M

mIA-XMáster en Inteligencia Artificial aplicada a los Mercados Financieros

EN COLABORACIÓN CON

4ª Edición

DARÁ ACCESO A:

CE

NT

RO

DE

FO

RM

AC

IÓN

DE

BO

LSA

S Y

ME

RC

AD

OS

ESP

AÑ

OLE

S

mIA-XMáster en Inteligencia Artificial aplicada a los Mercados Financieros

PRESENTACIÓN

Desde su creación hace casi 30 años, Instituto BME ha estado comprometido con

el desarrollo formativo del sector financiero, intentando aportar todo el conocimiento

y el saber hacer que entendemos necesitan unos mercados financieros desarrollados.

La creciente complejidad que ha adquirido la gestión financiera, debido fundamentalmente

a la incorporación de nuevos y sofisticados productos, así como la irrupción de los

algoritmos de inversión, cada vez más inteligentes, requiere a los gestores profesionales un

profundo conocimiento, tanto de las técnicas de inversión tradicionales como de las nuevas

alternativas en programación e inteligencia artificial.

Conscientes de esta necesidad y con el objetivo de aportar soluciones a la comunidad

financiera, Instituto BME pone en marcha en 2019 una nueva edición del Máster en

Inteligencia Artificial Aplicada a los Mercados Financieros (mIA-X). Un programa ambicioso

pero cuidado al máximo detalle donde concentramos todos nuestros esfuerzos y experiencia

para dotar al mercado de profesionales preparados al máximo nivel y dispuestos a afrontar

los retos que se presenten en su carrera de forma resuelta y creativa.

El balance que hacemos de estas tres décadas dedicadas a la formación de los profesionales

de los mercados no puede ser más positivo: alumnos que obtienen la más alta cualificación

técnica para el desempeño de su trabajo y una comunidad financiera que conoce y valora

tanto nuestros programas como a los profesionales que los han cursado.

Beatriz Alejandro

Directora, Instituto BME

EN COLABORACIÓN CON

3

NUESTRO CURSO OBJETIVO

El principal objetivo es dotar al mercado de profesionales del más alto nivel en Inteligencia

Artificial, capaces de desarrollar nuevos modelos de gestión de inversiones, y con profundos

conocimientos de los distintos tipos de mercados y productos.

El Máster mIA-X:

• Profundizará en las distintas ramas de inteligencia artificial, desde modelos tradicionales

como redes neuronales delgadas, hasta redes neuronales profundas, aprendizaje por

refuerzo o modelos adversariales.

• Proporcionará herramientas y conocimientos prácticos, permitiendo aplicar

constantemente las técnicas más avanzadas de la programación distribuida en nube,

aplicándola al diseño de algoritmos de inversión.

• Permitirá a los alumnos afrontar cualquier desafío futuro relacionado con el nuevo

entorno económico en el que se desarrollan los Mercados Financieros.

• Dará acceso a los alumnos a los exámenes de licencia de operador SIBE (renta variable)

y MEFF (derivados).

DIRIGIDO A

Graduados en Ingeniería o Ciencias Económicas, Administración y Dirección de Empresas,

Estadística, Física o Matemáticas, que trabajen en:

• Departamentos de empresas financieras relacionados con la gestión de inversiones.

• Gestores de fondos.

• Departamentos financieros.

• Responsables de control y gestión de riesgo y de auditoría.

• Fintech y startups orientadas a los mercados financieros.

CONOCIMIENTOS PREVIOS NECESARIOS

No son necesarios conocimientos previos para cursar el máster. Los conocimientos en

programación, finanzas y bolsa serán adquiridos por el alumno a lo largo del máster.

mIA-X

4

METODOLOGÍA

Todas las sesiones estarán enfocadas con un gran contenido práctico.

Los alumnos del máster obtendrán competencias reales de programación en R y Python

mediante diferentes plataformas como Google TensorFlow o Keras, así como avanzados

conocimientos, demostrables, en la aplicación de algoritmos de Machine Learning

y Deep Learning.

La evaluación de los conocimientos adquiridos se realizará mediante la entrega de diversas

prácticas, en donde los alumnos dispondrán de un mínimo de 2 semanas para completar los

retos propuestos.

Los alumnos tendrán a su disposición las mismas herramientas y esquema de trabajo con las

que contarían en un trabajo real. Las prácticas podrán realizarse individualmente, por parejas o

en grupos de tres, si bien la nota de los trabajos en pareja será penalizada en un 5% y la de los

grupos de tres en un 10%.

