Análisis Financiero con Python

Bloque 1 – Tasa Interna de Retorno (TIR) y Valuación

• Introducción a la valuación de empresas y su importancia estratégica.
• Métodos de flujo de caja descontado y valor contable.
• Cálculo de la rentabilidad de proyectos y análisis de inversión.

Bloque 2 – Fundamentos de Python para Finanzas

• Introducción al entorno de Anaconda, Spyder y librerías.
• Variables, tipos de datos y operadores matemáticos aplicados a la TIR (numpy_financial).
• Estructuras lógicas (if, else) y ciclos (for, while) para automatizar cálculos financieros.

Bloque 3 – El Weighted Average Cost of Capital (WACC)

• Concepto de costo de capital y su relevancia en la estructura financiera.
• Cálculo de componentes: Costo de deuda y costo de capital propio.
• Uso de Excel para la integración de componentes y análisis de sensibilidad del WACC.

Bloque 4 – Modelo de Valoración de Activos (CAPM) en Python

• Cálculo del Beta (Coeficiente de Correlación) mediante regresión lineal en Python.
• Automatización del rendimiento esperado de activos financieros.
• Visualización interactiva de la relación riesgo-retorno utilizando la librería Plotly.

Bloque 5 – Proyecciones Financieras y Deuda Sostenible

• Construcción de modelos de proyección financiera en Excel.
• Identificación de variables clave para determinar la capacidad de endeudamiento.
• Caso práctico: Creación de App capaz de valuar bonos cuponados y cupón cero utilizando QuantLib y Streamlit.

Bloque 6 – Automatización de Estados Financieros con Python

• Replicación y automatización del cuadre de estados financieros con Pandas.
• Verificación de consistencia y validación de datos financieros automatizados.
• Introducción a predicciones simples de flujos de caja.

Bloque 7 – Estrategia de Inversión y Modelos Predictivos

• Técnicas de asignación de activos y diversificación de portafolios.
• Uso de Simulaciones Monte Carlo para predecir volatilidad y rendimientos.
• Simulación de Comité de Inversión: Defensa de posiciones basadas en datos.

Bloque 8 – Machine Learning, Deep Learning y NLP en Equity

• Predicción de precios de acciones con modelos LSTM (Redes Neuronales).
• Segmentación de mercado mediante clustering (K-Means y PCA).
• Análisis de sentimiento bursátil con procesamiento de lenguaje natural (NLP).
• Caso práctico: Creación de App capaz generar gráficos velas, análisis RSI y Bandas de Bollinger mediante Streamlit. Además de predicción de precios t+1 utilizando Random Forest (LSTM).

Bloque 9 – Creación de Apps para Mercados de Deuda

• Diseño de dashboards interactivos para monitoreo de bonos y tasas.
• Visualización de indicadores clave: yield, duration, DV01 y convexidad.
• Comparación de instrumentos de renta fija mediante paneles dinámicos.
• Integración de filtros por plazo, emisor, moneda y fecha.

Bloque 10 – Aplicación de Curvas, Interpolación y Bootstrapping

• Construcción y análisis de curvas de rendimiento.
• Uso de interpolación para estimar tasas entre nodos.
• Aplicación de bootstrapping para obtener curvas cero cupón.
• Caso práctico de valuación y sensibilidad con base en curvas.