Cursos

Básicos

Básicos

B1: Introducción a las Finanzas

  • Dr. Gilberto Calvillo Vives
  • Unidad Cuernavaca del Instituto de Matemáticas de la Universidad Nacional Autónoma de México
  • [email protected]

Resumen

Este curso pretende señalar los conceptos importantes en finanzas (y economía) tales como ingreso, ahorro, valor presente, tasa de descuento, etc. Por otra parte, tratará de indicar como estos conceptos se pueden tratar matemáticamente para tomar decisiones de ahorro, inversión y financiamiento de proyectos.

Programa del Curso

  1. Ingreso, consumo y ahorro. Conceptos y un modelo sencillo para decidir como ahorrar.
  2. El valor del dinero en el tiempo. Inflación, valores nominales vs. valores reales. Valor presente, tasa interna de retorno. Un modelo de préstamos con refinanciamiento.
  3. Opciones de inversión. El concepto de riesgo. Diversos tipos de riesgo. Aversión al riesgo. Tasa libre de riesgo. El modelo de Markowits. La frontera de carteras eficientes.
  4. Jubilación y Pensión. La perspectiva individual; La perspectiva gubernamental; la perspectiva patronal.

Bibliografía: Se repartirán notas para los diversos temas.

Prerrequisitos de los asistentes al curso:

  • Cálculo y Algebra Lineal.

B2: Desafía tu mente y resuelve sudokus usando programación de restricciones

  • Dr. Jonás Velasco Álvarez
  • Centro de Investigación de Matemáticas (CIMAT), A.C.
  • [email protected]

Resumen:

La programación de restricciones es una técnica de resolución de problemas que puede aplicarse a una gran variedad de áreas, como la investigación de operaciones, inteligencia artificial, biología molecular, ingeniería eléctrica, análisis numérico, entre otras. Esta técnica se enfoca en encontrar soluciones que satisfagan un conjunto de restricciones específicas. En este tipo de programación, las restricciones se utilizan para modelar el problema y limitar el espacio de búsqueda de soluciones.

Para resolver un problema, primero se formula como un problema de satisfacción de restricciones, definiendo las variables, sus dominios y restricciones. Luego se utilizan métodos específicos o generales para encontrar una o varias soluciones que cumpla todas las restricciones.

Para el curso se contempla la modelación y resolución de rompecabezas lógicos los cuales son muy populares entre los científicos informáticos e investigadores de operaciones. Por ejemplo, el sudoku, es uno de los rompecabezas lógicos más populares. Se rige por la llamada regla única, que consiste en rellenar una cuadrícula de 9 × 9 celdas dividida en cajas de 3 × 3 con las cifras del 1 al 9 partiendo de algunos números ya dispuestos en algunas de las celdas. No se debe repetir ninguna cifra en una misma fila, columna o caja. Se dice que un sudoku está bien definido o planteado, si existe solución y es única. En este curso se pretende resolver diversas variantes del sudoku, desafiando la mente de los participantes.

El aprendizaje de la programación de restricciones a través de la resolución de rompecabezas lógicos con reglas simples y fáciles de aprender, puede ser una forma divertida y efectiva de adquirir conocimientos sobre la resolución de problemas complejos. Además, esta técnica puede ser utilizada para resolver una amplia variedad de problemas del mundo real.

Programa del curso

  1. Introducción a la programación de restricciones.
  2. La librería de Google OR-Tools.
  3. El entorno de Google Colab.
  4. Modelado y solución del sudoku y sus variantes.
    1. a) Sudoku clásico.
    2. b) Sudoku con diagonales.
    3. c) Sudoku con regiones adicionales.
    4. d) Sudoku coloreado.
    5. e) Sudoku con regiones irregulares.
    6. f) Sudoku con regiones irregulares y diagonales.
    7. g) Sudoku asesino despistado.
    8. h) Sudoku asesino.
    9. i) Sudoku asesino despistado con regiones irregulares.
    10. j) Sudoku con grupos de sumas.
    11. k) Sudoku con comparaciones.
    12. l) Sudoku binario