El peso de las prácticas en la nota final ascenderá al 70%.

TRABAJO DE FIN DE MÁSTER

Los alumnos deberán realizar y defender ante un tribunal un proyecto de fin de máster.

Todos los trabajos consistirán en el diseño y desarrollo de un algoritmo de inversión. La

naturaleza del algoritmo así como la elección de las herramientas a emplear serán decididas

por los alumnos (cumpliendo unos mínimos de aplicación de los conocimientos adquiridos

durante el máster).

Los trabajos de fin de máster podrán realizarse individualmente, en grupos de dos, o de tres,

si bien los trabajos que sean realizados en grupo tendrán las mismas penalizaciones en la nota

que las aplicadas durante las prácticas.

A lo largo de máster se realizarán diversas sesiones dedicadas a la gestión de expectativas,

uso de herramientas y resolución de dudas.

El peso del proyecto en la nota final ascenderá al 30%.

Es imprescindible aprobar el trabajo de fin de máster para poder realizar la media con las prácticas.

EN COLABORACIÓN CON

5

Módulo IIntroducción a sistemas

y programación

15%

Módulo IVAprendizaje mediante

Deep Learning

38%

Módulo IIDiseño de algoritmos de

inversión y Machine Learning

19%

Módulo VBlockchain

4%

Módulo VIITécnicas de visualización y defensa de los trabajos

de fin de máster

5%

Módulo III Infraestructura Cloud

para Big Data

13%

Módulo VI Infraestructura Cloud para Deep Learning

4%

mIA-X

mIA-XMáster en Inteligencia Artificial aplicada a los Mercados Financieros

6

INFORMACIÓN GENERAL

DIRECCIÓN ACADÉMICAD. Guillermo Meléndez Alonso. Departamento de Innovación Tecnológica en Bolsas y Mercados Españoles, MFIA.

DURACIÓNDel 4 de octubre de 2019 a 18 de diciembre de 2020. 455 horas de duración.

HORARIOViernes de 16:00 a 21:00 horas. Sábados de 09:00 a 14:00 horas. Con motivo de fiestas nacionales, alguna clase tendrá lugar en jueves de 16:00 a 21:00 horas.

LUGAR DE CELEBRACIÓNLas clases se celebrarán en las aulas de Instituto BME en el Palacio de la Bolsa en Madrid.

RECOMENDACIONESEs imprescindible asistir con portátil. Se recomienda el equipo Intel Core i5, 8 GB de RAM y disco SSD y tarjeta gráfica Nvidia compatible con CUDA.

PRECIOEl precio de este programa de formación es de 12.000 euros.

Instituto BME dispone de un programa de descuentos aplicables a matrículas de grupo.

Para más información ponerse en contacto en Institutobme@grupobme.es o en el 91 589 12 22

MÁS INFORMACIÓNSi desea ampliar la información sobre este programa de formación puede ponerse en contacto con Instituto BME en el teléfono 91 589 12 22 y en www.institutobme.com

EN COLABORACIÓN CON

7

mIA-X

CASOS DE ÉXITO

Jesús Sanz del RealQuant at BME Group | Artificial Intelligence

Contratado por Bolsas y Mercados Españoles, Dpto. Inteligencia Artificial, mientras cursaba el máster.

Antes de comenzar el máster no tenía experiencia programando; tenía un perfil más bien financiero. Trabajando duro, esta formación te permite llevar las finanzas a otro nivel y, sin duda, ha supuesto un antes y un después en mi carrera profesional. Ahora con Python soy capaz de traducir las ideas que siempre he tenido en modelos sólidos, y es fascinante ver la mejora que puedes lograr utilizando IA.

En definitiva, creo que esta formación se hace cada vez más necesaria para cualquier profesional del sector.

Miren Sainz PalomequeSoftware Development Engineer at Amazon | Artificial Intelligence

Contratada por Amazon, Dpto. Machine Learning, mientras cursaba el máster.

Mi experiencia formativa ha sido todo un éxito. He podido aplicar mis conocimientos técnicos como ingeniera, a la vez que he adquirido nuevas habilidades financieras. Los profesores han sido atentos y la temática muy completa. Se cubren muchísimos algoritmos de machine learning y deep learning. Sales muy preparada y con un amplio abanico de conocimientos.

