Econometría & Machine Learning (Summer Crash Course)

- Análisis Cuantitativo
- 16 inscritos
Econometría & Machine Learning
(Summer Crash Course)
Se lanza este curso, de convocatoria única, con motivo del lanzamiento del nuevo fondo (Rogers AI Global Macro ETF).
Este curso va destinado exclusivamente a aquellos que quieran trabajar con Manuel Fajardo desarrollando la inteligencia artificial Cassandra.
Este curso dará todo el conocimiento necesario en un mes para empezar a desarrollar algoritmos de machine learning para complementar la inteligencia artificial propietaria que está desarrollando índices para ETFs en EEUU y pronto en Europa.
¡Quién sabe, puede que alguna de las ideas de los alumnos se convierta en un fondo de inversión! Cassandra está además expandiéndose aceptando otros modelos, sobre todo en el campo de NLP y Visión Computacional.
Si estás motivado para aprender cosas nuevas, dinámicas que jamás has visto en el mercado, control de riesgos, uso de apalancamiento controlado y técnicas de gestión alternativa usando algoritmos de inteligencia artificial, este es tu curso.
Se trata de un curso de convocatoria única. No se impartirá más.
El curso está reservado sólo a unas pocas plazas. De entre los alumnos, el mejor podrá colaborar abiertamente con Manuel Fajardo en el proceso de formación de la siguiente estrategia e índice para formar un ETF.
Generación de Ingresos
Una vez completado el curso, los algoritmos diseñados por los alumnos se integrarán en Cassandra y se venderán siempre y cuando sean lo suficientemente buenos para resolver los problemas que se impondrán en el proyecto final. Con ello el alumno recibirá ingreso pasivo por la licencia sobre los algoritmos.
Prácticas con Manuel Fajardo
Al acabar el curso, el mejor de los alumnos, por la complejidad del proyecto final, podrá acceder a prácticas remuneradas bajo la mentoría de Manuel Fajardo. Las prácticas consistirán en expandir el algoritmo Cassandra a otros campos de conocimiento. Manuel se reserva el derecho a elegir a más de un alumno dependiendo de la valía de su proyecto final.
Tipos de Inscripción
El curso solo está abierto a 30 personas para que Manuel pueda mentorarlos de forma debida. Existen dos modalidades de inscripción, a saber:
Parcial (1.000 €)
Aquellos alumnos que quieran inscribirse en la modalidad parcial deberán hacerlo antes las 23:59 h del día 31 de Julio de 2018. El coste de esta modalidad asciende a 1.000 € (se debe introducir el cupón PARCIALCRASH a la hora de hacer el pago para obtener ese precio). La modalidad incluye:
- Acceso a los webinars en directo (aquellos en los que no se muestran los algoritmos propietarios).
- Resolución de dudas en directo (durante las clases).
Completa (2.000 €)
Aquellos alumnos que quieran inscribirse en la modalidad completa deberán hacerlo antes las 23:59 h del día 1 de Julio de 2018. El coste de esta modalidad asciende a 2.000 €. La modalidad incluye:
- Todo lo incluido en la modalidad Parcial.
- Acceso a los algoritmos propietarios (se firmará un acuerdo de confidencialidad).
- Acompañamiento a aquellos que deseen presentar el proyecto final de curso.
- Derecho a presentar el proyecto final de curso.
- Derecho a recibir ingresos pasivos por la venta de las licencias de los algoritmos (en caso de ser seleccionado).
- Posibilidad de ser elegido para hacer prácticas remuneradas bajo la mentoría de Manuel Fajardo.
Otros Detalles
- El curso es totalmente online
- Se utilizará el lenguaje R y el IDE RStudio
- Son necesarios conocimientos previos de programación
- Las clases empiezan a las 15:00 h (CET)
- Las clases tienen una duración media de entre 4 y 6 horas (con descanso)
Consultas y Dudas
Escribir a hello@truetradersacademy.com
Contenidos del Curso
-
Primera Semana
-
Segunda Semana
- Sobre la cointegración y la multicointegración. Introducción al machine learning.
- Objetivización de hiperparámetros. El algoritmo bi-fase de Fajardo para resolver el problema de Kolmogorov-Smirnov en el mercado.
- Clustering y los métodos de densidad espacial. El algoritmo propietario de Fajardo para resolver la problemática espacial en problemas de clustering.
-
Tercera Semana
- Aprendizaje probabilísticocreando algoritmos bayesianos con feature engineering no supervisado. Aprendizaje simbólico y decision trees.
- Hiperplanos y Métodos Kernel- KNNs y SVMs. Integración y modelos de betas estables.
- Introducción a las redes neuronales. Funciones de activación y de backpropagation.
-
Cuarta Semana
-
Proyecto Final (sólo para la modalidad Completa)