Bibliografía

  • Rossi, F., Van Beek, P., & Walsh, T. (Eds.). (2006). Handbook of constraint programming. Elsevier.
  • Apt, K. (2003). Principles of constraint programming. Cambridge university press.
  • OR-Tools v9.6. Laurent Perron and Vincent Furnon. https://developers.google.com/optimization/
  • https://puzzlephil.com/puzzles/sudokus-all/en/

Prerrequisitos de los asistentes al curso:

  1. Haber tomado al menos uno de los siguientes cursos: investigación de operaciones, programación lineal, programación entera o matemáticas discretas.
  2. Conocimientos básicos del lenguaje de programación Python.
  3. Cuenta de correo Gmail.

B3: Curso de “finanzas personales”

  • Dra. Luz Stella Vallejo Trujillo
  • Instituto de Educación Técnica Profesional de Roldanillo, Valle- INTEP, Colombia
  • [email protected]
  • Web: INTEP

Resumen:
Al finalizar el curso, el participante tendrá los conocimientos y herramientas que le permitan tener las bases para administrar eficientemente sus recursos monetarios personales.

Programa del curso

  1. EDUCACIÓN FINANCIERA
    1. Finanzas personales
    2. Sistema Financiero Mexicano
    3. Habilidades financieras
  2. PLANEACIÓN FINANCIERA
    1. Usuario financiero
    2. Cuentahabiente
    3. Inflación
    4. Registro contable
    5. Balance contable
    6. Nómina
    7. Jubilación
    8. Pensión
  3. AHORRO, INVERSIÓN Y SEGUROS
    1. Ahorro personal
    2. Inversión
    3. Tipos de inversión
    4. Seguros
    5. Tipos de seguros
    6. Póliza
    7. Riesgo
    8. Prima de seguro
  4. CRÉDITO Y COMPRAS
    1. Crédito
    2. Acreedor
    3. Deudor
    4. Historial crediticio
    5. Compras personales
    6. Promociones
    7. Comportamiento del consumidor

Bibliografía

  • Vallejo-Trujillo, Stella. 2019. Manual de educación financiera para emprendedores. Editorial UAEM. Primera edición. ISBN 978-607-8639-39-7. ISBN Digital 978-607-8639-45-8
INTERMEDIOS

INTERMEDIOS

I1: Análisis de redes sociales mediante técnicas de inteligencia artificial

Resumen:

Se discuten las principales técnicas de inteligencia artificial para el análisis de redes sociales, y se analizan algunas herramientas disponibles para el análisis de redes sociales. Posteriormente, se presenta una metodología y un caso de estudio para el análisis de sentimientos en un evento publicado en una red social mediante procesamiento de lenguaje natural y procesamiento digital de imágenes

Programa del curso:

  1. Principales redes sociales usadas en México.
  2. Herramientas para el análisis de redes sociales.
  3. Análisis de eventos mediante Google trends.
  4. Metodología para el análisis de textos y vídeos de una red social mediante técnicas de IA.
  5. Análisis de scripts en R para el análisis de sentimientos.
  6. Conclusiones.

Bibliografía:

  • Najera-Salmeron, J.A. (2022). Fundamentos del análisis de redes sociales en R: Introducción teórica y práctica al análisis de redes sociales para mercadólogos e investigadores sociales (Spanish Edition). Consultado en: https://www.amazon.com.mx/Fundamentos-an%C3%A1lisis-redes-sociales-investigadores/dp/B0B5TFKFBP/ref=sr_1_1?__mk_es_MX=%C3%85M%C3%85%C5%BD%C3%95%C3%91&crid=17ERW74JBKWIB&keywords=Analisis+de+redes+sociales+con+r&qid=1680399332&sprefix=analisis+de+redes+sociales+con+r%2Caps%2C219&sr=8-1
  • Instituto Nacional de Estadística y Geografía. (2015). Estado de ánimo de los tuiteros en los Estados Unidos Mexicanos. Documento metodológico. Segunda edición. Consultado en: https://www.inegi.org.mx/contenidos/productos/prod_serv/contenidos/espanol/bvinegi/productos/nueva_estruc/702825077082.pdf
  • Prerrequisitos de los asistentes al curso: Conocimientos intermedios de algún lenguaje de programación de alto nivel: C, C++, Java, Python o R.