Ha supuesto un antes y un después en mi carrera profesional.

Miguel Vicente VernalteBusiness Analyst at Everis | Artificial Intelligence

Contratado por Everis mientras cursaba el máster.

Este máster ofrece la posibilidad de estudiar Inteligencia Artificial a personas que no poseen conocimientos en programación. En mi caso, viniendo de ADE, he visto desarrolladas fuertemente mis habilidades y me siento realmente preparado para enfrentarme a nuevos retos en el futuro dentro de este campo.

En mi opinión, es el máster más completo del mercado en Inteligencia Artificial, combinando la creación de algoritmos de inversión con la computación en nube.

Ha sido una gran experiencia a nivel formativo y personal, junto a excelentes compañeros y profesores con alta cualificación y experiencia en el sector.

Sara Díaz-P MartínTrader Profesional y Gestora Patrimonial. Directora Inversia500

Me dedico a los mercados financieros, por lo que elegí hacer el máster para dar el salto a los algoritmos de inversión. Mi objetivo era conseguir estar a la altura de las competencias que se exigen en el mundo del Trading. Mi conocimiento en programación era nulo, por lo que partía de cero y además vivía fuera de Madrid. Por lo tanto, fue un año muy duro. Aun así, al final ha merecido la pena. He desarrollado un sistema de inversión, he conseguido las habilidades necesarias para seguir por mi cuenta y ya me encuentro programando más sistemas. Sin duda, le he sacado mucho beneficio al máster.

8

PROGRAMA

MODULO 0.

INTRODUCCIÓN A LA PROGRAMACIÓN (10 HORAS).

Introducción a Visual Basic para aplicaciones. Cálculo de los riesgos y flujos de un proyecto.

MODULO 1.

INTRODUCCIÓN A SISTEMAS Y PROGRAMACIÓN (60 HORAS).

1.1. Visión General de la inteligencia Artificial.

1.2 Programación en R.

1.2.1 Fundamentos de programación.

Sentencias y bucles.

Vectores, matrices, factores y listas.

Crear e invocar funciones.

1.2.2 Data Frames, importación y manipulación

de datos.

Data frames.

Importar / guardar datos (txt, csv, xlsx etc.)

Limpieza de datos.

Selección, filtrado, ordenación, agrupación, estadísticos.

1.2.3 Funciones avanzadas.

Dplyr y Data Table.

Apply, Lapply, Sapply, Vapply.

Do.call.

1.2.4 Gráficos, distribuciones, análisis

de rendimiento y web scraping.

Gráficos en R.

Depurar un programa.

Plataforma de competición Kaggle.

Web scraping.

1.3 Ecosistema de Programación.

1.3.1 Herramientas y Máquinas Virtuales.

Entornos de desarrollo integrado (IDE).

Reutilización de código: librerías.

Conceptos de API: REST.

Comunicación HTTP y HTTPS.

SQL.

1.3.2 Cloud as a Service y contenedores.

Infraestructura como Servicio.

Máquinas en la nube.

Contenedores.

Uso de Docker.

1.4 Programación en Python.

1.4.1 Fundamentos de programación.

Instalación y creación de virtual environments.

Elementos de programación en Python.

Estructuras de datos, funciones y ficheros.

Módulos y funciones.

Introducción a la programación orientada a objetos.

1.4.2 Introducción a las librerías Numpy y Pandas.

Introducción a Numpy.

Introducción a Pandas.

1.4.3 Visualización y tratamiento de datos.

Visualización de datos y gráficos con matplotlib y pandas.

Carga y almacenamiento de datos.

Limpieza, preparación y homogeneización.

Tratamiento de series temporales.

1.4.4 Temas avanzados.

Procesamiento en paralelo con multiprocessing.

Visualizaciones interactivas con plotly.

EN COLABORACIÓN CON

9

Web scraping con beautifulsoup.

Nociones básicas de control de versiones con git.

1.4.5 Aplicaciones específicas en mercados

financieros.

Obtención de datos financieros de distintas fuentes.

Simulación para medición de riesgos (VaR).

Valoración de opciones financieras.

Generación de estrategias de inversión clásicas.

MÓDULO 2.

DISEÑO DE ALGORITMOS DE INVERSIÓN (85 HORAS).

2.1 Curva Cupón Cero y Bonos.

Necesidad de la ETTI.

Tipos Implícitos, bases y factores de descuento.

Limitaciones de la TIR y sesgo cupón.

