Seis semanas para construir el ciclo completo: datos crudos, features, modelo, validación temporal y backtest con costos. El alumno aprende a detectar overfitting como lo detecta un fondo —con walk-forward, no con optimismo— y a explicar sus modelos con SHAP en vez de tratarlos como cajas negras. Sale con una estrategia documentada y con la capacidad de tumbar la suya propia.
El punto de partida es que casi todos los backtests que circulan en Internet están rotos, y este curso enseña a ver dónde. Se empieza por los datos: ajustes por split y dividendo, sesgo de supervivencia, look-ahead bias, y por qué el orden temporal cambia todas las reglas del machine learning clásico. Después viene la ingeniería de features —retornos, volatilidad realizada, momentum, z-scores, señales macro de FRED y Banxico— y el entrenamiento de modelos de clasificación con scikit-learn: regresión logística regularizada, random forest y gradient boosting. La validación se hace con splits temporales y walk-forward, no con validación cruzada aleatoria. En paralelo, el alumno explora aprendizaje no supervisado para identificar regímenes de volatilidad con K-means y PCA, y descubre que un modelo que funciona en régimen tranquilo se desarma en régimen de estrés. La última fase convierte la señal en estrategia usando vectorbt: costos, slippage, Sharpe, máximo drawdown, y la pregunta final de todo comité de inversión — ¿esto sobrevive fuera de muestra? Todo el trabajo se versiona en Git y se presenta como research note, en el formato que usa un buy-side.
Machine Learning Aplicado a Mercados — te enviamos el brochure y un asesor te contacta.