Overview

Este es un curso de modelización cuantitativa pensado para su aplicación en el ámbito de finanzas corporativas. En este curso aprenderás cómo explotar de la mejor forma los datos que alimentan a los modelos financieros. En la "era de los datos", cada vez más las organizaciones cuentan con información que pueden ser explotada para enriquecer la modelización financiera. Apoyándonos en métodos estadísticos y de modelización, en este curso aprenderás a proyectar variables de interés, a realizar predicciones, a medir y a evaluar la implicancia de riesgos. También aprenderás criterios para la toma decisiones, basadas en la evaluación de escenarios con incertidumbre. Aplicaremos herramientas básicas de análisis estadístico, métodos de regresión simple y multivariado, técnicas de series de temporales, y de predicción frente a una gran cantidad de variables explicativas, entre otras herramientas que estudiaremos con el foco en aplicaciones financieras. Implementaremos los modelos más simples en Excel, y ganaremos agilidad en estimaciones más complejas usando R. Este es el segundo curso de la serie de Finanzas Corporativas ofrecido por la Universidad Austral.

Syllabus

Proyectando el Escenario Esperado y Escenarios de Riesgo

En este módulo introduciremos la proyección de una variable basándonos en la información disponible sobre esa variable. Analizaremos también cómo las proyecciones afectan nuestras decisiones financieras. Nos apoyaremos en los conceptos de proyección de un escenario esperado, la identificación de escenarios de riesgo, y en cuantificar sus probabilidades de ocurrencia. Utilizaremos para esto herramientas clásicas de la estadística frecuentista: los conceptos de escenario esperado, distribución de probabilidad, y el uso de percentiles.

Modelización basada en Regresión

En este módulo cubriremos cómo proyectar una variable incluyendo datos adicionales, aquellos que servirían para explicar o predecir el fenómeno de interés. Nos enfocaremos en modelos de regresión, uno de los métodos más utilizados para la modelización. Comenzaremos por introducir la versión simple, donde una sola variable es utilizada como base de la modelización. Luego, extenderemos el modelo para incluir múltiples variables. Introduciremos los cambios en la interpretación, y los problemas comunes que pueden surgir en la modelización.

Modelos de Series de Tiempo

En los módulos anteriores trabajamos con modelos donde la información temporal (i.e., cuándo ocurrió un evento) es irrelevante. En este módulo extendemos los modelos para acomodar a las Series de Tiempo, que son aquellos procesos en donde la secuencialidad de la información es relevante. Aplicaciones incluyen la proyección del Producto Bruto Interno de un país, la tasa de interés en un mercado, el precio de una acción, etc. Discutiremos formas de modelizar a las series de tiempo por sus principales componentes. Cubriremos también modelos específicos para modelar el componente de autocorrelación temporal. En este módulo también introduciremos al software R para modelar series de tiempo de una manera eficiente.

Enfoque predictivo con aplicaciones en R

En este módulo nos enfocaremos en lo que llamaremos un enfoque predictivo de la modelización. Estos métodos buscan maximizar la capacidad predictiva aun cuando al hacerlo pierden la capacidad explicativa del fenómeno en cuestión. La prioridad del enfoque predictivo es hacer la mejor predicción posible, y para ello es fundamental evitar el sobreajuste de los datos. Aprenderemos a diagnosticar el sobreajuste e introduciremos a los modelos de regularización, un tipo de modelos que permiten limitar el sobreajuste de manera automatizada.