I2: Plataformas de información y análisis financiero y bursátil para el análisis e investigación en el área de mercados financieros.

  • Dr. Rogelio Ladrón de Guevara Cortés
  • Instituto de Investigaciones y Estudios Superiores de las Ciencias Administrativas (IIESCA), Universidad Veracruzana, Región Xalapa
  • [email protected]
  • Researchgate

Resumen:

El objetivo del curso es conocer algunas de las principales plataformas de información y análisis financiero y bursátil, tanto profesionales como gratuitas, mediante la explicación teórica de algunas de ellas, así como la aplicación práctica de otras a las que se tenga acceso durante el curso.

Programa del curso

  1. Parte teórica.
    1. Generalidades sobre las plataformas de información y análisis financiero y bursátil.
    2. Principales plataformas de información y análisis financiero y bursátil profesionales (de paga).
    3. Principales plataformas de información y análisis financiero y bursátil gratuitas.
  2. Parte práctica.
    1. Aplicación práctica del uso de la plataforma de información y análisis financiero y bursátil profesional Infosel Hub.
    2. Aplicación práctica del uso de la plataforma de información y análisis financiero y bursátil profesional Investing.

Bibliografía

  • Ladrón de Guevara Cortés, R., & Madrid Paredones, R. M. (2021). Laboratorio de Investigación, Experimentación, Modelación y Simulación Financiera (LIEMSIF). [Diapositivas de Power Point]. Instituto de Investigaciones y Estudios Superiores de las Ciencias Administrativas, Universidad Veracruzana. https://www.researchgate.net/publication/349723685_Laboratorio_de_Investigacion_Experimentacion_Modelacion_y_Simulacion_Financiera_LIEMSIF
  • Infosel hub+. Infosel Hub+. (n.d.). Retrieved March 28, 2023, from https://www.infoselhub.com/
  • Stock market quotes & financial news. Investing.com. (n.d.). Retrieved March 28, 2023, from https://www.investing.com/

Prerrequisitos de los asistentes al curso: Conocimientos básicos de finanzas bursátiles.


I3 Cómputo Científico con Python

  • Dr. Gerardo Tinoco Guerrero
  • Universidad Michoacana de San Nicolás de Hidalgo.
  • [email protected]

Resumen:

Este es un curso introductorio al cómputo científico basado en el lenguaje de programación Python, el cual es actualmente uno de los lenguajes de programación más populares, empleado para una gran variedad de aplicaciones académicas, científicas, tecnológicas e Industriales.

Se realizará una breve revisión sobre esquemas en diferencias finitas aplicadas para la solución numérica de ecuaciones diferenciales parciales y se mostrará como éstas pueden modelar problemas físicos de la vida real.

Se plantearán y resolverán numéricamente los problemas de Poisson, Difusión, Advección y Advección-Difusión por medio de los esquemas clásicos de diferencias finitas generalizadas; las cuales se han utilizado ampliamente en la literatura y presentan una gran cantidad de problemas al ser resueltas de manera numérica.

Programa del curso

  1. Presentación del curso.
  2. Introducción a los esquemas de Diferencias Finitas.
  3. Solución Numérica de la Ecuación de Poisson.
  4. Solución Numérica de la Ecuación de Difusión.
  5. Solución Numérica de la Ecuación de Advección.
  6. Solución Numérica de la Ecuación de Advección-Difusión.
  7. Introducción a Esquemas de Diferencias Finitas Generalizadas.

Bibliografía:

  • Numerical Python. Scientific Computing and Data Science. Applications with Numpy, SciPy and Matplotlib. Second Edition. Robert Johansson. Apress.

Prerrequisitos de los asistentes al curso:

  • Ecuaciones Diferenciales Ordinarias.
  • Álgebra Lineal.
  • Principios de programación.

I4: Introducción a las redes neurales y aprendizaje profundo.

