Introducción a la Ciencia de Datos en Finanzas

En este curso cubriremos las principales técnicas de aprendizaje automático  junto con las dificultades específicas para la aplicación de estas técnicas en finanzas. Al mismo tiempo cubriremos el ecosistema de herramientas tecnológicas utilizadas en los distintos roles dentro de un equipo de Data Science.  

Los problemas de aprendizaje supervisado con datos de series de tiempo tendrán una atención especial, en particular la comparación de los modelos basados en redes recurrentes versus los métodos tradicionales de series de tiempo. Por último, analizaremos productos de inversión basados en IA para la elección automática de un portafolio o que utilizan NLP para extraer medidas de “sentimiento del mercado” basados en comentarios en Twitter.

¿Qué aplicaciones concretas existen en finanzas? ¿Qué herramientas y técnicas de machine learning puede ser útiles para resolver determinados problemas? ¿Qué nuevos activos existen basados en aplicaciones machine learning? ¿Cuáles son las herramientas que debería conocer? En este curso revisaremos cada uno de estos interrogantes.

Al terminar el curso los alumnos podrán:

  • Introducir las técnicas de validación de modelos, optimización de hiper parámetros y evaluación de modelos utilizadas en machine learning.
  • Conocer el mapa de las distintas tecnologías utilizadas para la obtención, transformación y almacenamiento de datos a gran escala.
  • Aplicar las principales técnicas de machine learning utilizando Orange.
  • Explorar productos financieros que utilizan machine learning como base para implementar una estrategia de trading.

Pablo Roccatagliata

Posgrado en Economía, UTDT. Licenciado en Economía, UBA. En la Universidad Torcuato Di Tella Pablo es Profesor en la Escuela de Negocios y la Escuela de de Gobierno donde enseña materias cuantitativas en programas como el MBA, Maestría en Finanzas y Maestría en Políticas Públicas mientras que en ROFEX Pablo es profesor del Programa de Trading Algorítmico. Dirige los programas de Data Science en Inteligencia Artificial en Digital House donde además lidera el equipo interno de ciencia de datos.

Con anterioridad, ha desarrollado su carrera en el ámbito de las consultoría económica organismos internacionales, la industria financiera  y la gestión pública.  Además ha sido profesor adjunto en la Universidad de Buenos Aires y profesor de grado al igual que de posgrado en el Departamento de Economía de la UTDT.