorítmico

Introducción al trading algorítmico

En la última década, los actores que conforman los mercados bursátiles están empleando nuevas tecnologías y algoritmos de trading que permiten evaluar cientos de estrategias financieras en tan solo unos minutos. Estas herramientas son cada vez más utilizadas debido a su eficiencia tiempo/retorno: un algoritmo bien calibrado puede evaluar miles de estrategias de inversión que a un inversionista le hubiese tardado días, eliminando además la subjetividad de las decisiones. En este sentido, la coyuntura económica actual exige que los profesionales en estas áreas cuenten con conocimientos teóricos en matemáticas financieras bien fundamentados, que junto a herramientas computacionales permitan la construcción de algoritmos que exploren nuevas estrategias de trading o que exploten desequilibrios del mercado identificados previamente. Este curso tiene como objetivo formalizar algunos de los modelos y conceptos más utilizados en los mercados financieros y la forma como estos se aplican en estrategias de trading e inversión, utilizando R como lenguaje de programación. 

Este curso hace parte del programa Finanzas cuantitativas en R. Ver más aquí.

Dirigido a

Este curso está dirigido a profesionales en economía, administración de empresas, ingeniería y profesionales de distintas áreas que se encuentren interesados en adquirir conocimientos en conceptos de mercados financieros y herramientas computacionales, que permiten analizar grandes volúmenes de datos para explorar estrategias de trading e inversión aplicadas al sector financiero. Se espera que los estudiantes tengan un conocimiento básico de manipulación de datos en R e interés en el aprendizaje de los diferentes algoritmos y metodologías estadísticas de Trading Algorítmico.

Notas: 
•    Se recomienda que el estudiante haya tomado previamente el curso Introducción al análisis de datos en R u otro curso introductorio en R, dado que es necesario que el estudiante esté familiarizado con el lenguaje de programación de manera previa a la realización del curso.
•    Se sugiere que el estudiante interesado en el curso cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante. 
•    El software que usará es Rstudio y R 3.6.3 o superior. Las instrucciones de instalación serán remitidas al inicio del curso.
 

Objetivos

Este curso tiene como objetivo principal profundizar en las diferentes metodologías comúnmente usadas en la creación de estrategias de trading algorítmico desde sus tres pilares fundamentales: modelos matemáticos, conceptos de finanzas y herramientas de Machine Learning. Se profundizará en modelos de series de tiempo y de Machine Learning, en el paradigma de análisis fundamental y técnico. Al finalizar este curso, se espera que el estudiante tenga la capacidad explorar diferentes alternativas de trading algorítmico y evaluar si su implementación es factible desde una perspectiva de riesgo. 

Metodología

El curso se realizará de manera virtual con sesiones sincrónicas. Cada sesión estará dividida en dos módulos. En el primero se explicará los conceptos teóricos de los modelos a discutir, con un énfasis en los supuestos del modelo; y en el segundo se realiza un caso de estudio práctico mediante el uso del lenguaje de programación R donde se evidenciará la forma como se usan estos modelos en la práctica. Los estudiantes tendrán acceso a los diferentes códigos y aplicaciones desarrolladas a lo largo del curso. 

Contenido

Sesión 1: Introducción:
a)    Estado del arte: qué es el trading algorítmico
b)    Introducción al Mercado: renta variable y renta fija
c)    Análisis fundamental y análisis técnico
d)    Fuentes de información
e)    Regulación en Colombia
f)    R, RStudio y sus principales paquetes
Sesión 2: Modelos de regresión:
a)    Manipulación de datos
b)    Estadísticas descriptivas de las series
c)    Modelos AR, MA, ARIMA & GARCH. 
d)    Métricas: absolutas vs relativas
e)    Tendencia, ciclo y estacionalidad. 
f)    Aplicación: Pronóstico de la serie del Colcap
Sesión 3: Conceptos básicos y herramientas de Machine Learning (I): 
a)    Horizonte de inversión, frecuencia de trading, tipos de estrategias, restricciones de compra y venta
b)    Análisis supervisado y no supervisado
c)    Problema de regresión: métricas y diferentes metodologías de regresión
d)    Selección de variables: Stepwise
e)    Módulos de penalización y Ridge
f)    Reducción de dimensionalidad
g)    Aplicación: ¿Qué mueve el Brent? 
Sesión 4: Herramientas de Machine Learning (II): 
a)    Problema de clasificación: métricas y diferentes metodologías
b)    Logit 
c)    Random Forest (importancia de variables)
d)    Maquinas de soporte vectorial
e)    Introducción a redes neuronales
f)    Redes LSTM
g)    Aplicación: Modelo de clasificación y regresión para predecir movimientos del SPX.
Sesión 5: Análisis fundamental: 
a)    Dimensionalidad: Qué afecta al mercado
b)    Estadísticas sobre precios objetivos: rentabilidad esperada, desviación estándar. 
c)    Precios objetivos
d)    Minería de texto como una aproximación al análisis fundamental. 
e)    Otras metodologías para aproximarse al mercado. 
f)    Aplicación: Análisis de sentimiento para pronosticar el S&P 500.
Sesión 6: Análisis técnico con Machine Learning: 
a)    Velas japonesas en R  
b)    Indicadores tradicionales de análisis técnico.
c)    Índice Relativo de Fuerza (RSI), ATR, MACD, Oscilador estocástico. Acumulation/Distribution Line, ADX, Indicador Aroon
d)    Soportes y resistencias
e)    Aplicación: Estrategías con  
Sesión 7: Definición del P&G y Ajuste por riesgo: 
•    Principio de diversificación: Frontera eficiente markowitz
•    Construcción de P&G
•    Tipos de riesgos que pueden afectar la operatividad
•    Funciones de utilidad y ajuste por riesgo
•    Medidas de riesgo:
•    Proyección de rentabilidad del portafolio
•    Aplicación: Optimización de portafolio – Media varianza 
Sesión 8: Clase práctica:
•    Webscraping: bases de datos
•    Análisis de los datos
•    Definición estrategias
•    Identificación de modelos

Profesores

Juan Sebastián Moreno Pabón

Coordinador académico: Actualmente trabaja en Pinpoint Predictive, un start-up de psicometría de Silicon Valley apoyado por la incubadora de Stanford, StartX. En su rol como Investigador Senior desarrolla y despliega técnicas de inteligencia artificial para predecir comportamientos a partir de psicometría. Juan Moreno pasó cuatro años como investigador y luego como director asociado del departamento de minería de datos de Quantil, consultora en matemáticas aplicadas y machine learning. Lideró equipos de investigadores y desarrolló una amplia variedad de soluciones impulsadas por inteligencia artificial en diferentes sectores, que incluyen salud, seguridad pública, banca, transporte, educación, legal y manufactura, entre otros. Juan también ha trabajado como profesor de cátedra en el Departamento de Economía de su alma mater, la Universidad de los Andes, donde ha impartido cursos sobre matemáticas discretas, macroeconomía, aprendizaje automático, Python y R para análisis de datos. Como científico social computacional, Juan ha investigado temas relacionados a la predicción de delitos, la equidad en las aplicaciones de aprendizaje automático y la segregación en las redes sociales. También es miembro de la junta directiva del Centro de Analítica para Políticas Públicas (CAPP).

Condiciones

Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.

La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.