Resumen:

En este curso se estudiará el concepto fundamental de las redes neuronales y el aprendizaje profundo. Al final del curso se espera que el estudiante comprenda como construir, entrenar y aplicar redes neuronales profundas completamente conectadas; identificar parámetros clave en la arquitectura de una red neuronal; y aplicar el aprendizaje profundo a sus propias aplicaciones. Así también, se espera que el estudiante comprenda las capacidades, los desafíos y las consecuencias del aprendizaje profundo y lo prepare para participar en el desarrollo de tecnología de inteligencia artificial de vanguardia.

Programa del curso

  1. Introducción al aprendizaje profundo: ¿Qué es una Red Neuronal? Aprendizaje Supervisado con Redes Neuronales. ¿Por qué está despegando el aprendizaje profundo?
  2. Conceptos básicos de redes neuronales: Clasificación binaria; Regresión Logística; Función de costo de regresión logística; Descenso de gradiente; Descenso de gradiente de regresión logística; Vectorización de regresión logística; Implementación en Python/Numpy.
  3. Redes neuronales poco profundas: Representación de redes neuronales; Cálculo de la salida de una red neuronal; Implementación de la vectorización; Funciones de activación; Derivadas de funciones de activación; Descenso de gradiente para redes neuronales.
  4. Redes neuronales profundas: Capa profundas; Propagación directa en una red profunda; ¿Por qué representaciones profundas?; Elementos básicos de las redes neuronales profundas; Propagación hacia adelante y hacia atrás; Parámetros vs Hiperparámetros.

Bibliografía

  • https://www.coursera.org/learn/neural-networks-deep-learning?specialization=deep-learning
  • Chollet, F. (2017). Deep learning with python. Manning Publications
  • Chollet, F. (2021). Deep learning with Python. Simon and Schuster.
  • Géron, A. (2017). Hands-on machine learning with scikit-learn and tensorflow: Concepts. Tools, and Techniques to build intelligent systems.
  • Rosebrock, A. (2017). Deep learning for computer vision with python: Starter bundle. PyImageSearch.
  • Deep Learning (Ian J. Goodfellow, Yoshua Bengio and Aaron Courville), MIT Press, 2016.

Prerrequisitos de los asistentes al curso: Conocimientos de programación en Python.


AVANZADOS

AVANZADOS

A1: Métodos Variacionales para Determinación de Parámetros en Ecuaciones Diferenciales

  • Dr. Lorenzo Héctor Juárez Valencia
  • Universidad Autónoma Metropolitana – Iztapalapa
  • [email protected]

Resumen:

Los sistemas de ecuaciones diferenciales constituyen una herramienta importante para modelar y simular el estado físico de fenómenos reales que aparecen en muchas áreas de ciencias aplicadas e ingeniería. Para predecir el comportamiento futuro o permitir el control de estos procesos se requiere no solo de la descripción y solución precisa del modelo sino también estimar correctamente los parámetros del sistema. Para estimar los parámetros desconocidos de dichos sistemas, se requiere del ajuste de datos observados al modelo, los cuales generalmente son parciales y contienen ruido o errores de medición.

La estimación de parámetros requiere de métodos eficientes de solución de ecuaciones diferenciales, códigos de optimización, procedimientos estadísticos y posiblemente estocásticos. A diferencia de los algoritmos estocásticos, los métodos deterministas son eficientes computacionalmente, pero tienden a converger a mínimos locales, por lo que el reto es el diseño de métodos para calcular numéricamente mínimos globales.

En este curso nos concentraremos en métodos y procedimientos de optimización determinista, principalmente basada en programación no lineal y métodos de tipo gradiente y algoritmos cuasi-Newton, debido a que son el punto de partida para el diseño de algoritmos más sofisticados. El propósito es explicar con cierto detalle aspectos del proceso de construcción de los modelos cuadráticos de optimización, los métodos y algoritmos de solución, para una audiencia amplia y posiblemente no experta en el tema.

