Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inteligencia
Artificial y
Computación
Cuántica Aplicada
a los Mercados
Financieros
Instituto BME
Posibilidad de acceso a los programas de incubación y
aceleración en Zûrich, Singapur y España, de la mano
de la aceleradora de Start-Ups de SIX company
mIA-X
12ª Edición
1
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica 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.
2
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Nuestro Curso
OBJETIVO CONOCIMIENTOS PREVIOS NECESARIOS TRABAJO DE FIN DE MÁSTER
El principal objetivo es dotar al mercado de profesion- No son necesarios conocimientos previos para cursar el Los alumnos deberán realizar y defender ante un tribu-
ales del más alto nivel en Inteligencia Artificial, Big Data, máster. Los conocimientos en programación, finanzas, nal un proyecto de fin de máster.
Blockchain y Computación Cuántica, capaces de desarrol- big data, inteligencia artificial, blockchain y computación
lar nuevos modelos de gestión de inversiones, y con pro- cuántica serán adquiridos por el alumno a lo largo del Todos los trabajos consistirán en el diseño y desar-
fundos conocimientos de los distintos tipos de mercados máster. rollo de un algoritmo de inversión. La naturaleza del al-
y productos. goritmo así como la elección de las herramientas a em-
plear serán decididas por los alumnos (cumpliendo unos
El Máster mIA-X: METODOLOGÍA mínimos de aplicación de los conocimientos adquiridos
– Profundizará en las distintas ramas de inteligencia ar- Todas las sesiones estarán enfocadas con un gran con- durante el máster).
tificial, desde modelos tradicionales, hasta redes neu- tenido práctico.
ronales profundas, aprendizaje por refuerzo o modelos A lo largo de máster se realizarán diversas sesiones dedi-
adversariales. Los alumnos del máster obtendrán competencias reales de cadas a la gestión de expectativas, uso de herramientas
programación en R y Python mediante diferentes plataformas y resolución de dudas.
– Proporcionará herramientas y conocimientos prácticos, como Google TensorFlow o Keras, así como avanzados
permitiendo aplicar constantemente las técnicas más conocimientos, demostrables, en la aplicación de algoritmos de Todos los alumnos contarán con un tutor personalizado
avanzadas de la programación distribuida en nube, Machine Learning, Deep Learning , Blockchain y Computación para orientarles durante el desarrollo del TFM, hasta la
aplicándola al diseño de algoritmos de inversión. Cuántica. primera defensa del mismo.
– Permitirá a los alumnos afrontar cualquier desafío fu- La evaluación de los conocimientos adquiridos se re- El peso del proyecto en la nota final ascenderá al 30%.
turo relacionado con el nuevo entorno económico en el alizará mediante la entrega de diversas prácticas, en
que se desarrollan los Mercados Financieros. donde los alumnos dispondrán de un mínimo de 3 se- Es imprescindible aprobar el trabajo de fin de máster para poder
manas para completar los retos propuestos. realizar la media con las prácticas.
El máster tiene dos perfiles de acceso Se realizará evaluación continua, por lo que será impre-
Módulo II
Uno más técnico en donde el alumnado lo componen scindible tener una media superior a 5, para poder de-
Diseño de algoritmos
físicos, matemáticos, telecos, ingenieros, informáticos… fender el trabajo de fin de máster (TFM).
de inversión
en definitiva alumnos con profundos conocimientos de
programación y matemáticas, pero con una carencia de Los alumnos tendrán a su disposición las mismas herra-
Módulo I
25%
conocimientos bursátiles. mientas y esquema de trabajo con las que contarían en
un trabajo real. Introducción a sistemas
Y un segundo perfil de componente más financiero (ADE, y programación
economía, actuariales), traders, brokers, gestores de fon- El peso de las prácticas en la nota final ascenderá al 70%.
dos de inversión, responsables de control y gestión de 10% Módulo III
riesgo, auditoría… alumnos con conocimientos financiero No importa si no puedes asistir a clase algunos fines de Infraestructura Cloud
- bursátiles, pero con carencia de conocimientos en pro- semana. La metodología se centra en el aprendizaje a para Big Data
gramación o matemáticas. través de la realización de prácticas. Puedes seguir las
clases presencialmente en el Palacio de la Bolsa, visual-
14%
Módulo V
Los primeros módulos del máster están diseñados para izarlas donde tú estés (dado que emitimos las clases en
Tecnologías disruptivas,
que ambos grupos igualen sus conocimientos, refor- streaming), o verlas cuando a ti te venga mejor (las clases
más allá de la IA
zando sus respectivas carencias. son grabadas para posibilitar su posterior visualización
por parte del alumno). Lo importante es que aprendas, 18%
no que calientes un asiento. Módulo IV
Aprendizaje mediante
Deep Learning
33%
4 5
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Información General
DURACIÓN DEDICACIÓN
De octubre de 2023 a enero de 2025 Hemos de resaltar que este es un máster de intensidad
La duración es de 760 horas elevada. En media, el 30% de los alumnos no consiguen
ter minar lo. Para adquir ir los conocimientos en
Programación, Bolsa, Big Data, Inteligencia Artificial,
HORARIO Blockchain y Computación Cuántica hay que estudiar
Miércoles y jueves de 19 a 21:30 (online) a diario. A continuación, desglosamos la intensidad del
Viernes de 16 a 21 horas (online y presencial) programa.
Sábados de 9 a 14 horas (online y presencial)
– Horas lectivas de clase 760 horas
– TFM (trabajo de fin de máster) De 600 a 800 horas
LUGAR DE CELEBRACIÓN – Resolución de prácticas (10 prácticas x 3 semanas cada
Las clases se celebrarán en las aulas de Instituto BME 1 x 3 horas de dedicación al día) 630 horas
en el Palacio de la Bolsa en Madrid.
Estamos hablando de un máster de más de 2.000 horas
de dedicación, equivalentes a 80 créditos ECTS.
