Fundamentos del clustering de carteras con machine learning.
Descripción del programa
El análisis de carteras mediante aprendizaje automático combina modelos cuantitativos con técnicas de agrupamiento para identificar patrones no evidentes en datos financieros.
La mayoría de los analistas agrupan activos por sector o capitalización. Pero esos criterios ignoran correlaciones reales entre activos durante periodos de estrés del mercado.
Qué problema resuelve este curso
Cuando los mercados caen, las correlaciones entre activos suben. Una cartera que parecía diversificada resulta concentrada. Los algoritmos de clustering detectan esta estructura latente antes de que sea un problema.
Herramientas que usarás
Trabajamos con scikit-learn, pandas y matplotlib. No necesitas experiencia previa en machine learning, pero sí debes manejar Python con soltura y entender conceptos básicos de estadística descriptiva.
El curso combina teoría concisa con ejercicios sobre datos reales de renta variable europea. Cada módulo termina con un notebook funcional que puedes adaptar a tus propios datos.
Lo que construirás
Al finalizar tendrás un pipeline completo: desde la carga de datos históricos hasta la visualización de clusters y la interpretación financiera de cada grupo. No es un proyecto de juguete, es código que funciona en producción.
Requisitos: Python 3.9+, conocimientos básicos de estadística y finanzas.Contenido del programa
- Módulo 1: Matrices de correlación y sus limitaciones en carteras reales
- Módulo 2: K-Means aplicado a retornos ajustados por riesgo
- Módulo 3: Clustering jerárquico y dendrogramas interpretables
- Módulo 4: DBSCAN para detectar activos atípicos
- Módulo 5: Reducción de dimensionalidad con PCA antes del clustering
- Módulo 6: Evaluación de clusters con índice de Silhouette y Davies-Bouldin
- Módulo 7: Integración del pipeline en un flujo de análisis de carteras