Última actualización: 16/05/2019


Curso Académico: 2019/2020

Análisis de Datos
(16756)
Titulación: Máster Universitario en Tecnologías del Sector Financiero: FinTech (313)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: FERNANDEZ REBOLLO, FERNANDO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
Se recomienda haber superado la asignatura de Introducción a los Mercados Financieros del primer cuatrimestre.
Competencias que adquiere el estudiante y resultados del aprendizaje.
Las competencias adquiridas por el estudiante serán: - Capacidad para aplicar los conocimientos adquiridos en la resolución de problemas en entornos nuevos o poco conocidos relacionados con su área de estudio - Capacidad para comunicar sus conclusiones y los conocimientos que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades - Habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. - Capacidad para comprender y aplicar métodos y técnicas del ámbito de la Ingeniería Informática en los mercados financieros - Capacidad de concebir, diseñar o crear, poner en práctica y adoptar un proceso sustancial de desarrollo o creación de software para mercados financieros - Capacidad para trabajar en entornos multi-disciplinares y en grandes equipos de desarrollo heterogéneos - Capacidad para implementar algoritmos y técnicas clásicas de los mercados financieros siguiendo los estándares y procedimientos establecidos en cada momento - Conocimiento de las principales herramientas para el manejo de grandes cantidades de datos, su almacenamiento, acceso y revisión Como resultados del aprendizaje el alumno podrá: - Identificar y corregir errores u omisiones dentro de datos financieros históricos - Construir e interpretar gráficas que muestren las relaciones entre distintas variables - Plantear adecuadamente la construcción de modelos predictivos a partir de datos financieros históricos - Evaluar modelos predictivos en el contexto de series temporales - Analizar el impacto de eventos financieros.
Descripción de contenidos: Programa
ANÁLISIS DE DATOS 1. Introducción al Análisis de Datos Financieros 2. Análisis exploratorio y herramientas de visualización 3. Transformación y limpieza de datos financieros 4. Modelos predictivos supervisados 5. Evaluación de modelos y backtesting en finanzas 6. Modelos no supervisados
Actividades formativas, metodología a utilizar y régimen de tutorías
La asignatura se ciñe al caracter semi-presencial del título. Las actividades formativas se resumen en: - Clase teórica: Presentaciones teóricas acompañadas de material electrónico, como presentaciones digitales - Clases teórico prácticas: Combinación de clases teóricas acompañadas de la resolución de ejercicios prácticos - Prácticas de laboratorio: Prácticas a desarrollar en laboratorios específicos para las distintas asignaturas - Tutorías: Tutorías de carácter presencial y/o a distancia (videoconferencia) - Actividades de e-learning: Actividades sin presencialidad que el alumno desarrolla de forma autónoma. Estas actividades incluyen: Participaciones en foros de las asignaturas, visualización de contenidos pre-grabados, y ejercicios prácticos guiados. - Trabajo individual del estudiante: Actividades individuales del alumno que complementan al resto de actividades (tanto presenciales como no presenciales), así como la preparación de exámenes: Metodologías docentes -Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. - Resolución guiada de casos prácticos y problemas planteados por el profesor. - Elaboración de trabajos e informes de manera individual o en grupo - Actividades específicas de e-learning, relacionadas con el carácter semi-presencial del título, incluyendo la visualización de contenidos grabados, actividades de auto-corrección, participación en foros, y cualquier otro mecanismo de enseñanza on-line.
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70
Bibliografía básica
  • Luis Torgo. Data Mining with R: Learning with Case Studies, Second Edition. CRC Press. 2017

El programa de la asignatura y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.