RECOMENDACIONES
Es imprescindible asistir con portátil. Se recomienda el
equipo Intel Core i5, 8 GB de RAM y disco SSD y tarjeta SALIDAS PROFESIONALES
gráfica Nvidia compatible con CUDA. La intensidad del programa viene recompensada en
sus salidas profesionales. A nivel financiero, el perfil
de Quant AI Developer es el más demandado y mejor
PRECIO retribuido en la actualidad. Los principales miembros
El precio de este programa es de 18.000 euros. Instituto de mercado, así como numerosos fondos de inversión,
BME dispone de un programa de descuentos aplicables nacionales e internacionales, se nutren recurrentemente
a matrículas de grupo. de nuestros egresados. A simismo, reguladores y
empresas tecnológicas del calibre de Amazon, Google o
Para más información ponerse en contacto Microsoft, han contratado egresados de este programa
en Institutobme@grupobme.es o en el 649 19 22 75 para nutrir sus depar t amentos de Innovación e
Inteligencia Artificial.
6 7
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Licencias
Durante la realización del máster se podrán obtener hasta
cuatro licencias, además del título de propio de máster.
CERTIFICADO DE DESARROLLADOR EN COMPUTACIÓN CUÁNTICA
Quantum Information Science Kit (Qiskit) es un SDK de código abierto para trabajar con
LICENCIA DE OPERADOR SIBE (RENTA VARIABLE) ordenadores cuánticos al nivel de pulsos, circuitos y algoritmos, requiriendo solamente
Aquellas personas que decidan realizar este examen oficial, obtendrán la Licencia conocimientos básicos de Python y álgebra lineal.
de Operador SIBE otorgada por la Bolsa de Madrid. Los alumnos que reciban esta
formación podrán acreditar tener los conocimientos suficientes para operar en el SIBE El core de Qiskit proporciona una base para crear programas cuánticos al nivel de
(Sistema de Interconexión Bursátil Español), siempre que el acreditado esté contratado circuitos y pulsos, optimizarlos para un dispositivo en particular y gestionar la ejecución
por un miembro del mercado (condición previa que implica el paso de la Licencia de en simuladores de alto rendimiento y dispositivos reales de acceso remoto. Este módulo
operador SIBE de “no profesionales” a “profesionales.”) también incluye los algoritmos básicos independientes de sus aplicaciones.
Para la obtención de esta Licencia será necesario superar la prueba práctica (terminal Existen cuatro módulos de aplicación independientes:
de negociación SIBE Smart) y obtener al menos un 75% del examen teórico.
Qiskit Nature, centrado en el cálculo de energías y aplicaciones químicas.
LICENCIA DE OPERADOR MEFF - CLEARING (DERIVADOS) Qiskit Finance, proporciona modelos de incertidumbre para mercados financieros y
Para poder actuar en el Mercado Secundario Oficial de Futuros y Opciones MEFF los funciones para optimización de portfolio entre otros.
operadores deberán estar en posesión de la correspondiente licencia otorgada por la
Bolsa de Madrid y que certifica estar en disposición de los conocimientos necesarios Qiskit Optimization, para el modelado de alto nivel de problemas de optimización,
relativos a la composición, funcionamiento, operaciones y reglas de actuación de dicho conversión entre representaciones y un amplio set de optimizadores, desde VQE o
mercado conforme a lo establecido en la circular C-EX-GEN 03/13 Para la obtención de QAOA hasta algoritmos basados en Grover.
esta Licencia será necesario superar la prueba práctica y obtener al menos un 75% del
examen teórico. Qiskit Machine Learning, con algoritmos desde QSVM (Quantum Support Vector
Machine) hasta QGAN (Quantum Generative Adversarial Network), enlazando con
interfaces establecidas como la que permite la integración en PyTorch, una librería
CERTIFICADO DE DESARROLLADOR EN TENSORFLOW optimizada para deep learning.
El objetivo de esta certificación es brindar la posibilidad de exhibir experiencia y
conocimientos dentro de un mercado laboral cada vez más enfocado en la IA. Dispondremos a través del Educators program de IBM, de 6 horas de acceso prioritario
a cada uno de los dispositivos cuánticos reales: Casablanca con 7 qubits y QV32, Rome
La certificación en desarrollo de TensorFlow, emitida por Google, pretende ser una con 5 qubits y QV32, que nos permitirán realizar ejercicios prácticos avanzados sacando
certificación fundamental para estudiantes, desarrolladores y científicos de datos el máximo partido a las clases.
que desean demostrar habilidades prácticas de aprendizaje automático mediante la
compilación y el entrenamiento de modelos con TensorFlow. El programa consiste en La certificación de desarrollador en Computación Cuántica, emitida por IBM, pretende
un examen desarrollado por el equipo de TensorFlow. ser una certificación fundamental para estudiantes, desarrolladores y científicos de
datos que desean demostrar habilidades prácticas en el campo de la Computación
Los desarrolladores que aprueban el examen pueden unirse a la Red de certificación de Cuántica.
Google y exhibir su certificación y sus insignias en su currículum, GitHub y plataformas
de redes sociales, como LinkedIn, lo que ayuda a compartir su nivel de experiencia en Para la obtención de esta certificación, será necesario superar la prueba práctica en la
TensorFlow con el mundo. plataforma de IBM (Pearson VUE).
Para la obtención de esta Licencia será necesario superar la prueba práctica en la Esta certificación tiene un coste, tasa de examen, que cobrará directamente Google
plataforma de TensorFlow. a los alumnos.
Esta certificación tiene un coste residual de 100$, tasa de examen, que cobrará
directamente Google a los alumnos.
8 9
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Sobre el programa
Desde 2016, más de 100 startups enfocadas a la banca y los seguros de todo el mundo
han completado nuestro programa de incubación, con una impresionante tasa de
supervivencia del 85%.
