Descripción

***************************************************************************************************************

t[0] - Primeros Scripts

****************************************************************************************************************


Temas de este tomo: Primeros Scripts

Fundamentos de la programación, lenguajes ¿por qué python?
Primeros pasos en la instalación de python y sus librerías
Primeros scripts básicos
Uso de librerías nativas de python
Variables, tipos, estructuras de datos listas, tuplas, diccionarios
Flujo de un algoritmo
Excepciones: Try Except
Condicionales
Condicionales concatenados y anidados
Ciclos finitos e infinitos



La serie "Python para Finanzas Quant" está dirigida a personas que quieren aprender Python desde 0 y poder entender de a poco este interesantísimo mundo de la inteligencia artificial, la BigData y todo el campo de DataScience en sí. El contenido está enfocado en temas de inversiones bursátiles, y el uso de herramientas de análisis cuantitativo (matemáticas y estdísticas) mediante el uso de python

Si bien repasamos a lo largo de toda la serie una infinidad de temas de estadística descriptiva, inferencial, álgebra lineal, análisis matemático, sucesiones y series, en realidad no son libros de matematica, sino que simplemente se apoyan en ellas e intentamos explicarlo en forma muy sencilla para todos aquellos que no son del campo de las ciencias duras pero que quieren aprender a explotar este tipo de herramientas de análisis

No es para nada una colección de libros para programadores, ni es necesario ningún nivel previo en programación, ya que arrancamos del supuesto que el lector es alguien que jamás en su vida programó nada, y vamos construyendo de a poco el conocimiento en estos pilares de la programación y las herramientas matemáticas paso a paso y siempre apoyados en ejemplos de aplicación real en el campo financiero de las acciones, bonos, opciones, futuros, derivados, sintéticos, análisis técnico, análisis fundamental, ratios, indicadores de riesgo y retorno, indicadores de análisis técnico, gráficos de velas, morfología de velas, soportes, resistencias, medias móviles, osciladores y todo tipo de herramienta de análisis clásico pero llevados al enfoque quant.



********************************************************************************************************

Tomos de la colección ya disponibles:


• t[0] Primeros Scripts: Introducción a Python y entornos de desarrollo recomendados. Estructuras de datos y variables. Estructuras lógicas básicas, ciclos y estructuras lógicas más complejas, concatenadas y anidadas

• t[1] DataFrames: Uso intensivo de la librería Pandas, estructuras de datos matriciales en formato de tablas, importación y exportación de datos con Excel y Python. Uso de funciones estadísticas con Pandas

• t[2] Matplotlib: Gráficas en Python, gráficas de líneas, gráficos financieros de velas, gráficas de columnas, columnas apiladas, columnas en 3D, anillos, gráficos estadísticos, histogramas y diagramas de cajas, introducción a modelización de distribuciones con scipy

• t[3] APIs de Market Data: Uso de funciones, JSON, requests http, APIs de datos de acciones, precios, fundamentals, indicadores, bonos, FX, opciones, futuros y datos económicos.

• t[4] APIs de Conexión a Mercados: APIs para acceso al mercado en Argentina API de Rofex. API de Invertir Online. API de Alpaca para inversiones en USA. Paper tranding, sandbox o cuentas simuladas. APIs de Exchange cryptos para mercados spot, futuros y opciones. HitBTC, FTX, Deribit, Binance etc.


• t[5] SDKs y Libreriás: Las mejores 25 librerías nativas de python para backoffice explicadas con ejemplos de finanzas pero basadas en tareas generales de oficina (automatizacion de envios de emails, procesamiento de archivos, planillas, excels, archivos de google drive, archivos comprimidos, aplicaciones de escritorio con tkinter, etc) El Tomo incluye el paquete de librerías estandar de Python y las librerías básicas de cálculo numérico y estadístico incluso análisis combinatorio con el paquete nativo itertools.

• t[6] Librerias para Data Science: Las mejores 27 librerías infaltables para un data sicnetist, hacemos un repaso general de cada librería y nos concentramos en las mas interesantes para nuestro campo de análisis de activos financieros, sobre todo las librerías de cálculo científico como scipy y cálculo simbólico como sympy y las de reportes gráficos. Incluye no solo las librerías generales de Data Science sino las específicas para usos financieros.


********************************************************************************************************


• t[7] Backtestings: Ejecución offline y online de un backtesting. Guardado de datos en BBDD o sistemas de archivos, consulta y actualización de backtestings. Métricas de un backtesting. Métricas de riesgo, análisis de las ventajas y desventajas de cada métrica. Paradigma de cálculo matricial y paradigma de estructuras event-driven para backtests.


• t[8] Introducción y explicación de Bases de datos. Ventajas y Desventajas de uso de BBDD en sistemas de screeners, backtestings y bots. Screenings: En tiempo real y programados. Sistemas de alertas de screenings. Ejemplos de screenings de ratios de AF y de señales de AT. Screenings de ratios de análisis Quant.


• t[9] Portabilidad de estrategias, parametrización y análisis de sensibilidad. Estudio cruzado de estrategias backtesteadas en diferentes mercados, activos, grupos de activos, segmentación por afinidades, screenings y retesteos de portabilidad por diferentes agrupamientos. Overfiting y Underfiting. Cohesión de los resultados.


• t[10] Bots de trading: Ejemplos de diferentes estructuras de bots de trading, bots de balanceo de carteras y seguimiento de índices. Bots especulativos de scalping y swing trading. Bots de arbitrajes y arbitrajes estadísticos. Bots de coberturas de posiciones abiertas especulativa (remplazo de stopLoss por cobertura con opciones). Ingeniería básica y costos operativos y de setup de un bot.


• t[11] Inteligencia artificial en la industria financiera. Aplicaciones a estrategias de inversión. Algoritmos de aprendizaje supervisado y no supervisado. Regresiones, clasificación, agrupamiento o clusterización y reducción de dimensionalidad. Correlación y predicción de valores y eventos. Deep learning en la industria financiera. Paradigma de aprendizaje reforzado.


• t[12] Montecarlo y métodos modernos para medición de riesgos, simulación de eventos y posibilidades. Modelización de portafolios de activos, combinacion de estrategias, uso de derivados y sintéticos, situaciones de mercado, simulación de contextos de volatilidad. Uso de las simulaciones en seteo de escenarios


• t[13] Opciones a fondo con python, screenings con miles de activos con todas sus cadenas de opciones, pricing de primas por simulación y contraste contra modelos como el de Black&Scholes, griegas y algos de IA en regresiones de volatilidad para estrategias delta-neutral, long y short vega y vega-neutral.


• t[14] Ejemplos de implementaciones de bots reales con sistemas de control mixtos, gatillo de compra y de cierre de posición por leads de distntos tipos. Manejo dinámico de volumen de posición, sistemas activos y pasivos, bots de hedging, reporting real time. Dashboards, utilizacion de frameworks como Django para sistema de control y paneles de admin web


• t[15] Papers Quant y sus implementaciones en python