Pronóstico de series de tiempo y simulaciones en Python
La modelación financiera es una herramienta esencial para cualquier empresa del sector real o gubernamental que se enfrenta a la influencia de variables de mercado. Este proceso permite pronosticar y simular dichas variables, facilitando la gestión y proyección de los resultados financieros de la organización. En los últimos años, el análisis de series de tiempo financieras ha emergido como uno de los campos más avanzados en las ciencias financieras, convirtiéndose en el método principal para incorporar la incertidumbre de las variables de mercado en el análisis financiero empresarial.
Este curso tiene como objetivo familiarizar a los participantes con los modelos y conceptos más utilizados en el análisis de series de tiempo, así como su aplicación en la gestión financiera de una empresa, aprovechando el poder del lenguaje de programación Python. A través de este curso, aprenderás a utilizar técnicas avanzadas que te permitirán tomar decisiones más informadas y estratégicas en un entorno financiero dinámico.
Este curso hace parte del programa Finanzas cuantitativas. Ver más aquí.
Dirigido a
Este curso está diseñado para profesionales en economía, administración de empresas, ingeniería y otras áreas que deseen adquirir conocimientos avanzados en herramientas de pronóstico y simulación de series de tiempo aplicadas al sector financiero. Como prerrequisito, se recomienda estar familiarizado con el lenguaje de programación Python. ¡Únete a nosotros y lleva tu carrera al siguiente nivel!
Nota: se sugiere que el estudiante interesado en el curso cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante.
Objetivos
Al finalizar el curso, los estudiantes estarán en capacidad de :
- Profundizar en los modelos de series de tiempo comúnmente utilizados en la cuantificación de riesgo financiero, análisis de inversión e investigaciones en finanzas.
- Explorar modelos de series de tiempo univariados para pronosticar series, estimar la volatilidad de activos financieros y simular diferentes escenarios posibles.
- Capacitar a los estudiantes para implementar los diversos modelos de series de tiempo en el lenguaje de programación Python.
Metodología
El curso se llevará a cabo de manera virtual y cada sesión estará dividida en dos partes. En la primera parte, se presentarán los conceptos teóricos de los modelos a discutir, haciendo énfasis en sus supuestos. En la segunda parte, se abordará un caso de estudio práctico utilizando el lenguaje de programación Python, lo que permitirá demostrar cómo se aplican estos modelos en situaciones reales. Los estudiantes tendrán acceso a los códigos y aplicaciones desarrollados a lo largo del curso.
Contenido
Módulo 1: Introducción
- Estado del arte
- Regresión lineal simple (MCO)
- Supuestos y problemas de MCO
- Máxima verosimilitud.
- Modelo HAC.
Módulo 2: Características de las series de tiempo
- Descomposición de series de tiempo.
- Tendencia, ciclo y estacionalidad.
- Criterios de información: AIC, BIC.
- Distribución de los retornos.
Módulo 3: Pronóstico de series de tiempo lineales:
- Pronóstico punto, intervalo y distribución.
- Función de autocorrelación serial (ACF y PACF).
- Modelos AR, MA, AR-MA y AR(I)MA.
- Series de tiempo estacionales.
- Criterios de error: RSME, MAE, MAPE
Módulo 4: Modelos con heteroscedasticidad condicional:
- Clusters de volatilidad
- Prueba de hipótesis de efectos ARCH
- Modelo ARCH.
- Modelo GARCH y sus derivaciones.
Módulo 5: Vectores autoregresivos:
- Dependencia entre variables
- Modelo de vectores autoregresivos
- Prueba de causalidad de Granger
- Cointegración
Módulo 6: Selección de variables y reducción de dimensionalidad:
- Stepwise: Forward selection & Backward elimination.
- Random Forest: Importancia de atributos
- Maldición de la dimensionalidad
- Análisis de componentes principales
Módulo 7: Pronósticos de series de tiempo no lineales:
- Introducción a modelos no lineales
- Métricas y criterios evaluación: Curva ROC, AUC, Matriz de confusión.
- Logit y Probit
- Maquinas de soporte vectorial
- Random Forest
- Redes neuronales
Módulo 8: Otras aproximaciones al pronóstico de series de tiempo:
- Análisis de sentimiento
- Análisis espacial: Autocorrelación espacial en Precios de vivienda
Profesores
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.