Lo que buscamos
– Startups nacionales e internacionales del mundo de FinTech, RegTech, InsurTech o
DeepTech
–B
eneficio de 15.000 euros de gasto y espacio de oficina gratuito, además de apoyo
con la incorporación, alojamiento y contratación en España
–A
cceda a los mentores más relevantes de un grupo de más de cien expertos de la
industria
– Pruebe su producto con datos reales en el exclusivo Sandbox de F10 (nuestra plata-
forma API para bancos y aseguradoras que cumple con PSD2)
–R
eciba una inversión pre-seed de hasta 200.000 euros de F10, a cambio de capital
–P
articipación del equipo de F10 en la defensa de las ideas del trabajo fin de máster
–P
articipación por parte del equipo de F10 en la defensa de los protectos finales
–A
cceso preferente al Programa de Incubación F10
–R
elación con F10 para el acceso al Programa de Aceleración
–A
cceso a la red global de aceleración que incluye todos nuestros hubs: Zürich,
Singapur y España
10 11
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Alumnos Destacados
ALVARO GALIÑANES FRANCO (4ª EDICIÓN) JAVIER RIAÑO SIERRA (3º EDICIÓN)
Director de inversiones de Santander Private Banking Gestión Socio fundador Diaphanum Valores SV. Quant AI Developer
Con más de veinte años de experiencia en mercados financieros he trabajado en El máster ha superado claramente mis expectativas y son varios los aspectos que
diferentes áreas como gestor de patrimonios y analista macro. En la actualidad, trabajo destacaría del mismo:
en Santander Private Banking Gestion con un equipo de más de 47 personas entre
gestores y contratadores. Soy el Director de Inversiones de una unidad que administra
un volumen de más de 11 mil millones de euros, entre carteras discrecionales, Sicav’s y Estructuración
carteras industrializadas. Desde los primeros módulos introductorios orientados a la programación en Python
y R hasta los módulos finales en los que se aprenden los modelos más complejos de
Para desarrollar mi actividad profesional he utilizado muchos de los instrumentos redes neuronales profundas, se ha cuidado al máximo la conexión entre todos ellos,
tradicionales para la gestión. Herramientas plenamente válidas y con las que vamos a procurando que el alumno adquiera un conocimiento estructurado y ordenado de
tener que seguir trabajando. Sin embargo, en el mundo de las inversiones estamos en toda la materia. Ahora veo la evidente conexión entre las arquitecturas Cloud, el Big
el albor de un cambio muy profundo en la manera de hacer las cosas. Data y los modelos de Machine o Deep Learning que hace un año eran conceptos
inconexos para mí.
Si bien los algoritmos de inversión hace años que se aplican a través de distintos
instrumentos, con mayor o menor éxito, se está viviendo una revolución tecnológica
con el descubrimiento y la aplicación de nuevos modelos de predicción basados en Exigencia y Rigurosidad
procesos cada vez más complejos: Big Data, Deep Learning o Computación Cuántica Es un máster exigente en el estudio y trabajo requerido por la cantidad de materia y
son buenos ejemplos. por la rigurosidad del trabajo científico. No solo les importa el “para qué sirve esto”,
sino el por qué funciona o no funciona. La metodología seguida es robusta desde un
Hemos pasado de modelos primigenios que basaban sus recomendaciones en poco punto de vista científico.
más que el estudio y análisis del comportamiento del precio de las acciones, a modelos
capaces de analizar millones de parámetros y optimizar sus relaciones (lineales y no
lineales), aplicándolas con éxito en la gestión, o el asesoramiento. Profesorado
El equipo docente es de alta calidad. En lugar de piezas sueltas, destacaría su
A modo de ejemplo, las redes Transformer, usadas en el procesamiento lenguaje funcionamiento como eslabones de una cadena bien engrasada.
natural, pueden emplearse para analizar el sentimiento e impacto que una noticia
tendrá en el mercado. El Reinforcement Learning nos permite a su vez el aprendizaje
continuo. Comprendiendo los gustos, conocimientos y aversión al riesgo de los Contenido
clientes, a través de la mera interactuación con el usuario. O extrapolar las reglas del Por último, el propio contenido del máster es tremendamente atractivo, no solo
entorno en el que opera, adaptándose instantáneamente al mercado. por gusto personal, sino por ser de rabiosa actualidad y porque la demanda de
profesionales con estos conocimientos es muy elevada y no hay un número suficiente
Sin embargo, para aplicar cualquier metodología resulta imprescindible conocer bien de gente preparada.
“las cocinas”, para aplicar uno mismo las nuevas técnicas o entender bien lo que a uno
le están vendiendo. Ya sea para el asesoramiento, o para la inversión, el mundo de
las finanzas ya está empezando a aplicar algoritmos con inteligencia artificial. En un
breve espacio de tiempo será imprescindible conocer bien qué son y cómo funcionan.
A este respecto, para estar preparado en la revolución financiera, por la calidad de los
ponentes, por el rigor de las materias, el nivel de exigencia y la amplitud y profundidad del
temario, el Master de Inteligencia Artificial Aplicado a los Mercados Financieros, impartido
por BME, es el referente en la industria.
12 13
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Comencé esta formación tras ver que la demanda de per files con
conocimientos de programación aumentaba cada día. Lo bueno, y lo malo,
que tienen las finanzas es que los principios y procedimientos aplicados no
han sufrido grandes modificaciones. Puedes cogerte un libro de valoración
de activos de hace décadas y sacarle mucho provecho. Ahora, por fin, se
avecina una revolución, y este máster es la forma de poder asegurarte un
papel relevante en este nuevo futuro.
14
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Alumnos Destacados
SARA DÍAZ-P. MARTÍN (1ª EDICIÓN) CELSO OTERO GARCÍA (6ª EDICIÓN)
Gestora Patrimonial en Bolsa con Inteligencia Artificial Responsable Departamento Inteligencia Artificial Renta 4 Banco
Directora de Inversia500. Profesora de Finanzas El máster ha marcado un antes y un Llevo en torno a 20 años en el mundo financiero desempeñando dis tintas
después en mi carrera profesional. Me dedico a la gestión patrimonial de empresas tareas, análisis, gestión de fondos, desarrollo de productos, etc. En este
y cuando decidí hacer el máster no tenía idea alguna de programación. A día de hoy, período, la fo rma de desempeñar el trabajo ha sufrido una evolución con-
he dado un salto de calidad desarrollando algoritmos de inversión a diario. Tanto es stante.
así, que conseguí programar mi propio recomendador de acciones, el cual publico
diariamente en mi blog La capacidad de desarrollo de proyectos o de análisis se ha visto limitada
profesional “Inversia500”, además de diversas estrategias para operar en Bolsa. Todo por dos barreras, la capacidad humana y la capacidad de computación. Esa
programado al 100% con técnicas aprendidas en el máster. Para mí, los aspectos más fue la razón primigenia de buscar nuevas herramientas para poder afron-
importantes fueron: tar nuevos retos. Inicié mi formación en la materia de forma autodidacta,
lo cual me resultó un camino lento y arduo, ya que carecía de una visión
completa de la materia, por lo que opté por estudiar este máster, el cual
Temario me pareció que tenía un contenido muy completo.
