Programa Técnico Especializado
Aprendizaje Automático para Grandes Datos Financieros
Cuatro módulos que conectan teoría matemática con implementación práctica
Este programa técnico aborda los problemas reales que enfrentan las instituciones financieras al procesar volúmenes masivos de información. Cada módulo está diseñado alrededor de escenarios aplicables y herramientas utilizadas en producción.
Arquitecturas de Procesamiento Distribuido
Sistemas que manejan terabytes de transacciones diarias sin degradar rendimiento.
- Spark para procesamiento paralelo en clusters financieros
- Kafka para streaming de datos de mercado en tiempo real
- Optimización de consultas sobre bases distribuidas
- Estrategias de particionamiento por tipo de activo
Modelado Predictivo con Datos Financieros
Algoritmos que identifican patrones en series temporales y variables macroeconómicas.
- Regresión aplicada a predicción de volatilidad
- Redes neuronales recurrentes para series de precios
- Gradient boosting en scoring crediticio
- Validación cruzada temporal en datos secuenciales
Análisis Cuantitativo de Riesgo
Métricas y métodos para cuantificar exposición en carteras complejas.
- Value at Risk calculado mediante simulación Monte Carlo
- Backtesting de modelos predictivos contra históricos
- Detección de anomalías en comportamiento de mercado
- Stress testing automatizado con escenarios extremos
Implementación y Monitoreo en Producción
Pasar de notebooks experimentales a sistemas que operan continuamente.
- Pipelines de entrenamiento automatizado con MLflow
- Monitoreo de drift en distribuciones de entrada
- Estrategias de reentrenamiento periódico
- Documentación técnica para equipos de riesgo
¿Qué obtienes al completar el programa?
Capacidad para diseñar pipelines de procesamiento distribuido que manejan datos financieros de escala industrial sin cuellos de botella
Experiencia práctica implementando algoritmos de machine learning en problemas específicos como predicción de impago o detección de fraude
Comprensión profunda de métricas de riesgo cuantitativo y cómo calcularlas eficientemente sobre grandes volúmenes de información
Habilidades para llevar modelos desde experimentación hasta producción con monitoreo continuo y estrategias de mantenimiento
Conocimiento de herramientas estándar de la industria: Spark, Kafka, TensorFlow, MLflow y frameworks de validación temporal
Formato diseñado para profesionales que trabajan
Sesiones en directo dos veces por semana durante diez semanas. Todo el material técnico queda disponible para revisión posterior.
Abril Domènech
Especialista en algoritmos de predicción financiera
Abril desarrolló sistemas de credit scoring para una institución bancaria europea procesando más de dos millones de solicitudes anuales. Su enfoque técnico combina teoría de probabilidad con optimización computacional.
Actualmente lidera un equipo de ciencia de datos en una fintech que opera en ocho países. Ha publicado investigación sobre detección de fraude en tiempo real utilizando redes neuronales recurrentes.
Leire Gaztañaga
Ingeniera de datos en instituciones bancarias
Leire construye infraestructuras de datos que alimentan modelos de riesgo en banca comercial. Diseñó pipelines de ETL que procesan transacciones de once millones de clientes diariamente. Su experiencia práctica cubre arquitecturas Spark, gestión de clusters Hadoop y optimización de consultas sobre data warehouses financieros distribuidos.