Descomposición de un Bono en cupones cero.

Elaboración a partir del mercado de depósitos y Swaps.

Estimación de la curva por el método recursivo (“Bootstraping”).

Interpolación Lineal y exponencial.

Bonos Cupón Fijo (Gobiernos)

Floating Rates Notes (FRN)

2.2 Obtención de datos.

Renta variable (Yahoo Finance, Alpha Vantage).

Renta fija (Banco de España).

Divisas (Banco de España).

2.3 Renta variable.

Funciones de la Bolsa y distinción entre mercados primarios y secundarios.

Tipos de operaciones: OPAs y OPVs, Ampliaciones de capital, Splits y ContraSplits.

Funcionamiento del mercado continuo español (SIBE):

Fases del mercado.

Bloques y operaciones especiales.

Subastas (reglas de fijación del precio de equilibrio) versus Mercado abierto.

Reglas de negociación.

Tipos de órdenes.

Subastas por volatilidad, rangos estáticos y dinámicos.

2.4 Homogeneización y desmanipulación de los datos.

Búsqueda y encaje de datos.

Ajustes por dividendos.

Búsqueda y anulación de Split y contra Split.

2.5 Mercado de divisas y Derivados de Divisa.

Factores que afectan al tipo de cambio.

El spot FX (contado) y el cross rate (tipo de cambio cruzado).

Determinación del precio a plazo de una divisa: los tipos implícitos.

Valoración: precio a plazo. Puntos Swap. el seguro de cambio.

Futuros sobre Divisa.

Especificaciones de los contratos.

Mercados organizados y sus características.

Non delivery Forwards.

2.6 Análisis de rendimiento.

Búsqueda de cuellos de botella.

Programación vectorial.

Optimización del core del algoritmo.

2.7 Futuros sobre índices y acciones.

Precio forward de un activo.

Concepto de base y posición abierta.

mIA-X

10

Futuros en contango y en backwardation.

Precio futuro de una acción y su tipo implícito.

Precio futuro sobre un índice y la transformación a puntos de índice de los dividendos.

Especulación y efecto apalancamiento.

Cobertura con futuros sobre acciones: totales y parciales.

Cobertura con futuros sobre índice.

Riesgo de las coberturas.

Arbitrajes: Cash & Carry y Reverse Cash & Carry.

Time Spreads. Efecto del roll-over en contango y backwardation.

2.8 Generación de recomendaciones.

Ensamblado de las piezas del algoritmo.

Cálculo de los precios objetivo de compra y venta.

Volúmenes mínimo y máximo a comprar en cada activo.

Cálculo del capital recomendado a invertir en cada activo.

Stop loss.

2.9 Opciones de Renta variable.

Tipología: Americanas y Europeas.

Valor intrínseco y temporal.

Clasificación IN AT y OUT.

Parámetros que afectan a la valoración: Activo subyacente, precio de ejercicio, dividendos, tiempo a vencimiento, volatilidad y tipos de interés.

Réplica de activos.

Teoría de la Paridad Call-Put: distintas formulaciones y tipos de opciones.

Griegas: Delta, Gamma, Vega, Theta y Rho.

2.10 Backtesting avanzado.

Sesgo look-ahead.

Sesgo supervivencia.

Sesgo de selección.

Presunción de ejecución.

Combinatorial cross validation.

2.11 Volatilidad.

Concepto de volatilidad: interpretación y características.

Inestabilidad de la volatilidad y cálculo en ventanas temporales (SMA).

Conos de volatilidad.

Modelos de volatilidad HL.

Modelos de Volatilidad Condicional.

Volatilidad implícita.

Cálculo de volatilidad forward.

Índices de Volatilidad: calculo, características e inversión.

2.12 Sustitución del core de un algoritmo.

Alpha de Jensen.

Frontera de Markowitz.

Ratio de Sharpe.

2.13 Gestión de Sensibilidades y Estrategias.

Coberturas Estáticas.

Call, Put, Spreads y Túneles.

Selección de precio de ejercicio y vencimiento.

Análisis de situación y modificaciones sintéticas del perfil de riesgo.

Estrategias combinadas.

Tendencia.

Volatilidad.

Mixtas.

Índices estratégicos y Estrategias Reparadoras apalancadas.

Trading de volatilidad, Delta Neutral y Gamma Scalping.

2.14 Algoritmos de inversión con IA.

Algoritmos dinámicos.