Durante el máster se imparte un amplio contenido actualizado donde se aprende
absolutamente todo lo necesario para el desarrollo de algoritmos de inversión e, incluso, La realidad, superó las expectativas. Vimos, no solo el contenido más pun-
de otros ámbitos donde se puede crecer. Lo que más utilizo en mi día a día es, a grandes tero, si no su explicación desde la base, lo que proporciona una importante
rasgos, Python, Redes Neuronales y Cloud. visión para poder generar nuevas ideas. El máster exige una elevada dedi-
cación, el temario es extremadamente extenso, pero muy bien explicado
por un gran equipo docente, el cual no sólo da una visión teórica, sino que
Dedicación está acompañado de un enfoque tremendamente aplicable.
Sin duda, este máster requiere de una dedicación plena por parte del alumno. Sin
aplicar los conceptos que se van aprendiendo en el día a día, es imposible sacarle Todo lo aprendido de Machine Learning, aprendizaje por refuerzo, procesa-
partido. Es necesario que el alumno se implique al cien por cien, aunque a la vez esté miento del lenguaje natural, uso de la nube y demás temario, ya se han tra-
trabajando, como era mi caso. ducido en distintos proyectos realizados por el equipo de inteligencia arti-
ficial, que Renta 4 Banco ha formado a raíz de este máster.
Profesores
Profesionales de primer nivel, que se dedican a la programación y que te cuentan cómo
es el desarrollo real de algoritmos, con todas sus complejidades y formas de aplicación.
Compañeros
El buen rollo de la clase se contagia, es un año muy intenso donde además de
conocimiento, te llevas compañeros del mismo gremio con los que te ayudarás
siempre. Por todo ello, mi experiencia fue más que positiva. Este máster te proporciona
ese rasgo diferenciador que tan demandado es actualmente por las empresas del
sector. Sin duda, lo recomiendo.
16 17
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Programación
Visión General de la inteligencia Artificial & MIAX Fundamentos de programación en Python Sesion IV
– Origen de la inteligencia artificial (IA) – Editores y flujo de trabajo
– Aplicaciones y estado actual: últimas novedades – Procesamiento en paralelo con multiprocessing:
– Principios y conceptos fundamentales de la IA Itertools
– Alineación de objetivos e introducción al mIA-X – Visualizaciones interactivas con interact
– Otras librerias y documentos
mIA-X
Fundamentos de programación en R Sesión II
– Matrices y factores Fundamentos de programación en Python Sesion VII
– Listas y data frames – Programación orientada a objetos
– Creación de API Rest
Fundamentos de programación en R Sesión III
– Gestión de datos (importación y guardado)
– Limpieza y manipulación
– Selección, filtrado, agrupación y estadísticos
20 21
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
– Obtención del histórico de un índice y su vender, en qué cuantía y a qué precio, mañana – Fiscalidad de los Productos Financieros en el Impuesto Optimización. Sesión III
composición: Yahoo Finance – Algoritmos avanzados: Demostración de algoritmos sobre Sociedades – Búsqueda eurística: modelado de espacio de estado,
desarrollados por BME búsqueda no informada
Diseño de algoritmos de inversión. Sesión II Derecho aplicado sesión I – Búsqueda local estocástica: modelado de espacio de
– Limpieza de datos EXAMEN LICENCIAS – Marcos jurídicos de la Inteligencia Artificial en Europa, soluciones
– Homogeneización de datos de renta variable (teoría online por la mañana y práctica EEUU, Asia y oriente
– Ajuste de datos en renta variable: Detección y anulación presencial por la tarde) – Automatización e impuestos Proyecto. Sesión I.
de Splits y ContraSplits – Responsabilidad asociada a sistemas de inteligencia – Propuesta de ideas por parte de los alumnos
Backtesting avanzado de Algoritmos de artificial (i) – A nálisis de las ideas presentadas por los alumnos
Diseño de algoritmos de inversión. Sesión III Inversión. Sesión I – Las figuras del operador/productor/ y sus implicacio – Propuesta de ideas por parte del profesorado MIAX
– Análisis de rendimiento: Detección de cuellos de botella – Métricas y niveles de evaluación nes legales
y búsqueda de mejoras – Fallos y sesgos en el backtesting – El caso de sistemas de aprendizaje autónomo y los ca
– Cálculo de la Beta y el Alpha de Jensen sos de aprendizaje online y offline
– Optimización del Alpha Backtesting avanzado de Algoritmos
– Ratios de Sharpe, Treynor, Sortino y ratio de información de Inversión. Sesión II Derecho aplicado. Sesión II
– Esquemas de validación – Responsabilidad asociada a sistemas de inteligencia
Diseño de algoritmos de inversión. Sesión IV – Datos sintéticos y simulación de escenarios artificial (ii)
– Cálculo de la frontera de Markowitz – El Nuevo Reglamento de Inteligencia Artificial
– Resolviendo el problema de la generación de la frontera Modern Portfolio Theory and beyond. Sesión I – Marco jurídico asesoramiento / algoritmos de inver-
con más de 30 activos – Fama y French: modelo de los tres factores sión / MIFID II
– Optimización temporal en problemas de programación – Impacto de la forma de la matriz de covarianzas – Requisitos asociados a los algoritmos de alta y baja
exponenciales – A signación de pesos frecuencia
– Resolución del problema con 70.000 activos – Benchmark de la industria a batir 60/40 – Trazabilidad y responsabilidades asociadas
– Modificaciones de la matriz de covarianzas – Protección de datos
Diseño de algoritmos de inversión. Sesión V
– Sesgo Look-Ahead Modern Portfolio Theory and beyond. Sesión II Derecho aplicado. Sesión III
– Sesgo de supervivencia – Risk parity – Abuso de mercado
– Sesgo de selección – Hierarchical Risk parity – Qué es abuso de mercado
– Presunción de ejecución – Inverse vol – Principales Obligaciones en materia dedel Abuso de
– Prueba de aleatoriedad: diseño y asignación – Kalman Filter Mercado
– Construcción de un benchmark sintético – Kelly Criterion – Blanqueo de capitales
– Taller de gestión – Qué es el blanqueo de capitales
Diseño de algoritmos de inversión. Sesión VI – Sujetos obligados y organismos implicados en la
– Selección de activos: Qué comprar y cuando Algoritmos de mejor ejecución gestión de la PBC/FT
– Cálculo de los precios objetivos de compra y venta – Impacto de mercado vs riesgo de mercado – Regulación y normativa relacionada
– Tipología de órdenes avanzada: OCO, OSO, Bracket, – Blockchain
Diseño de algoritmos de inversión. Sesión VII Ghost, Pegged, Trailing Stop – Las STOs e ICOs
– Parámetros dinámicos – Desarrollo con series temporales de microsegundos – Pilot Regime
– Creación de un sistema dinámico de selección de – Simulación de un libro de órdenes, profundidad del li – MiCA
activos para comprar bro, prioridad precio-tiempo.
