Relacionar herramientas de Python con procedimientos de análisis, modelado y automatización de datos financieros, según requerimientos de docencia y estándares de trabajo de la industria.
| Aprendizajes | Contenidos | Horas E- Learning |
|---|---|---|
| Reconocer los componentes del entorno Python, la sintaxis esencial y las funciones básicas de NumPy, según requerimientos de cálculos financieros iniciales. | Módulo 1: Entorno Python y fundamentos para cálculos financieros. Jupyter y Google Colab; sintaxis; estructuras de datos; control de flujo; funciones; NumPy aplicado a interés y retornos; introducción a pandas mediante Series y DataFrame. | 3 |
| Identificar los procedimientos de carga, limpieza y transformación de datos con pandas, según criterios de preparación de datasets financieros. | Módulo 2: Preparación de datos financieros con pandas. Carga desde CSV, Excel y yfinance; exploración; indexación con loc e iloc; filtros; tratamiento de nulos, duplicados, tipos y valores atípicos; fechas; groupby; pivot; merge y join; exportación. | 3 |
| Describir patrones de series temporales financieras y recursos de visualización, según criterios de interpretación y comunicación de resultados. | Módulo 3: Análisis temporal y visualización financiera. Estadística descriptiva; resampling; medias móviles; volatilidad; visualización con Matplotlib y Seaborn; comunicación y storytelling con datos. | 3 |
| Distinguir métodos básicos de regresión, simulación y optimización financiera, según el tipo de problema analítico planteado. | Módulo 4: Modelamiento financiero básico. Correlación; regresión lineal; introducción a series temporales; simulación Monte Carlo; Valor en Riesgo y volatilidad; frontera eficiente y optimización de portafolios. | 3 |
| Relacionar herramientas de automatización, aprendizaje automático y visualización interactiva con necesidades de reportabilidad y práctica docente, según casos del itinerario formativo. | Módulo 5: Automatización y transferencia a la docencia. Generación de reportes a Excel y PDF; introducción a Machine Learning en finanzas; dashboards con Plotly; proyecto integrador; plan de transferencia al aula. | 3 |