Sistema recomendador.

Predictor del éxito de una orden.

Algoritmo oscilador.

Reconocimiento de sesiones.

Competición algorítmica.

EN COLABORACIÓN CON

11

mIA-X

2.15 Algoritmos evolutivos.

Diseño y programación de algoritmos genéticos.

Diseño y programación de algoritmos enjambre.

2.16 Algoritmos de mejor ejecución.

Impacto mercado VS riesgo mercado.

Tipología de órdenes.

Funcionamiento de mercado.

VWAP, TWAP, POV.

Proyecto. Sesión I.Gestión de expectativas.Presentación de ideas Proyectos Fin de Master.

MÓDULO 3.

INFRAESTRUCTURA CLOUD PARA BIG DATA (60 HORAS).

3.1. Entorno IA Google.

3.1.1. Google. Sesión I.

Almacenamiento de datos: Cloud Storage.

Servicio de base de datos NoSQL: Cloud BigTable.

Análisis de datos a gran escala: Google BigData.

Procesamiento de datos continuos y por lotes: Cloud Dataflow.

3.1.2. Google. Sesión II.

Ecosistema Hadoop y Spark: Cloud Dataproc.

3.1.3. Google. Sesión III.

Analizar datos para el aprendizaje automático: Cloud Datalab.

Google Data Studio.

3.1.4. Google. Sesión IV.

Cloud Machine Learning Engine.

3.2. Entorno IA Amazon.

3.2.1. Amazon AWS. Sesión I.

Almacenamiento de datos: Amazon S3.

Transferir petabytes de datos: AWS Snowball.

3.2.2. AmazonEMR. Sesión II.

Apache Hadoop y Apache Spark.

3.2.3. Amazon AI. Sesión III.

Creación de modelos de aprendizaje automático.

3.2.4. Amazon AI. Sesión IV.

Creación de modelos de aprendizaje automático.

3.3. Entorno IA Microsoft Azure.

3.3.1. Azure. Sesión I.

Administración de datos: Azure Storage.

Repositorio de datos: Azure Data Lake Store.

3.3.2. Azure. Sesión II.

Apoyo a la toma de decisiones: Data Lake Analytics.

Almacenamiento a gran escala: Data Warehouse.

Integración de datos híbridos (ETL/ELT): Data Factory.

3.3.3. Azure. Sesión III.

Servicio de análisis de macrodatos en código abierto: Azure HDInsight.

Creación de clústeres optimizados para: Hadoop, Spark, Hive, HBase, Storm, Kafka y Microsoft R Server.

3.3.4. Azure. Sesión IV.

Azure Machine Learning. Desarrollo de algoritmos de inteligencia artificial.

12

MÓDULO 4.

APRENDIZAJE MEDIANTE DEEP LEARNING (175 HORAS).

4.1 Machine Learning.

4.1.1 Introducción al ML.

Diseño del objetivo de aprendizaje.

Análisis exploratorio de variables.

Generación de características.

Aprendizaje basado en instancias (k-NN).

Arboles de decisión.

Diseño Experimental: Entrenamiento y Validación.

4.1.2 ML para series temporales.

Aprendizaje con datos transversales vs temporales.

Características para series temporales.

Modelos auto-regresivos.

Validación de ventanas deslizantes.

4.1.3 Modelos de ML.

Modelos de clasificación Bayesianos.

Regresión Logística.

Otros modelos: LDA, SVMs.

Meta-clasificadores: Bagging, Boosting y Stacking.

Random Forest.

4.1.4 Clusterización en ML.

Técnicas de clustering: k-Means y k-medoids.

Técnicas algomerativas.

Reducción de dimensionalidad: PCA.

Detección de Anomalías.

4.1.5 ML avanzado.

Relevancia de características.

Aproximaciones para tareas de ranking.

Aprendizaje multi-etiqueta.

Aprendizaje semi-supervisado.

4.2 Redes neuronales

4.2.1 Técnicas de inteligencia artificial. Redes neuronales. Sesión I.

Descenso por gradiente.

Función de coste.

Función de activación.

Programación de un perceptrón.

4.2.2 Técnicas de inteligencia artificial. Redes neuronales. Sesión II.

Propagación de la información en redes multicapa.

Entrenamiento: Retropropagación del error y ajuste de los pesos.

Early stopping, evitando el sobreaprendizaje.

Programación de una red multicapa.

