Construimos capacidades técnicas en modelado financiero
Desde 2019, ayudamos a profesionales en Tijuana a desarrollar habilidades prácticas en análisis cuantitativo y aprendizaje automático aplicado a datos financieros
¿Por qué empezamos con esto?
En 2019 notamos que muchos analistas financieros en la región tenían dificultades para aplicar técnicas de machine learning en su trabajo diario. No era falta de interés, sino de recursos accesibles que conectaran teoría estadística con problemas reales de trading y gestión de riesgos.
Empezamos con un pequeño grupo de 12 participantes que querían aprender a construir modelos predictivos con Python. Las sesiones duraban tres horas cada sábado. Lo que funcionó fue la combinación de ejemplos con datos reales de mercados y ejercicios que podían replicar en sus propios proyectos.
Hoy trabajamos con profesionales de diferentes instituciones financieras en Tijuana. El enfoque sigue siendo el mismo: menos teoría abstracta y más código que resuelve problemas específicos de valoración, forecasting y detección de patrones en series temporales.
Cómo estructuramos el aprendizaje
Notebooks con datos reales
Trabajas con datasets de Bloomberg, Yahoo Finance y fuentes alternativas. Cada ejercicio incluye el código completo, desde la limpieza de datos hasta la validación del modelo. Puedes descargar todo y modificarlo para tus propios análisis.
Casos de uso específicos
Construcción de modelos ARIMA para pronóstico de volatilidad, redes LSTM para predicción de precios, algoritmos de clasificación para señales de trading. Cada tema cubre un problema concreto que aparece en gestión de carteras o análisis de riesgo.
Revisión de implementaciones
Durante las sesiones revisamos el código que desarrollaste durante la semana. Identificamos errores comunes en preprocesamiento, problemas de overfitting, y optimizaciones que mejoran el rendimiento de tus modelos sin añadir complejidad innecesaria.
Cómo evolucionó el programa
Cada año agregamos contenido basado en las necesidades específicas que identificamos trabajando con analistas y traders de la región.
Fundamentos de series temporales
Empezamos con modelos estadísticos básicos aplicados a datos de acciones mexicanas. ARIMA, descomposición estacional, y pruebas de estacionariedad. Doce participantes en el primer grupo, todos trabajando con Jupyter notebooks.
Deep learning para finanzas
Agregamos módulos de redes neuronales recurrentes después de que varios participantes preguntaran cómo modelar dependencias de largo plazo en datos de mercado. Implementamos LSTM y GRU con TensorFlow, enfocándonos en predicción de volatilidad.