Programa del curso:

  1. Ejemplos de fenómenos modelados por ecuaciones diferenciales ordinarias (EDO) en donde en necesario estimar los parámetros.
  2. Modelo no lineal de programación cuadrática: la función de costo que incorpora datos con ruido.
  3. El gradiente y el problema del cálculo de las sensibilidades. Método variacional para calcular la derivada en forma eficiente.
  4. Algoritmo de optimización BFGS vs el método de Gauss-Newton.
  5. Disparo doble y modelo de Lagrangiano aumentado.
  6. Algoritmo de acenso dual y el método de multiplicadores. Generalización con disparo múltiple.
  7. Ejemplos de aplicación.

Bibliografía:

  • L. Juárez Valencia and J. Rojas, Parameter estimation in ODEs. Modelling and computational issues, Boletín de la Sociedad Mexicana de Computación Científica y sus Aplicaciones, Año VIII, No. 8, pp. 34–49, 2022. https://www.scipedia.com/public/Juarez_Valencia_ROJAS_2022a.
  • M. Victoria Chávez, L. Héctor Juérez, Yasmín A. Ríos, Penalization and augmented Lagrangian for OD demand matrix estimation from transit segment counts, Transportmetrica A, Transport Science, 15(2) (2019), 915–943.
  • Jorge Nocedal, Stephen J. Wright, Numerical Optimization, New York: Springer, 1999.
  • Ozgur Aydogmus, Ali Hakan TOR, A Modified Multiple Shooting Algorithm for Parameter Estimation in ODEs Using Adjoint Sensitivity Analysis, Applied Mathematics and Computation Volume 390(1), (2021) 125644.
  • F. Carbonell, Y. Iturria-Medina, J.C. Jimenez, Multiple Shooting-Local Linearization method for the identification of dynamical systems, Communications in Nonlinear Science and Numerical Simulation, 37 C (2016) 292–304.

Los prerrequisitos son:

  1. Conocimientos básicos sobre sistemas ecuaciones diferenciales ordinarias, álgebra lineal, y nociones de optimización.
  2. Es recomendable tener conocimiento de algún ambiente de programación, como MATLAB o PHYTON, aunque no es indispensable, debido a que se proporcionarán los códigos en ambiente MATLAB, con documentación mínima.
  3. Se proporcionarán notas para el curso y los programas que se utilizarán.

A2: Introducción al Deep Learning para Finanzas

  • Dr. José Alberto Guzmán Torres
  • Universidad Michoacana de San Nicolás de Hidalgo
  • [email protected]

Resumen:

El curso consta de cuatro horas y se divide en varias secciones:

Sección 1: Introducción al Deep Learning y Finanzas

Sección 2: Preparación de Datos. En esta sección, se cubren los aspectos de preparación de datos, que son cruciales para el éxito del modelado de Deep Learning. Se presentan algunas técnicas para seleccionar y limpiar los datos financierosesta sección, se presentan los conceptos básicos del Deep Learning y su aplicación en finanzas.

Sección 3: Modelado y Entrenamiento. En esta sección, se presenta la construcción de un modelo de Red Neuronal Artificial (RNA) utilizando Keras, una biblioteca de Deep Learning en Python. También se discuten los hiperparámetros y su ajuste para mejorar el rendimiento del modelo. Además, se cubre la evaluación del modelo y cómo ajustarlo para obtener mejores resultados.

Sección 4: Casos de estudio - Predicción de precios de acciones En esta sección, se aplica lo aprendido en las secciones anteriores a un caso de estudio de predicción de precios de acciones utilizando datos históricos. Se construye un modelo de RNA utilizando Keras y se entrena con datos históricos para predecir el precio futuro de las acciones. Se discuten las métricas de evaluación y se muestran los resultados del modelo.

En resumen, el primer curso de Deep Learning en Python para Finanzas es una introducción práctica al Deep Learning en finanzas. Los participantes aprenden a construir y entrenar modelos de RNA utilizando Keras y aplicarlos a problemas de finanzas. El curso se centra en la preparación de datos, el modelado, el entrenamiento y la evaluación del modelo, y culmina en 2 casos de estudio.

