Python para finanzas

Instalación de software, plataformas, IDEs y entornos para programar, librerías,
variables, constantes y variables, estructura de datos en Python listas, tuplas, sets, diccionarios, arrays y dataframes. Concepto de librerías estándar y de terceros. Uso de SDKs financieros para market data.

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

Durante las clases van a mezclarse con Python temas de estadística que son muy
utilizados en finanzas cuantitativas. Algunos de los temas pueden ser: 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 monitoreo y evaluación de sistemas de trading.

Uso de pandas y métodos útiles de dataframes: constructor, rolling, ewm, shift, pivot,
melt, groupby, sort, cummax, cummin, cumprod, cumsum, describe, concat, set_index, drop, dot, corr, etc. Uso de pandas para construir matrices de correlación y covarianza en una línea

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 automatización de envío de órdenes vía Python al mercado de USA.

Persistencia de Datos en disco, medición de performance de cada método,
serialización de objetos parquet, feather, pickle etc. 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.
MPT, Markowitz, clustering, modelo NCO con y sin restricciones, Black Litterman.

Backtesting de estrategias en el mercado. Concepto de backtesting, explicación
teórica del paradigma matricial de evaluación y tipo evento-driven vs simulaciones, pasos desde el pre-backtesting hasta el análisis de sensibilidad y portabilidad de un sistema de trading. Análisis de ratios de riesgo para evaluar un sistema de trading

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 y otros modelos de ensamble y sus diferencias conceptuales,

parametrización de los modelos (gridsearch), 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.

Conceptuales y mapeo de Aprendizaje reforzado, Deep learning y sus principales ventajas versus ML, distintas arquitecturas de redes neuronales y conceptos básicos de principales usos. Open source, hugging face y datasets financieros para modelos de lenguaje y otros.

Diagrama de flujo de un BOT, con ejemplo de bot 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-reversion, 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. El módulo de bots es conceptual ya que el desarrollo de los mismos es para alumnos avanzados, pero veremos las arquitecturas y las herramientas básicas necesarias para armar bots y ponerlos online a funcionar.