DIPLOMADO EN ECONOMETRÍA Y MACHINE LEARNING
No alcanza con los métodos tradicionales. Hoy los líderes del mercado combinan econometría y machine learning para crear modelos predictivos que marcan la diferencia.
¿A quiénes va dirigido?
También está orientado a PROFESIONALES de Economía, Ingeniería Financiera, Ingeniería Comercial y Administración de Empresas.
¿Qué busca este programa?
El Diplomado en Econometría y Machine Learning Aplicado al Mercado Financiero busca dotar a los participantes de conocimientos teóricos y herramientas prácticas de última generación para la estimación y pronóstico de variables financieras. El objetivo es que los graduados puedan desenvolverse con solvencia en el manejo de modelos matemáticos modernos, aplicando técnicas econométricas y de machine learning en un entorno financiero altamente competitivo.
¿Cuál es el perfil del graduado?
-
Manejo avanzado de modelos econométricos y multivariados de series de tiempo, incluyendo modelos GARCH y VAR aplicados a mercados financieros.
-
Aplicación de herramientas de machine learning y deep learning para estimar y pronosticar variables financieras con un enfoque práctico y actualizado.
-
Programación en Python aplicada a ciencia de datos y finanzas, dominando librerías y técnicas modernas para análisis y visualización.
-
Capacidad de diseñar, implementar y presentar modelos predictivos y estudios integrales, integrando conocimientos teóricos y prácticos para la toma de decisiones en instituciones financieras.
Resumen del programa
Contenido:
Módulo 1: Introducción al Álgebra Lineal, Cálculo, Probabilidad y Estadística usando Python
-
Fundamentos matemáticos, estadísticos y de programación en Python para la econometría y el análisis financiero.
Módulo 2: Modelos Univariados Lineales
-
Bases de econometría de series de tiempo, regresiones lineales y modelos dinámicos con aplicaciones en Python.
Módulo 3: Modelos de Heteroscedasticidad Condicional, no lineales y Modelos de Factores e Introducción al Aprendizaje no Supervisado
-
Modelos ARCH, GARCH, VAR-GARCH, modelos de factores y algoritmos de clustering aplicados a selección de activos y análisis financiero.
Módulo 4: Tópicos de Machine Learning en Finanzas I y II y Tópicos de Econometría Financiera
-
Machine Learning, Deep Learning, NLP, modelos de clasificación y pronóstico aplicados al mercado financiero, incluyendo simulaciones y análisis de sentimiento.
Módulo 5: Trabajo Final
-
Integración de los aprendizajes mediante un proyecto aplicado que incluye desarrollo, documentación y presentación de resultados finales.
Módulo 6: Trabajo Final de Investigación
Elaboración de un proyecto académico en concordancia con las líneas de investigación del posgrado.
Equipo Docente
- Antonio Murillo es economista con sólida formación académica que incluye una MSc en Econometría por la Universidad Torcuato Di Tella con beca del Banco Mundial, además de maestrías en Economía y Administración de Empresas por la Universidad Católica Boliviana, complementadas con un diploma en métodos cuantitativos. Con más de una década de experiencia en el Banco Central de Bolivia como Analista Senior en Investigaciones y en el Ministerio de Economía, ha liderado análisis y desarrollo de modelos econométricos, pronósticos macroeconómicos y propuestas de política monetaria y fiscal. Ha sido docente de econometría y métodos cuantitativos en diversas universidades bolivianas y cuenta con amplia producción de investigaciones reconocidas en encuentros académicos. Maneja herramientas avanzadas como Oxmetrics, Stata, Eviews, R y Python, y posee un perfil internacional reforzado por cursos especializados del CEMLA y el FMI.
- Sergio Martín Buzzi es un científico de datos argentino con amplia experiencia en análisis estadístico, econometría y aprendizaje automático, especializado en el desarrollo e implementación de soluciones de forecasting para optimizar la toma de decisiones en empresas y organismos públicos. Actualmente se desempeña como Científico de Datos en NOVIX S.A., donde lidera proyectos con Python y SQL, y simultáneamente es docente e investigador en la Universidad Nacional de Córdoba y la Universidad Nacional de La Rioja, impartiendo cursos de econometría, series de tiempo y ciencia de datos. Con una sólida formación académica —Magíster en Estadística Aplicada y Doctorando en Ciencias Económicas— complementada por certificaciones en machine learning, Sergio combina su experiencia técnica (Python, R, SQL) con una trayectoria multidisciplinaria en sectores público, educativo y privado, siempre orientado a generar soluciones de alto impacto social y empresarial.
- Samuel Federico Kaplan es economista argentino con sólida formación académica: Licenciado en Economía por la Universidad Nacional de Córdoba, Posgrado en Economía por la Universidad Torcuato Di Tella y Magíster en Economía por la University of Minnesota, donde recibió distinciones como Teaching Assistant destacado y diversas becas. Se desempeña como Economista Jefe en Alberdi Partners y es cofundador de Generative Networks, aplicando machine learning y deep learning a problemas financieros y de negocios, además de ser docente de Microeconomía III en la UNC y consultor freelance en ciencia de datos. Posee amplia experiencia en investigación aplicada, publicaciones académicas en mercados financieros y trayectoria profesional como analista financiero, portfolio manager y especialista en modelos macroeconómicos y econométricos. Domina Python, R y múltiples lenguajes y software estadísticos, combinando excelencia técnica con experiencia docente y práctica en el ámbito financiero.
¿Te interesa?
Déjanos tus datos para enviarte la información sobre el proceso de inscripción