4.2.3 Redes de Kohonen.

Redes competitivas no supervisadas.

Mapas autoorganizados 2D.

Mapas autoorganizados 3D.

4.3 Tensorflow y Keras.

4.3.1 Tensorflow. Sesión I.

Instalación de Tensorflow en Python (con y sin GPU).

Operaciones y tipos de datos. Tensores.

Regresión lineal.

Clustering con K-means.

Red neuronal de una capa.

4.3.2 Tensorflow. Sesión II.

Deep learning (redes multi capa).

Tensorboard.

4.3.3 Keras.

Instalación de Keras en Python.

Regresión lineal.

Clasificación.

Redes de una capa.

Redes multi capa.

EN COLABORACIÓN CON

13

mIA-X

4.4 Mejora de modelos. Optimización de Hiperparámetros.

4.4.1. Optimización de Hiperparámetros. Tamaño del batch y número de épocas.Optimizadores (‘SGD’, ‘RMSprop’, ‘Adagrad’, ‘Adadelta’, ‘Adam’, ‘Nadam’).Técnicas de inicialización de pesos (‘uniform’, ‘normal’, ‘zero’…).Funciones de activación (‘softmax’, ‘selu’, ‘softsign’, ‘relu’, ‘tanh’, ‘sigmoid’…).Dropout.Número de neuronas de las capas ocultas y número de capas.

4.4.2 Sistemas de recomendación.Clusterización de perfiles y activos.Generación y asignación de recomendaciones Netflix.

Proyecto. Sesión II.

4.5 Redes convolucionales. Reconocimiento de imágenes.

4.5.1. Redes convolucionales. Sesión I.

Construcción de una red neuronal convolucional en Tensorflow.Tamaño del kernel.Tamaño del paso y padding.Maxpooling.Número de filtros, características.Dropout.

4.5.2. Redes convolucionales. Sesión II.

Construcción de una red neuronal convolucional en Keras.Tamaño del kernel.Tamaño del paso y padding.Maxpooling.

Número de filtros, características.

Dropout.

Redes 1D, 2D, 3D.

4.6 Redes Recurrentes. LSTM. Predicción de series temporales.

4.6.1. Redes recurrentes. Sesión I.

Redes con memoria.

El problema de las dependencias a largo plazo.

Redes LSTM en Tensorflow y Keras.

4.6.2. Redes recurrentes. Sesión II.

Variantes de LSTM.

Backpropagation truncada.

Acumulando LSTM.

4.7 Procesamiento del lenguaje natural con redes recurrentes.

4.7.1. Procesamiento de lenguaje natural. Sesión I.

Corpus y stopwords.

Sequence to Sequence models (librería en Tensorflow y Keras).

Encoder-decoder.

Bucketing and padding.

4.7.2. Procesamiento de lenguaje natural. Sesión II.

Análisis de sentimiento en textos cortos.

Determinación del sentimiento con Keras y el API de Twitter.

4.7.3. Procesamiento de lenguaje natural. Sesión III.

Análisis de sentimiento en textos largos.

Determinación del sentimiento de noticias con Keras.

4.7.4. Procesamiento de lenguaje natural. Sesión IV.

Determinación del impacto de noticias en bolsa.

Entrenamiento supervisado.

Entrenamiento no supervisado.

14

4.8. Modelos generativos profundos.

4.8.1. Modelos generativos. Sesión I.

PCA.

ICA.

VAE.

GAN.

4.8.2. Modelos generativos. Sesión II.

Generación de cotizaciones de bolsa.

Generación de texto (noticias).

Generación de imágenes (gráficos de bolsa).

Generación de audio.

4.8.3. Redes de cápsula.

Solventando el problema de rotaciones.

Solventando el problema de escalado.

Mejora de redes convolucionales y generativas.

4.9 Modelos gráficos probabilísticos.

4.9.1. Teoría. Sesión I.

Concepto de independencia.

Independencia Condicional.

Redes bayesianas y modelos gráficos.

Simplificación de grafos.

Algoritmos de inferencia.

Algoritmos de aprendizaje de estructuras.

4.9.2. Modelos gráficos probabilísticos. Sesión II.

Aplicaciones prácticas en Bolsa.

4.10 Aprendizaje por refuerzo.

4.10.1. Aprendizaje por refuerzo. Sesión I.

Procesos de decisión de Markov.

Algoritmos de aprendizaje.

Function approximation.

Q-learning.

