Financial Analytics
Objetivos
- Revisar los avances recientes en la extracción de predictores útiles para forecasting en series financieras como diferenciación fraccional, information driven bars, entropy features y otros basados en teorías de microestructura de mercado
- Aprender a realizar una validación de modelo apropiada en series de tiempo financieras
- Presentar algoritmos de ensamble como XGboost útiles en problemas con secuencias como las series de tiempo
- Replantear el problema de asignación de portafolio usando un enfoque de Hierarchical Risk Parity
- Fractionally Differentiated Features. El dilema estacionariedad vs memoria. Expanding Window. Fixed-Width Window Fracdiff. Estacionariedad con máxima preservación de memoria.
- Revisión de series de tiempo. Métodos de ensamble para series univariadas. CatBoost vs. Light GBM vs. XGBoost.
- Validación de modelos. Validación cruzada. purged k-fold. Optimización de hiperparámetros. Features útiles en finanzas: Structural Breaks, entropy features, features basados en microestructura de mercado.
- Machine learning y asset allocation. El problema con la optimización convexa de un portafolio.Markowitz’s Curse. De las relaciones geométricas a las jerárquicas. Entendiendo el riesgo de la estrategia: vulnerabilidad a pequeños cambios en betting frequency, odds,y payouts. Estimación de factores en problemas de alta dimensionalidad.
Requisitos
-Finanzas
-Machine Learning
Profesor
PABLO ROCCATAGLIATA. Profesor adjunto en la Universidad Torcuato Di Tella, donde enseña materias cuantitativas en el MiM+Analytics, MBA, Maestría en Finanzas y Maestría en Políticas Públicas. Es también profesor del Programa de Trading Algorítmico de ROFEX. Actualmente dirige los programas de Data Science en Inteligencia Artificial en Digital House donde además lidera el equipo interno de ciencia de datos. Con anterioridad, Pablo 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 adjunto de grado y posgrado en el Departamento de Economía de la UTDT.
Temas Centrales
- Tipos esenciales de data financiera: Fundamental Data, Market Data, Analytics, Alternative Data. Standard Bars e Information-Driven Bars. Sampling for Reduction. Event-Based Sampling.- Fractionally Differentiated Features. El dilema estacionariedad vs memoria. Expanding Window. Fixed-Width Window Fracdiff. Estacionariedad con máxima preservación de memoria.
- Revisión de series de tiempo. Métodos de ensamble para series univariadas. CatBoost vs. Light GBM vs. XGBoost.
- Validación de modelos. Validación cruzada. purged k-fold. Optimización de hiperparámetros. Features útiles en finanzas: Structural Breaks, entropy features, features basados en microestructura de mercado.
- Machine learning y asset allocation. El problema con la optimización convexa de un portafolio.Markowitz’s Curse. De las relaciones geométricas a las jerárquicas. Entendiendo el riesgo de la estrategia: vulnerabilidad a pequeños cambios en betting frequency, odds,y payouts. Estimación de factores en problemas de alta dimensionalidad.
Requisitos
-Finanzas
-Machine Learning
Profesor
PABLO ROCCATAGLIATA. Profesor adjunto en la Universidad Torcuato Di Tella, donde enseña materias cuantitativas en el MiM+Analytics, MBA, Maestría en Finanzas y Maestría en Políticas Públicas. Es también profesor del Programa de Trading Algorítmico de ROFEX. Actualmente dirige los programas de Data Science en Inteligencia Artificial en Digital House donde además lidera el equipo interno de ciencia de datos. Con anterioridad, Pablo 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 adjunto de grado y posgrado en el Departamento de Economía de la UTDT.