Python for Finance

Universidad Francisco Marroquín

Profesor: Miguel González Calvo
Programa académico: Licenciatura en Entrepreneurship, Licenciatura en Administración de Empresas

Descripción

Este curso ofrece una introducción práctica y progresiva al uso de Python en el ámbito financiero y económico, combinando fundamentos de programación con aplicaciones avanzadas de análisis de datos, modelización estocástica, machine learning y técnicas de inteligencia artificial. Está diseñado para estudiantes que buscan adquirir competencias en programación aplicada a la resolución de problemas financieros.

Contenidos

Bloques:

1. Introducción
   • Python en finanzas
   • Bibliotecas. Pypi Bibliotecas específicas de economía y finanzas
   • Fuentes de información económica y financiera
   • Entorno de desarrollo:
     • Gestores de paquetes. uv, poetry, pip
     • IDE. Visual Studio Code. Extensiones
     • Jupyter notebooks
2. Python básico
   • Tipos básicos y estructuras de datos
   • if, for, while
   • numpy
   • Introducción a la programación orientada a objetos
3. Análisis de datos
   • pandas
   • Representación gráfica: matplotlib, plotly
   • Exploratory data analysis (EDA)
   • Data cleaning
4. Estocástica
   • Valoración de opciones. Opciones europeas. Opciones americanas.
   • Medidas de riesgo. Value-at-Risk
5. Código con inteligencia artificial
   • Asistentes. GitHub Copilot. Cursor. Claude. Windsurf
   • Codificar con IA
6. Machine learning
   • Introducción al machine learning
   • Aprendizaje supervisado/no supervisado
   • Bibliotecas de machine learning. scikit-learn
   • Análisis de regresión
     • Regresión lineal
     • Regresión logística
   • Clasificación
     • Clasificador binario
     • Métricas. Precision/Recall. F1-Score. Curva ROC. AUC.
     • Clasificador multi-clase
   • Segmentación
     • k-means
     • DBSCAN
     • Aplicaciones. Recency, Frequency, Monetary value (RFM)
7. Deep learning
   • Introducción al deep learning
   • Redes neuronales
   • Bibliotecas de deep learning. TensorFlow. PyTorch
8. Series temporales
   • Introducción
   • Bibliotecas de series temporales. darts
   • Estacionalidad
   • Descomposición. STL
   • Predicción. Modelos de predicción
     • Naive
     • Exponential Smoothing
     • ARIMA
     • Dynamic harmonic regression
9. Inteligencia artificial generativa
   • Sentiment analysis. nltk
   • LLMs. LangChain. Modelos de chat

Bibliografía¹

Básica:

• Repositorio del curso en GitHub
• Aurélien Geron. Hands-On Machine Learning with Scikit-Learn & TensorFlow
• Python official documentation

Finanzas:

• Hilpisch, Yves. Python for Finance: Mastering Data-Driven Finance

Estadística, matemáticas:

• Peter Bruce, Andrew Bruce, Peter Gedeck. Practical Statistics for Data Scientists: 50+ Essential Concepts using R and Python
• Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong. Mathematics for Machine Learning
• Andriy Burkov. The Hundred-Page Machine Learning Book
• Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning

Series temporales:

• Rob J Hyndman & George Athanasopoulos. Forecasting: Principles and Practice
• James D. Hamilton. Time Series Analysis

LLMs:

• Jay Alammar, Maarten Grootendorst. Hands-On Large Language Models
• Daniel Jurafsky & James H. Martin. Speech and Language Processing

General:

• Noah Gift, Alfredo Deza. Practical MLOps: Operationalizing Machine Learning Models
• Chip Huyen. AI Engineering: Building Applications with Foundational Models

Python avanzado:

• Luciano Ramalho. Fluent Python: Clear, Concise, and Effective Programming
• Leonardo Giordani. Clean Architectures in Python
• Bob Gregory & Harry Percival. Architecture Patterns with Python: Enabling Test-Driven Development, Domain-Driven Design, and Event-Driven Microservices
• Micha Gorelick & Ian Ozsvald. High Performance Python: Practical Performant Programming for Humans
• David M. Beazley. Python Distilled

Otros:

• Pedro Domingos. The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World
• Valliappa Lakshmanan, Sara Robinson & Michael Munn. Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Bulding, and MLOps
• Robert C. Martin. Clean Code: A Handbook of Agile Software Craftsmanship
• David Spiegelhalter. The Art of Statistics: Learning from Data
• Brent Dykes. Effective Data Storytelling: How to Drive Change with Data, Narrative and Visuals