4.10.2. Aprendizaje por refuerzo. Sesión II.

SARSA.

Métodos de búsqueda.

Proyecto. Sesión III.

4.10.3. Aprendizaje por refuerzo. Sesión III.

Aprendizaje automático.

4.10.4 Automated machine learning.

Optimización de hiperparámetros.

Selección de modelos.

Búsqueda de arquiteturas.

Full pipeline optimization.

4.11 Redes generativas adversariales.

4.11.1. Redes generativas adversariales. Sesión I.

Algoritmo de aprendizaje.

Aplicación de modelos adversarios a redes convolucionales.

Aplicación de modelos adversarios a RNN.

4.11.2. Redes generativas adversariales. Sesión II.

Aplicación de redes adversarias en algoritmos de inversión.

4.12 Aprendizaje por transferencia.

Reutilización de modelos

Concatenación de modelos

4.13 Resnet 51/101.

Redes de gran tamaño

Solventando el desvanecimiento del gradiente.

MÓDULO 5.

BLOCKCHAIN (20 HORAS).

5.1. Blockchain, Bitcoin & Ethereum.

5.1.1. Tecnología. Sesión I.

Seguridad: Hash. Clave pública-privada.

Cadena de bloques. Arquitectura, Consenso distribuido.

Smart Contracts, Smart Properties, DAPPs y DAOs.

IDE Remix. Ejemplo de Smart Contract.

EN COLABORACIÓN CON

15

mIA-X

5.1.2. Tecnología. Sesión II.

Principios criptográficos, matemáticos y de arquitectura de una Blockchain.

Direcciones, transacciones y bloques.

Algoritmos de consenso avanzados.

Tipos de blockchain: Permissioned, permissionless.

Ejecución/depuración de Solidity en Remix.

Mappings, Arrays.

Ejemplo de contrato con información privada.

5.2. Programación en Solidity para Ethereum.

5.2.1. Solidity. Sesión I.

Características de Solidity y Ethereum (Virtual Machine).

Información privada en Blockchain.

Otras Herramientas de Desarrollo para Ethereum.

Truffle.

Smart Contracts.

Creación de Tokens.

Estructuras de datos.

Contrato avanzado. Oráculos.

5.2.2. Solidity. Sesión II.

Implementaciones avanzadas.

Patrones de implementaciones Solidity.

Librerías, contratos e interacciones entre contratos.

Interactuando con el Blockchain/Smart Contracts desde DApp.

Web3.

Servicios Off-chain.

MÓDULO 6.

INFRAESTRUCTURA CLOUD PARA DEEP LEARNING (20 HORAS).

6.1. Entorno IA Google.

Entorno Google Machine Learning y TensorFlow.

Entornos de GPU en Google Cloud.

6.2. Entorno IA Amazon.

Apache MXnet en AWS.

TensorFlow on AWS.

AWS Deep Learning AMIs.

6.3. Entorno IA Microsoft Azure.

Microsoft CTNK.

Azure Machine Learning Workbench.

6.4. Servicios Cognitivos.

Servicios Cognitivos Microsoft Azure.

Servicios Cognitivos IBM Watson.

MÓDULO 7.

TÉCNICAS DE VISUALIZACIÓN Y TRABAJOS DE FIN DE MÁSTER (25 HORAS).

7.1 Derecho aplicado a:

Algoritmos de inversión.

Inteligencia artificial.

7.2 Técnicas de visualización. Sesión I.

7.3 Técnicas de visualización. Sesión II.

Defensa de los trabajos de fin de máster.

16

PONENTES COLABORADORES

Guillermo Meléndez AlonsoDepartamento de Innovación en BME, MFIA

Experto en el diseño de algoritmos de inversión evolutivos, capaces de adaptarse y

evolucionar sin intervención humana. Cuatro veces número uno de promoción: Finanzas,

Auditoría, Data Science y Deep Learning.

Emilio Soria OlivasCatedrático de la Universidad de Valencia, Director Académico MBIT School

Licenciado en Físicas (1992), premio extraordinario y doctor en ingeniería electrónica

(1997), ha publicado más de 80 trabajos en revistas indexadas en Journal Citation Report

(JCR), el indicador de calidad más valorado por los organismos de evaluación de la

actividad investigadora.

