El programa técnico más exigente de la división. Se construye sobre el cuerpo metodológico de Marcos López de Prado: etiquetado por triple barrera, meta-labeling, diferenciación fraccional, validación cruzada purgada y Sharpe deflactado. El alumno termina con una estrategia de investigación completa y, más importante, con el criterio para rechazar las suyas cuando no resisten la prueba estadística.
La mayoría de los backtests publicados son falsos positivos, y este curso enseña la matemática de por qué. Ocho semanas de trabajo intensivo sobre el marco de Advances in Financial Machine Learning: se abandonan las barras de tiempo por barras de volumen y dólar, se etiquetan eventos con el método de triple barrera en lugar de retornos a horizonte fijo, y se separa la decisión de dirección de la decisión de tamaño mediante meta-labeling. La ingeniería de features incorpora diferenciación fraccional para preservar memoria sin sacrificar estacionariedad, detección de quiebres estructurales y variables de microestructura. La validación se hace con purged K-fold con embargo y validación cruzada combinatoria, porque el solapamiento de etiquetas invalida la validación cruzada estándar. Se entrenan ensambles con LightGBM y XGBoost usando ponderación por unicidad de muestra e hiperparámetros optimizados con Optuna, y se prueban arquitecturas de deep learning para series de tiempo con PyTorch — junto con el análisis honesto de cuándo no justifican su costo frente a un gradient boosting bien construido. El módulo decisivo es el de significancia: deflated Sharpe ratio, probabilidad de sobreajuste de backtest, costos de transacción y capacidad de la estrategia. Cada alumno presenta su investigación ante un panel que la ataca metodológicamente, como ocurre en un comité real.
Financial Machine Learning: del label al Sharpe deflactado — te enviamos el brochure y un asesor te contacta.