– Creación de un sistema dinámico de selección de – VWAP, TWAP, POV, Smart Order Routing Optimización. Sesión I
activos para vender – Lineal: modelado de problemas con restricciones
– Creación de un sistema dinámico de ventanas Fiscalidad – Cuadrática: modelado de problemas, alternativas y
temporales para realizar los cálculos – La economía, la recaudación tributaria y la presión fiscal transformaciones
– Asignación de recursos – El perímetro Tributario: visión general de los Impuestos – Identificación de arbitraje
– Diseño de un sistema de asignación de recursos en – Fiscalidad del Trading en el IRPF
función de la probabilidad de ocurrencia – Estructura del impuesto Optimización. Sesión II
– Generación de un ranking de asignación de recursos – Ganancias y pérdidas Patrimoniales en el IRPF – Programación entera mixta
por activo – La norma antiaplicación – Modelado de condiciones lógicas
– Rendimientos del Capital Mobiliario – Algoritmos y técnicas de resolución
Diseño de algoritmos de inversión. Sesión VIII – Los dividendos – Programación de restricciones globales
– Generación de recomendaciones: Qué comprar, qué – Fiscalidad de los Productos Financieros en el IRPF
22 23
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
MÓDULO III (100 HORAS) Azure. Sesión I – Cassandra / ScyllaDB (BBDD NoSQL)
INFRAESTRUCTURA CLOUD PARA BIG DATA – Administración de datos: Azure Storahe
– Repositorio de datos: Azure Data Lake Store Técnicas de visualización. Sesión I
SQL, herramientas y Máquinas Virtuales – Introducción a HTML
– SQL Azure. Sesión II – Introducción a CSS
– Entornos de desarrollo Integrado (IDE) – Apoyo a la toma de decisiones: Data Lake Analytics – Introducción a Flask
– Compilado vs. Imperativo – Almacenamiento a gran escala: Data Warehouse – Gráficos interactivos con Plotly
– Conceptos de API: REST – Integración de datos híbridos (ETL/ELT): Data Factiry – Interfaces interacticas con Dash
– Comunicación: HTTP y HTTPS – Despliegue de aplicación web a AWS,
– Máquinas virtuales: qué son y asignación de recursos Azure. Sesión III Google Cloud y Azure
– Cloud as a Service – Servicio de análisis de macrodatos en código abierto:
Azure HDInsight Taller con entornos IA en nube. Sesión I
Principios de desarrollo – Creación de clústeres oprimizados para: Haddop, Spark, (Google Cloud)
– Introducción a GIT Hive, Hbase, Storm, Kafka y Microsoft R Server – Obtención de datos externos ETL
– Introducción a la Terminal – Justificación de la arquitectura desplegada
– Python Virtual Enviroments Azure. Sesión IV – Implementación de algoritmo de inversión
– Cronjobs – A zure Machine Learning: Desarrollo de algoritmos – Escalabilidad
– Variables de Entorno de inteligencia artificial – Evidencias, trazabilidad
– Conceptos Básicos de Redes: OSI, puertos, – Despliegue en Google Cloud
protocolo ip, etc. Amazon AWS. Sesión I
– Introducción a AWS Taller con entornos IA en nube. Sesión I
Docker y kubernetes – Máquinas virtuales en AWS: EC2 (Microsoft Azure)
– Desarrollo de APIs en python con Fast API – Desarrollo en remoto con vscode y SSD – Obtención de datos externos ETL
– Docker – Despliegue en un API en EC2 – Justificación de la arquitectura desplegada
– Desarrollo desde docker en vscode – Implementación de algoritmo de inversión
– Kubernetes Amazon AWS. Sesión II – Escalabilidad
– Almacenamiento S3 – Evidencias, trazabilidad
Google. Sesión I – Funciones Lambda – Despliegue en Microsoft Azure
– A nalítica de datos: visión end-to-end de – Registro de imágenes docker en AWS ECR
todos los servicios – Funciones Lambda con Docker Taller con entornos IA en nube. Sesión I
– Collect: pub/sub, datastream – Despliege de imagenes docker en AWS EC2 (Amazon AWS)
– Process: dataflow, Dataproc (spark) – Despliege de imagenes docker en AWS ECR – Obtención de datos externos ETL
– Store: GCS, BigQuery, BigTable – Despliege de imagenes docker en Amazon Lightsail – Justificación de la arquitectura desplegada
– Analyze: BigQuery SQL, Dataproc (spark) – Kubernetes en AWS – Implementación de algoritmo de inversión
– Activate: Looker, DataStudio – Escalabilidad
Amazon AWS. Sesión III – Evidencias, trazabilidad
Google. Sesión II – Filosofía Devops – Despliegue en Amazon AWS
– BigQuery ML integrado con tensorflow – Acciones de Github
– Dataproc (spark) – DevOps AWS Lambda Proyecto. Sesión II
– DevOps AWS EC2 y ECR – Defensa de las propuestas definitivas de TFM
Google. Sesión III por parte de los alumnos
– Herramientas de desarrollo data scientist (vertex) Amazon AWS. Sesión IV – Asignación de tutores
– Visión & video – Bases de Datos Relacionales en AWS: RDS – Evaluación preliminar de las propuestas
– Conversation – AWS Athenea por parte de F10
– Language – Bases de Datos NoSQL en AWS: Dynamo
– Structured data – A pache Spark en Amazon EMR
24 25
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
MÓDULO IV (260 HORAS) – Aprendizaje con datos transversales vs temporales Keras Redes convolucionales. Sesión IV
APRENDIZAJE MEDIANTE DEEP LEARNING – Modelos auto-regresivos – Regularización – Robustez de las redes
– Validación de ventanas deslizantes – Inicialización de los pesos – Adversarial examples
Algoritmos genéticos – Batch normalization – Ataques basados en perturbaciones de entradas:
– Función objetivo Machine Learning. Sesión III – Otras técnicas de optimización one pixel-attack
– Estrategias de selección – Modelos de clasificación Bayesianos – Métodos de segundo orden – Métodos de entrenamiento adversarial:
– Cruzamiento – Regresión Logística evolución diferencial (DE)
– Mutación – Otros modelos: LDA, SVMs Optimización de Hiperparámetros – A plicaciones en generación de modelos robustos
– Reemplazo generacional – Meta-clasificadores: Bagging, Boosting y Stacking – Métricas de evaluación
– Optimización de carteras de inversión – Random Forest – Validación cruzada Redes recurrentes. Sesión I
– Grid search – Redes con memoria
Algoritmos enjambre (sistemas multi-agente). Sesión I Machine Learning. Sesión IV – Keras Tuner – El problema de las dependencias a largo plazo
– Algoritmo de manada – Técnicas de clustering: K-Means y K.medoids – HParams dashboard – Redes LSTM en Tensorflow y Keras
– Algoritmo de construcción de las termitas – Técnicas aglomerativas – Introducción a pyTorch – Variantes de LSTM