Jose Antonio Esteban SánchezCTO Codere, Profesor MBIT School

Presidente de la Comisión Big Data de Cloud Community Europe. Ha participado en el

diseño de soluciones de optimización de Aplicaciones para Mercury (actualmente HP) y

en equipos de diagnóstico de problemas de sistemas críticos. Actualmente responsable

tecnológico de una de las mayores plataformas de juego online y presencial para la

multinacional española Codere.

Jorge del Val SantosResearcher in BEEVA (BBVA)

Investigador enfocado en matemáticas aplicadas e inteligencia artificial. Centrado en el

aprendizaje automático, los sistemas multi-agente y el análisis numérico. En particular,

técnicas de aprendizaje profundo para el modelado generativo y el aprendizaje de refuerzo.

Luís Fernando Lago FernándezProfesor en la Universidad Autónoma de Madrid, Profesor MBIT School

Profesor del Departamento de Ingeniería Informática en la UAM. Investiga e imparte clases

de Machine Learning, Big Data y Data Science. Ha participado en numerosos proyectos de

minería y análisis de datos en el ámbito empresarial.

EN COLABORACIÓN CON

17

mIA-X

Francisco Javier González GosálbezPresident & CEO en Cartagon, Profesor MBIT School

Profesor asociado en The Valley Digital Business School.

Francisco Merlos Fernández

Pre and Post Sales Consulting Deputy Director en BME Inntech

Ingeniero de telecomunicaciones por la universidad Politécnica de Madrid, experto

en algoritmos de best execution y transaction cost analysis.

Joan Vila Francés

Investigador en la Universidad de Valencia, Profesor MBIT School

Ingeniero de Telecomunicaciones y Doctor en Electrónica, experto en técnicas de

aprendizaje automático.

Valero Laparra Pérez

Investigador en la Universidad de Valencia, Profesor MBIT School

Desarrollando métodos estadísticos de aprendizaje para el proyecto

europeo SEDAL http://isp.uv.es/sedal.html

Antonio Serrano LópezInvestigador en la Universidad de Valencia, Profesor MBIT School

Jesús Ruiz Martínez

CTO en Alastria Blockchain Ecosystem Blockchain e Industria 4.0 en Banco Santander

Departamento de tecnologías emergentes.

Gonzalo Navarro Ruiz

Asesor Legal en Grupo BME

Licenciado en ADE y Derecho por la Universidad Complutense de Madrid, Máster en

Asesoría Jurídica de Empresa por el IE Law School y Doctor en Derecho por la Universidad

Complutense de Madrid.

18

Fernando de la Calle SilosQuantitative Researcher en BME Inntech

Doctor en Telecomunicaciones por la Universidad Carlos III de Madrid. Su Investigación

académica está principalmente enfocada en técnicas de aprendizaje profundo y procesado

de señal. Actualmente desarrolla algoritmos de inversión en BME como miembro del

proyecto SofIA.

Alberto Oteo GarcíaMatemático y Quantitative Researcher miembro del proyecto SofIA en BME Inntech

Especializado en el desarrollo de modelos de machine learning con experiencia en

múltiples campos donde ha aplicado estos modelos avanzados para batir la metodología

clásica del sector.

Enrique Castellanos HernanProfesor Titular de Instituto BME, FRM, MFIA

Licenciado en Ciencias Económicas por la Universidad Autónoma de Madrid, cuenta con una

amplia experiencia docente como profesor de Instituto BME. Autor del libro Opciones y futuros

de Renta Variable: Manual práctico y de las Lecturas MFIA.

Emilio Gamarra MompeánSupervisor de operaciones y Product manager de derivados de tipos de interés y divisas en BME Clearing

Licenciado en empresariales por la Universidad Complutense de Madrid y MBA por el

Instituto de Empresa, ha trabajado como trader, gestor en mercados de contado y derivados

y consultor financiero.

Tomás de la Rosa Turbides Miembro del proyecto SofIA en BME Inntech

Doctor en Ciencia y Tecnología por la Universidad Carlos III de Madrid. Más de 10 años

de experiencia como investigador y profesor en diferentes campos de la Inteligencia

Artificial. Experto en machine learning aplicado a la planificación automática con más de 15

publicaciones científicas en diferentes congresos y revistas internacionales.

EN COLABORACIÓN CON

19

EN COLABORACIÓN CON

Plaza de la Lealtad, 1Palacio de la Bolsa28014 Madrid

+info

www.institutobme.esinstitutobme@grupobme.esTelfs. 91 589 12 22 91 589 12 17

Siguenos también en: