Conforme las organizaciones complejizan sus modelos de negocios, se requieren más personas con habilidades en el análisis de datos y la construcción de modelos estadísticos que faciliten la toma de decisiones financieras en escenarios con riesgo. En este curso, se presenta una visión general de los métodos de analítica en finanzas que se aplican en la actualidad. Se da primeramente, una introducción a la analítica financiera estableciendo la relación entre la transformación de datos y la generación de valor, entendiendo primeramente las diferencias entre los tipos de datos usuales para identificar modelos, técnicas y tipos de problemáticas que resuelven. Posteriormente, nos introduciremos en las series financieras, entenderás sus componentes, así como la relevancia de las diferentes métricas de error dentro de la muestra y los de pronóstico para la selección de modelos. Aprenderás los conceptos básicos del aprendizaje automático y los modelos usuales en finanzas; con ello en mente, estudiaremos y aplicaremos los principios de las redes neuronales para predecir comportamientos de las series financieras. Finalmente, entenderemos las principales métricas de riesgo financiero y su relación con el rendimiento de activos. Bajo este contexto, se realizarán aplicaciones a modelos descriptivos y predictivos contemplados en modelos econométricos y de aprendizaje automático.

Este curso está pensado para personas de diferentes disciplinas que quieren adentrarse en el mundo de la analítica de datos aplicado a finanzas, quienes reconocen que el desarrollo de habilidades de análisis para el entendimiento y aplicación de los enfoques estadísticos descriptivos, de diagnóstico y de predicción en finanzas son relevantes hoy en día. Este curso está pensado para personas con por lo menos un título de pregrado con conocimientos intermedios en probabilidad y estadística. El aspirante a tomar este curso puede provenir de cualquier campo del conocimiento, desde el gobierno, la industria, la consultoría y la academia.

Este curso requiere de la instalación de R y R-Studio, es recomendable que el equipo cuente con más de 8 GB de RAM y espacio en disco duro superior a 1 GB.