La mayoría de los modelos de ML aplicados a mercados fracasan por una razón: fugas de información y validación deshonesta que inflan el desempeño en papel. Este programa enseña la metodología correcta —el marco de López de Prado— para etiquetar, validar y backtestear señales sin engañarse a uno mismo. El estudiante incorpora datos alternativos como fuente de alpha y sale con un pipeline que produce una señal evaluada out-of-sample.
Este intensivo trata el machine learning financiero como lo que es: un problema estadístico traicionero donde el sobreajuste es la norma y no la excepción. Siguiendo el marco de 'Advances in Financial Machine Learning' de Marcos López de Prado y el trabajo aplicado de Stefan Jansen, el estudiante aprende feature engineering sin lookahead bias, el método triple-barrier para plantear el etiquetado correctamente, y la validación con purged cross-validation que evita el data leakage temporal que arruina los modelos ingenuos. Sobre esa base, incorporamos datos alternativos —sentiment, scraping, texto no estructurado— y cerramos con backtesting realista que contabiliza costos y slippage usando vectorbt. El resultado es una disciplina de investigación cuantitativa, no una colección de modelos que se ven bien y no sobreviven al mercado real.
Machine Learning para Mercados: Señales y Datos Alternativos — te enviamos el brochure y un asesor te contacta.