– Colonia de hormigas – Reducción de dimensionalidad: PCA
– Construcción del entorno – Detección de Anomalías Redes de Kohonen Redes recurrentes. Sesión II
– Selección del camino – Redes competitivas no supervisadas – Backpropagation truncada
– Cantidad de feromona Machine Learning. Sesión V – Mapas autoorganizados 2D – Acumulando LSTM
– Evaporación – Relevancia de características – Mapas autoorganizados 3D – LSTM bidireccionales
– Poda de la solución óptima – Aproximaciones para tareas de ranking – Resolución del problema del viajante con redes auto- – F orecasting con LSTM: time series, secuencias y pre-
– Aprendizaje multi-etiqueta organizadas dicciones
Algoritmos enjambre (sistemas multi-agente). Sesión II – Aprendizaje semi-supervisado
– Algoritmo de la colonia de abejas (ABC) Sagemaker Procesamiento de lenguaje natural. Sesión I
– Algoritmo de crecimiento bacteriano Redes neuronales. Sesión I – Entrenamiento de modelos con Sagemaker – Corpus y stopwords
– Algoritmo de manada – Introducción – Hyperparameter Tuning – Modelos Word to Vector. Representación del lenguaje.
– Algoritmo del enjambre de partículas (PSO) – Entorno de trabajo – Tensorflow y Pytorch en Sagemaker – Modelos en NLP y Sequential to Sequential models
– Construcción de entornos financieros – Conceptos básicos – Despliegue de modelos – Bucketing & Padding
– Introducción al ML
Algoritmos enjambre (sistemas multi-agente). – Regresión lineal Redes convolucionales. Sesión I Procesamiento de lenguaje natural. Sesión II
Sesión III – Descenso por gradiente – Construcción en Tensorflow – Aprendizaje supervisado en NLP. Definición del dominio
– Familia de algoritmos PSO – Tamaño del kernel del lenguaje
– Análisis de incertidumbre en la toma de decisiones Redes neuronales. Sesión II – Tamaño del paso y padding – Name Entity Recognition. Detección de entidades
– Aplicación de PSO en la optimización de carteras – Regresión logística – Maxpooling y aplicación en finanzas
– Modelos no lineales – Número de filtros y características – Clasificación de texto. Titulares, reportes, noticias.
Lógica difusa – Introducción a las redes neuronales – Dropout – A nálisis de Sentimiento con Tensorflow. Noticias
– Conjuntos difusos y grados de pertenencia – Redes neuronales feedforward y Redes Sociales.
– Operadores difusos –Implementación de una red neuronal (parte forward) Redes convolucionales. Sesión II
– Creación de reglas – Construcción en Keras Procesamiento de lenguaje natural. Sesión III
– Fuzzificación Tensorflow. Sesión I – Optimización del kernel – Transfer learning en NLP. TensorFlow Hub.
– Defuzzicación – Regla de la cadena de la derivada – Optimización del paso y padding –Estado del arte. Modelos pre-entrenados BERT, ELMO.
– Aplicación al rebalanceo de estrategias – Retropropagación – Maxpooling – Re-entrenamiento de los modelos pre-entrenados para
– Implementación de una red neuronal (parte backward) – Optimización del filtros y características tareas especificas
Machine Learning. Sesión I – Introducción a TensorFlow – Dropout
– Diseño del objetivo de aprendizaje – Diferenciación automática con TensorFlow – Redes 1D, 2D, 3D Procesamiento de lenguaje natural. Sesión IV
– Análisis exploratorio de variables – Capas de atención
– Generación de características Tensorflow. Sesión II Redes convolucionales. Sesión III – Modelos con atención
– Aprendizaje basado en instancias (K-NN) – Implementación de una red neuronal con TensorFlow – Medidas de distancia entre imágenes – Introducción a los modelos transformer
– Árboles de decisión – Entrenamiento de una red neuronal – Redes siamesas y filtrado de imágenes basado en con-
– Diseño experimental: Entrenamiento y Validación – Descenso por gradiente estocástico tenido (CBIR) Procesamiento de lenguaje natural. Sesión V
– Función de coste – Aprendizaje de representaciones por CNN – Modelos transformer avanzados
Machine Learning. Sesión II – Función de activación – A plicaciones en búsqueda de imágenes – Generative Pre-Training: GPT models
– ML para series temporales – Tensorboard – PaLM, Chinchilla, Flamingo, Minerva, Gato
26 27
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Modelos generativos. Sesión I – Métodos basados en IA: XGBOD (Extreme Boosting Aprendizaje por refuerzo. Sesión IV
– Introducción y teoría Based Outlier Detection), Deep Autoencoders – Algoritmos basados en políticas
– Reducción de dimensionalidad y factores. PCA – Actor Critics (A2C, A3C)
– Aplicación a series de Bolsa Modelos gráficos probabilísticos
– Concepto de independencia Preparación para la certificación de
Modelos generativos. Sesión II – Independencia condicional desarrollador en TensorFlow
– Autoencoders. Modelos no lineales – graph neural networks – Environment setup
– Maximum likelihood y GMM – geometric neural networks – Habilidades de los desarrolladores en TensorFlow
– Generación de cotizaciones de bolsa con PCA + GMM – Construir y entrenar una red neuronal usando Tensor
– GANs, modelos de difusión y modelos condicionados Aprendizaje justo (fair learning) Flow 2.x
– Métodos de ajuste de modelos mediante – Clasificación de imágenes
Modelos generativos. Sesión III aprendizaje justo – Procesamiento de lenguaje natural (NLP)
– Modelos generativos profundos – Teoría de la información – Series temporales, secuencias y prediccione
– Variational autoencoders (VAE) – Dependencia usando métodos kernel
– Dependencia usando Gaussianización multivariada Aprendizaje por refuerzo. Sesión V
Modelos generativos. Sesión IV – Repaso práctico de los componentes de un
– Generative adversarial networks (GAN) Explainable Artificial Intelligence (XAI) sistema de RL
– Modelos generativos recurrentes – Métodos de ingeniería inversa – Introducción a la creación de entornos
– Normalizing Flows – XAI en deep learning – Factores a considerar en el diseño de tus algoritmos
– Herramientas de XAI – Aplicación de RL a algoritmos de inversión
Sistemas de recomendación – Features y heatmaps
– Clusterización de perfiles y activos Aprendizaje por refuerzo. Sesión VI
– Sistemas de generación y asignación de Incertidumbre en redes neuronales y su aplicacion en – Creación de entornos. Taller I
recomendaciones bolsa – Exposición del caso práctico.
