• Author / Uploaded
• Rafael Bustamante

• Categories
• Econometría
• Máquinas de vectores soporte
• Maestros
• Estadísticas
• Matemáticas Aplicadas

Citation preview

Instituto de Econometría y Finanzas PYTHON APLICADO A LA ECONOMETRIA NIVEL BÁSICO Inicio del Curso: 04 junio 2019 1. PROFESOR

Docente Expositor: Rafael Bustamante Estudios de Doctorado en Economía, Universidad Autónoma de México. Maestría en Economía con mención en Finanzas, MBA Pontificia Universidad Católica del Perú. B. Sc. Economía, Universidad Nacional Mayor de San Marcos. Profesor del Departamento de Economía de UNMSM., con más de 10 años de experiencia en el dictado de cursos de econometría intermedia y avanzada. Investigaciones publicadas CIES, BCRP. Consultor en los ministerios: Osinergmin, Sunass, MTC, SBS, MEF entre otras y en consultorías privadas para modelación econométrica social y financiera. Candidato CFA – FRM - 2019 Contacto: [email protected]. [email protected] o en la página:

https://financebusinessbet.wixsite.com/financebusiness 2. OBJETIVOS DEL CURSO Proporcionar al estudiante los fundamentos básicos e intermedios de programación además del manejo de bases de datos en Python. Proporcionar las herramientas cuantitativas básicas para estimación de modelos lineales para datos de corte transversal y series de tiempo. Proporcionar la utilidad del software Python en aplicaciones a Econometría y Machine Learning. 3. METODOLOGÍA El curso consta de 100% Virtual. Las sesiones consistirán en exposiciones mediante videos tutoriales colgados en la plataforma virtual del Docente y la participación activa de los alumnos mediante evaluación continua online mediante retos de lo aprendido. 4. CONTENIDO

4.1. Introducción a la programación y manejo de Bases de Datos (4 horas Virtuales de Videos) ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓

Instalación de Python y Anaconda. Importación de librerías Pandas y NumPy (Numerical Python). Creación y carga de bases de datos en formato csv, xlsx, tex, HTML, json. Categorizando información cualitativa. Partición de data frames (training & testing data). Merge, reshape, clean y transformación de variables. Missing data, duplicados, reescalando, normalización (estandarización). Detección de outliers.

4.2. Visualización de datos (5 horas Virtuales de Videos) ✓ ✓ ✓ ✓

Visualización de datos con el paquete ggplot2. Gráficas de dispersión, líneas, barras, distribuciones, mapas de color. Gráficas 3D y animaciones, textos e histogramas en 3D. Presentación en PDF.

4.3. Análisis de Regresión (8 horas Virtuales de Videos) ✓ ✓ ✓ ✓ ✓ ✓

Regresión lineal simple, regresión lineal múltiple y regresión polinomial. Regression logística. Support Vector Regression. Decision Tree Regression. Random Forest Regression. Evaluación del performance del modelo de regresión 4.4. Análisis de Clasificación (6 horas Virtuales de Videos) ✓ Regresión logística. ✓ K-Nearest Neighborns (K-NN). ✓ Support Vector Machine (SVM). ✓ Kernel SVM. ✓ Naive Bayes. ✓ Decision Tree Classification. ✓ Random Forest Classification. ✓ Evaluación del performance del modelo de clasificación 4.5. Series temporales (4 horas Virtuales de Videos) ✓ Trabajando con información financiera. ✓ Operaciones y secuencias de fechas. ✓ Descomposición y filtros para series de tiempo. ✓ Suavizamiento y predicción con el método de Holt-Winters. ✓ Modelos ARIMA. ✓ Introducción a las Redes Neuronales

5. CERTIFICACIÓN: A nombre de la empresa Grupo de Estudio de la Economía Global para el Desarrollo (GEEDES) y del Instituto de Econometría y Finanzas (Finance&Business)