Python para finanzas

Intro a temas financieros básicos: Instrumentos financieros, bonos, acciones, etfs, fondos, ADRs, principales plazas, Arg, CEDEARs equivalente en otras plazas. Conceptos de cajas de puntas de negociación, pantallas típicas, gráficas de series de precios con velas, concepto de Splits y reverse-split, dividendos, velas japonesas, gaps, horarios de mercados en el mundo, etc.

Intro a temas financieros avanzado: Instrumentos financieros avanzados, derivados, futuros, construcción de sintéticos, payoff de estrategias con derivados y acciones, links utilies a datos financieros.

Instalación de software, plataformas, IDEs, librerías, variables, constantes y variables, estructura de datos en python listas, tuplas, sets, diccionarios, arrays y dataframes. Uso de SDKs financieros para market data

Flujo de un script,condicionales, manejo de excepciones, ciclo FOR, While, demonios infinitos, herramientas de analisis combinatorio

Repaso de distribuciones de variable continua, normal, laplaciana, cauchy, johnson, T student. Parámetros de distribuciones, quantiles, mediana, varianza, asimetría, kurtosis, aplicación de análisis paramétricos en la bolsa y en monitores y evaluación de sistemas de trading

Uso de pandas y métodos útiles de dataframes: constructor, rolling, ewm, shift, pivot, melt, groupby, sort_values, sort_index, multi-indices, cummax, cummin, cumprod, cumsum, describe, concat, set_index, drop, etc..

Gráficas, uso de la librería matplotlib. Uso de objetos del paquete, manipulación de los atributos de los objetos, layouts múltiples en un mismo gráfico, diferentes escalas en mismo gráfico, gráficos de series y gráficas estadísticas, histogramas, KDEs, boxplots, violinplots, etc

Uso de Python para extracción de market Data y para conexión a mercados. Webscraping, diferentes técnicas. Uso de APIs públicas, autenticación en APIs privadas, APIs de consumo de datos, y APIs de escritura. Ejemplo de consumo de market data para acciones y opciones y automatización de envío de órdenes vía Python al mercado de USA.

Gráficas 3D de superficies de volatilidad de opciones, análisis de griegas de cada opción de una cadena en una superficie tridimensional respecto al TTM y strike.

Persistencia de Datos en disco, medición de performance de cada método, serialización de objetos. Uso de bases de datos SQLite y MySQL, ventajas y desventajas de cada uno, ejemplos, queries básicas, CRUDS, joins etc. Diferencias con las BBDD no relacionales. Ejemplos de screeners reales en el sistema financiero.

Aplicaciones financieras con Python, optimización de portafolios, métodos de construcción y simulación de escenarios. Diferentes formas de generar aleatoriedad. Modelos de Montecarlo aplicados a estrategias en finanzas.

Backtesting de estrategias en el mercado. Distintos tipos de backtestings, paradigma matricial de evaluación y tipo evento-driven, pasos desde el pre-backtesting hasta el análisis de sensibilidad y portabilidad de un sistema de trading. Análisis de casos reales en estrategias reales. Análisis de ratios de riesgo para evaluar un sistema de trading

Distribución Beta y Beta generalizada o multivariada, aplicaciones en generación de ponderadores para portafolios y sistemas de trading. Test de hipótesis, Fiteo de distribuciones, test de contrastes entre distribuciones y test de varianzas y aplicaciones en sistemas y bots de trading. Gráficas de Lag y modelos autoregresivos. Gráficas avanzadas con Python y layouts de gráficas, librerías gráficas de alto nivel.

Paradigmas de ML, algos de regresión lineal y regresión múltiple, uso de las regresiones múltiples para evaluar dependencia o factores de correlación independientes de un futuro respecto a potenciales predictores

Algos de clasificación, árboles de decisión, regresión logística, vectores de soporte SVM, random forest, parametrización de los modelos, supuestos, fortalezas y debilidades de cada uno, entrenamiento de un modelo, predicción y validación de los modelos, indicadores de calidad de los modelos de IA, matriz de confusión, etc. Uso de modelos de ML en bots de trading online y offline para screeners de indicadores y activos.

Algos de agrupamiento o clusterización, Agrupamiento jerárquico, construcción de dendrogramas jerárquicos por distancias y varianzas de los indicadores, aplicaciones reales y prácticas en portafolios y sistemas de trading.

Kmeans, uso de distintas geometrías, y modelos de optimización. Medición del k óptimo, algo de meanShift, algoritmos para otro tipo de distribución geométrica, mixturas guassianas, algo de DBScan.

Otros tipos de algos como los de reducción de dimensionalidad. paradigmas de IA, bases del modelo de aprendizaje reforzado.

Diagramas de flujo de un BOT, ejemplo de bot real online en el mercado local (Argentina) con modelo de ML incorporado. Tipos de bots en el mercado de acciones, futuros y opciones, bots de colocación de grandes órdenes, bots de negociación pasiva, bots de market making, bots de arbitrajes, bots de ratios y arbitrajes estadísticos basados en efectos tipo mean-reverssion, bots de sentiment, bots contrarians y bots de momentum, bots seguidores de índices y rebalanceadores de carteras, bots de hedging, bots de scalping y swing trading. Diagramas de flujo modelo de diferentes bots. Objetivos y parámetros básicos de cada tipo de bot.

Tareas administrativas o de oficina repetitivas que se pueden automatizar con python, flujo de tareas siguiedo un diagrama de flujos. Envio de Emails automatizado protocolos SMTP e IMAP. Automatizacion de barrido de directorios en disco. Automatizacion de guardado de imágenes y PDFs. Automatización de compresión y manipulacion de archivos. Generación automática de reportes y carpetas de clientes.

Exploración de dato onchain. Exploradores de bloques y sus APIs. Exploracion de APIs de exchanges y proveedores de data onchain, data de mercado spot, futuros con o sin delivery, APIs de opciones en crypto. APIs de protocolos DeFi. Librerias de github crypto. GraphQL introducción y ejemplo básico.