– TensorFlow Recommenders – Medidas de incertidumbre Algoritmos de ejecución
– Sistemas basados en similitud, – Transferencia de incertidumbre a traves de las redes – Resolución del problema. Planteamiento teórico
– Sistemas basados en factorización – Prediccion de incertidumbre con redes neuronales – Desarrollo por equipos de un algoritmo de RL
– Sistemas basados en deep-learning – Redes Bayesianas aplicado a finanzas: primera parte
Aprendizaje por transferencia Tipología de neuronas y redes (zoo) Aprendizaje por refuerzo. Sesión VII
– Inception V3, VGG16, Resnet, Bert – Tipos de neuronas y tipos de redes – Creación de entornos. Taller II
– Reutilización de modelos – Modelos funcionales con Keras/Tensorflow – Desarrollo por equipos de un algoritmo de RL
– Concatenación de modelos – Uso de datos de distinta naturaleza con redes aplicado a finanzas: segunda parte
– Solventando el problema de rotaciones – Seleccion de arquitectura y entrenamiento de redes
– Solventando el problema de escalado neuronales en la práctica Research with Google: más allá de
– Mejora de redes convolucionales y generativas Tensorflow con Keras
Aprendizaje por refuerzo. Sesión I – Pipelines productivas con Tensorflow extended (TFX)
Redes de gran tamaño – Procesos de decisión de Markov – Tensorflow on the edge: Lite y JS
– Resnet 101 - 152 – Algoritmos de aprendizaje – Recommenders, GNNs, TFText, Decision Forests, TFA
– Solventando el desvanecimiento del gradiente – Function approximation gents para RL y aprendizaje federado
– Redes de cápsula – Q-learning – TFBoard, What if tool, TFHub
– Redes Yolo – Using Deep Learning to Annotate the Protein Universe
Aprendizaje por refuerzo. Sesión II – Minerva for Quantitative Reasoning Problems
Detección y análisis de anomalías – Doble Q-learning – Discovering novel algorithms with AlphaTensor
– Tipos de anomalías: puntuales, contextuales, colectivas – SARSA – Generative Agents: Interactive Simulacra of Human Be-
– Métodos Lineales: PCA, MCD, LMDD, One-class SVM – Métodos de búsqueda havior
– Métodos por proximidad: Local Outlier Factor, – TF Quant Finance
Histogram-based Outlier Score Aprendizaje por refuerzo. Sesión III – AlphaCode
– Métodos probabilísticos: Angle-Based Outlier – Automated machine learning
Detection, Stochastic Outlier Selection – Selección de modelos EXAMEN DE CERTIFICACIÓN:
– Métodos basados en ensembles: Isolation Forest, – Búsqueda de arquitecturas DESARROLLADOR EN TENSORFLOW
Feature Bagging, LSCP, LODA – Full pipeline optimization
28 29
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
30 31
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
32 33
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
TFM Destacados Más allá del reto intelectual que ha supuesto, el aprendizaje ha sido enorme puesto
que no solo hemos desarrollado capacidades relacionadas con la inteligencia artificial
y el machine learning, sino que hemos aprendido a utilizar y poner un producción es-
Una pregunta recurrente en los alumnos potenciales es “¿Qué voy a ser tas herramientas en entornos cloud, donde todos estos procesos utilizan computación
capaz de hacer una vez termine el máster?” Para contestar esta pregunta, lo mejor en paralelo y en general una estructura SAS en lugar del tradicional enfoque de servi-
dores locales.
que podemos hacer es dejar hablar a nuestros antiguos alumnos.
A pesar de que todo el proyecto de TFM requirió un esfuerzo muy importante, la recom-
pensa del mismo ha sido algo real y tangible: una empresa (https://www.ironia.tech/)
JAVIER RIAÑO – Implementar una estrategia de inversión basada en aquellos fondos con mejor Hemos sido apaces de extraer, utilizando herramientas de Inteligencia Artificial y Big
puntuación en el ranking. WALTER SÁNCHEZ Data, datos satelitales sobre la evolución de la absorción de carbono en las distintas
CEBALLOS regiones forestales del planeta. Al unir esta información con datos económicos y
El establecimiento de un ranking se puede realizar de multitud de formas. Lo habitual energéticos, utilizando como fuente organismos multilaterales reconocidos, nació
es encontrar este tipo de análisis basado en alguna característica pasada, por ejemplo, nuestra empresa.
la rentabilidad. El problema de estas metodologías simples es que solo se centran en
lo que ha ocurrido en el pasado y no buscan tener capacidad de predicción. Usar el Resultados:
pasado como herramienta predictiva confunde causas con consecuencias, ya que la
rentabilidad pasada es una consecuencia, no una causa de rentabilidad futura. – En cuanto al índice se refiere, se ha conseguido poner en valor a losbosques de todo
el mundo, no solo por el precio intrínseco de la madera como commodity, sino por su
Nuestro TFM buscaba establecer un ranking donde lo que se premiara fuera aportación a la descarbonización del planeta.