Programa del curso

Objetivo: El objetivo de este curso es introducir a los participantes en el mundo del Deep Learning y cómo aplicarlo a problemas financieros.

  1. Introducción al Deep Learning
    1. ¿Qué es el Deep Learning?
    2. ¿Por qué es importante en finanzas?
    3. Librerías a emplear
  2. Preparación de los datos
    1. Importación de datos financieros
    2. Preprocesamiento de datos
  3. Modelado y entrenamiento
    1. Creación de una red neuronal
    2. Entrenamiento del modelo
    3. Evaluación del modelo
  4. Aplicaciones financieras
    1. Predicción de precios de acciones
    2. Análisis de riesgo

Bibliografía

  • Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc."
  • Hilpisch, Y. (2014). Python for Finance: Analyze big financial data. " O'Reilly Media, Inc."
  • Hilpisch, Y. (2020). Artificial Intelligence in Finance. O'Reilly Media.

Prerrequisitos de los asistentes al curso:

Se recomienda que los asistentes tengan conocimientos básicos de programación en Python y de finanzas. Algunos de los temas que se cubren en el curso incluyen:

  • Conceptos básicos de Python como variables, tipos de datos, estructuras de control de flujo, funciones y módulos.
  • Conocimientos básicos de finanzas, como los conceptos de activos financieros tasas de interés, rendimientos, volatilidad, correlación, entre otros.
  • Además, es útil tener un conocimiento básico de estadística y álgebra lineal, ya que se utilizan en algunas secciones del curso.

Aunque no son estrictamente necesarios, estos conocimientos ayudarán a los participantes a comprender mejor los conceptos presentados en el curso.

Es importante destacar que en el curso se presentan los conceptos de manera clara y accesible para aquellos que están comenzando a explorar el mundo del Deep Learning en finanzas.


A3: Diferencias finitas de alto orden de precisión para aproximar derivadas

Resumen:

Los modelos matemáticos y computacionales tienen un rol importante, si no por decir crucial, para tomar decisiones hoy en día. Muchos de los modelos e basados en ecuaciones diferenciales y su solución en distintas aproximaciones numéricas. Estás metodologías son tan buenas que se pasa por alto su existencia y que realmente producen aproximaciones y no soluciones exactas a los problemas planteados.

Hace 50 años quizá ninguno de estos modelos se hubiesen aplicado o en su caso las soluciones no se obtendrían con la rapidez y certidumbre con las qué se usa actualmente. En este curso nos centraremos en analizar uno de los métodos más simples para aproximar derivadas, el método de diferencias finitas.

Analizaremos las capacidades de la formulación original propuesta por Euler en 1768 y progresivamente mejoraremos dicha solución numérica hasta llegar a métodos actuales de alto orden. Estos últimos pueden llegar a una precisión cercana de la máquina con una cantidad reducida de puntos. Es decir, la capacidad del método supera la capacidad computacional actual de resolverla.

Programa del curso

Dos horas del curso serán teóricas y dos serán prácticas. Los temas son:

  1. Introducción: soluciones exactas y aproximadas de ecuaciones diferenciales.
  2. Diferencias finitas y series de Taylor.
  3. Métodos estándar de diferencias finitas de distintos ordenes de precisión.
  4. Diferencias finitas de alto orden de alto orden de precisión usando usando formulaciones implícitas.
  5. Ejemplos y ejercicios de práctica.

Bibliografía:

  • LeVeque, R. J. (2007). Finite difference methods for ordinary and partial differential equations: steady-state and time-dependent problems. Society for Industrial and Applied Mathematics.
  • Liu, Y., & Sen, M. K. (2009). A practical implicit finite-difference method: examples from seismic modelling. Journal of Geophysics and Engineering, 6(3), 231-249.
  • Uh Zapata, M., & Itza Balam, R. (2017). High-order implicit finite difference schemes for the two-dimensional Poisson equation. Applied Mathematics and Computation, 309, 222-244.

Prerrequisitos de los asistentes al curso:

Cursos de Cálculo y Métodos Numéricos. De preferencia un curso básico de Ecuaciones Diferenciales