la capacidad de predicción sobre si un fondo en concreto, tendría un mejor
comportamiento que otro, en el siguiente periodo de 12 meses. – A través de procesos de Inteligencia Artificial somos capaces de predecir, con un
elevado grado de exactitud, el comportamiento del índice (el cual relaciona la
Con es t a idea des arrollamos multitud de c arac terís tic as descripti vas de ERNESTO capacidad real de absorción de carbono de una zona, con su producción energética
comportamiento buscando, con redes neuronales, si cualquier combinación de estas BERMUDEZ DE y económica) a un horizonte de 5 años vista.
características pasadas se podía convertir en una señal predictiva de comportamiento CASTRO
futuro. Para ello, probamos varias arquitecturas de red y multitud de combinaciones La realización de este proyecto ha supuesto un antes y un después en nuestras carreras
de parámetros de entrenamiento. Planteamos y replanteamos el problema varias profesionales, ya que no solo nos ha brindado la oportunidad de descubrir el potencial
veces con la ayuda inestimable de nuestro tutor Alberto Oteo. Hasta que finalmente de la Inteligencia Artificial en campos tan diversos como la sostenibilidad y el medio
conseguimos resultados alentadores y que, sobre todo, han dado pie a la creación de ambiente, permitiendo relacionarlos también con la economía mundial. Sino que en la
un proyecto empresarial real llamado IronIA Fintech, donde ofrecemos la mayor plat- actualidad, nos encontramos en fase de desarrollo empresarial, a través del programa
aforma de fondos para cliente retail, con herramientas de ayuda para la selección de de incubación de la aceleradora F10.
fondos basadas fundamentalmente en el TFM anteriormente descrito.
34 35
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
36 37
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Para entender bien la principal motivación de este trabajo hay que remon-
tarse a finales del siglo XIX, cuando Santiago Ramón y Cajal descubrió que
la parte fundamental del cerebro son las neuronas: esas células que trans-
miten entre sí impulsos eléctricos formando un complejo circuito del que
resulta lo que somos, lo que sentimos y lo que pensamos. El cerebro es el
resultado más sofisticado y misterioso el universo conocido, y es precisa-
mente en nuestro intento por imitar su comportamiento, donde nace la
idea de las redes neuronales.
38
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Ejemplo de Práctica
Una pregunta recurrente en los alumnos potenciales es
“¿qué se me va a exigir en las prácticas?, ¿cómo es una práctica?”
– Los inversores (cromosomas) deben poder generar carteras con un número variable Se pueden elegir distintas opciones para el problema dependiendo de como orden-
de activos. Estableceremos el mínimo en 1 activo y 20 en el máximo. El número de a emos los datos (TimeSeriesForecaster, Structured Data Regression, Image regression…)
tivos debe poder modificarse entre generaciones, sin caer en extremos (que siempre ¿Cual piensas que es mejor y por qué?
salgan carteras de 1 activo o de 20). Debemos pensar un sistema coherente, para re-
solver este punto. Intenta que el tiempo de entrenamiento sea el mismo que ha utilizado Talos en el ejer-
cicio anterior. Compara el rendimiento del modelo obtenido por Auto-Keras con el del
– El método de selección de padres no parece, a priori, problemático, pero el cruce y modelo encontrado por Talos.
la mutación sí. ¿Cómo va a heredar el hijo la información genética de los padres? Aquí
tenemos un triple problema a resolver:
EJEMPLO 4.
– ¿Cuál es el número de activos que hereda un hijo de dos padres? Si un padre tiene Mediante el dataset Financial PhraseBank, construir un clasificador de sentimientos
5 activos y el otro 7 (distintos entre sí), ¿cuántos activos tendrá el hijo? Debemos con las siguientes técnicas.
pensar en el punto primero. El hijo no puede tener un número de activos creciente
en cada generación. El sistema tiene que ser dinámico, creciente y decreciente, re- – Redes recurrentes con capas de atención
spetando los límites de 1 y 20. – Redes recurrentes con convolucionales
– Transformers.
– ¿Qué porcentaje de inversión hereda cada activo para que sume 100%? Debemos
permitir la construcción de carteras donde unos pocos activos (1 o 2) se lleven un Comparar, sobre test, los resultados de vuestro modelo con algún modelo de análisis
po centaje muy elevado del capital disponible, para explorar todas las soluciones. de sentimiento ya implementado. Por ejemplo, nltk
Reescalar los pesos no es una solución aceptable.
Se evaluarán los resultados en función:
– La evolución, en este problema no puede limitarse a selección y cruzamiento o – De la distancia al benchmark objetivo 0.86 acc (alldataset) y 0.98acc(allagree)
caeremos rápidamente en un mínimo local. Debemos encontrar un sistema que – La complejidad de la solución (embeddings utilizados y entrenados)
equilibre la selección con la exploración, si queremos encontrar la cartera óptima. – La explicación del proceso
40 41
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Ponentes Colaboradores
Nombre Responable de Más Información
42 43
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
44 45
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Computer Engineer. Especializado en entornos cloud Arquitecto Senior Multinube y Data Engineer
Luis Velasco Ingeniero Cloud en Google Alberto Valencia Carrasco CTO en Cartagon
y sistemas multiagente. Certificado en Google Cloud.
46 47
Instituto BME | mIA-X – Máster en Inteligencia Artificial y Computación Cuántica Aplicada a los Mercados Financieros
Entidades Colaboradoras
durante la Formación
Entidades financieras: Inteligencia artificial:
– CNMV – Google
– Santander
– BBVA Computación cuántica:
– Diaphanum – IBM
Si has seguido la evolución del máster a lo largo de las ediciones, habrás comprobado
que el temario evoluciona constantemente. Nuevos bloques han sido añadidos, como
blockchain o computación cuántica, y otros se han ido incrementando en horas según
surgían nuevas tecnologías, como las redes XAI o las redes Transformer…
Por ello, el objetivo de este programa es mantener la relación con los alumnos
egresados del máster, proporcionándoles un lugar donde:
– Actualizar conocimientos, según evoluciona el contenido del máster
– Establecer contactos con alumnos de otras promociones, en eventos recurrentes
48 49
BME
Plaza de la Lealtad, 1
Palacio de la Bolsa
ES- 28014 Madrid
T + 34 91 589 12 22
T + 34 91 589 12 17
T + 34 649 19 22 75
www.institutobme.es
institutobme@grupobme.es
© BME – 05.2023
50