Maestría Virtual en Inteligencia Artificial Aplicada al Sector Financiero

El núcleo PRO-Essentials se centra en desarrollar habilidades fundamentales que son la base de los estudios de los estudiantes. Destaca el dominio de habilidades clave que pueden aplicarse en diferentes programas, fomentando la interacción entre estudiantes de diversas disciplinas y enriqueciendo sus perfiles y redes de contacto. Se establecen sólidos cimientos para que los estudiantes adquieran una comprensión profunda y experiencial, con énfasis en la calidad de los contenidos y la enseñanza para prepararlos para su crecimiento académico y profesional.

I.- Inteligencia Artificial: La revolución del dato en finanzas

La primera asignatura explora cómo la Inteligencia Artificial está transformando el sector financiero, convirtiendo los datos en un activo estratégico clave para la toma de decisiones y la innovación empresarial. Los estudiantes conocerán las fases fundamentales de un proyecto de Inteligencia Artificial aplicado a las finanzas, desde la recopilación y preparación de datos hasta la implementación de modelos analíticos. Con esta base, los participantes estarán preparados para entender el papel crítico que juega la revolución del dato en la creación de valor dentro del ecosistema financiero.

Contenidos:

1. Introducción a la Inteligencia Artificial y el Aprendizaje Automático en el Sector Financiero.
2. Principios, Herramientas y Aplicaciones de Big Data en Finanzas.
3. Adquisición, Procesamiento y Uso de Datos Financieros.
4. Modelos de Aprendizaje Automático en Finanzas.
5. Introducción a los Modelos Generativos en Finanzas.
6. Desafíos y Oportunidades de la Inteligencia Artificial en Finanzas.

II.- Visualización y análisis: Inteligencia de datos para decisiones financieras

Esta asignatura capacita a los estudiantes para preparar, transformar y visualizar datos provenientes de diversas fuentes, aplicando buenas prácticas de ingeniería de datos y prevención de data leakage, para construir pipelines efectivos de machine learning y desarrollar dashboards interactivos que apoyen la toma de decisiones basadas en datos.

1. Introducción al Data Wrangling – Manipulación y Preparación de Datos.
2. Conexión a Fuentes de Datos: CSV, APls, Bases de Datos.
3. Transformación y manejo de datos en Machine Learning.
4. Prevención de Data Leakage y Creación de Pipelines en Machine Learning.
5. Data Storytelling- Creación de Visualizaciones efectivas.
6. Diseño de Dashboards para apoyar la toma de decisiones Data-Driven.

III.- Gestión avanzada del riesgo crediticio: Algoritmos para transformar la toma de decisiones financieras

Esta asignatura profundiza en el papel transformador de la Inteligencia Artificial en la toma de decisiones estratégicas dentro del sector financiero. Los estudiantes adquirirán un entendimiento práctico y teórico sobre cómo los algoritmos de clasificación, como K-Nearest Neighbors, Naive Bayes, Decicion Trees y Random Forest, pueden optimizar el análisis y la gestión de datos financieros. A través de casos prácticos, se explorarán las ventajas específicas de estos modelos para resolver múltiples casos de uso, dotando a los estudiantes de herramientas clave para aplicar la Inteligencia Artificial de manera efectiva en decisiones financieras complejas.

Contenidos:

1. Introducción a los algoritmos de clasificación.
2. Evaluación de modelos de clasificación.
3. Naive Bayes en la clasificación y segmentación de datos.
4. K-Nearest Neighbors para análisis de comportamiento financiero.
5. Modelos basados en árboles de decisión: técnicas de Bagging y Boosting.
6. Aplicación de algoritmos de clasificación en la evaluación de riesgos crediticios.

Las asignaturas PRO-Advanced se centran en el desarrollo de competencias específicas en el área de especialización, así como en la adquisición de habilidades instrumentales necesarias para el trabajo en el campo de estudio. Los estudiantes se sumergen en los conceptos, teorías y prácticas centrales de su disciplina, y obtienen una caja de herramientas para aplicar estos conocimientos en situaciones reales. Además, se enfatiza el trabajo en equipo y el liderazgo, habilidades fundamentales para el éxito profesional en el área.

IV.- Inteligencia Artificial estratégica Algoritmos para transformar la toma de decisiones financieras

Esta asignatura se centra en las técnicas avanzadas y herramientas algorítmicas para evaluar, gestionar y anticipar el riesgo crediticio en el entorno financiero actual. Los estudiantes explorarán algoritmos de regresión, como la Linear Regression, Ridge Regression, Lasso Regression y Random Forest Regression, para predecir métricas clave asociadas al comportamiento crediticio. Además, aprenderán a manejar datos financieros provenientes de diversas fuentes, desde sistemas legacy hasta datos en bruto, y a realizar su preprocesamiento para mejorar la precisión de los modelos. Este enfoque integral proporciona las herramientas necesarias para diseñar estrategias efectivas de mitigación de riesgos y tomar decisiones informadas en un entorno financiero cada vez más complejo.

Contenidos:

1. Introducción a los algoritmos de regresión en el contexto financiero.
2. Fundamentos y aplicación de la regresión lineal en finanzas.
3. Introducción a la evaluación de modelos de regresión en el ámbito financiero.
4. Regularización en modelos financieros – Regresión Lasso y Ridge.
5. Árboles de Regresión.
6. Regresión Logística en Finanzas.

V.- Segmentación inteligente y carteras óptimas: Clustering aplicado al mercado financiero

En esta asignatura se explora el uso de técnicas de aprendizaje no supervisado para la segmentación de clientes y la optimización de estrategias en los mercados financieros. Los alumnos adquirirán conocimientos fundamentales sobre algoritmos de clustering, como K-Means, aplicados al análisis de datos financieros. Se profundiza en las métricas clave para evaluar la calidad de los clusters, herramientas esenciales para medir la precisión y eficacia de la segmentación. Además, se introduce el Principal Component Analysis como una técnica de reducción de dimensionalidad, que facilita la simplificación de los datos y mejora la visualización de los clusters. Con un enfoque práctico, la asignatura permite a los estudiantes implementar estas técnicas de clustering en múltiples casos de uso reales.

Contenidos:

1. Introducción al Aprendizaje No Supervisado en el Contexto Financiero.
2. Fundamentos de los Algoritmos de Clustering.
3. Evaluación y Validación de Modelos de Clustering en Finanzas.
4. Segmentación de Clientes con K-Means en Finanzas.
5. Clustering Jerárquico en Análisis Financiero.
6. Algoritmos de Reducción de Dimensionalidad.

VI.- Fraude financiero bajo control: Inteligencia Artificial como barrera en la era digital

Esta asignatura se centra en el estudio y aplicación de técnicas avanzadas de inteligencia artificial para la detección y prevención de fraudes en contextos financieros. Los estudiantes aprenderán a medir y modelar riesgos utilizando distintas herramientas, mientras exploran algoritmos de aprendizaje automático como Isolation Forest, Support Vector Machines y DBSCAN para identificar patrones inusuales y anomalías. Además, se analizarán métodos de evaluación del desempeño de los modelos, garantizando su precisión y fiabilidad. Con un enfoque práctico, la asignatura guía a los estudiantes en la implementación de sistemas robustos de detección de fraudes, adaptados a las crecientes demandas de seguridad en el entorno financiero digital actual.

Contenidos:

1. Introducción a la detección de anomalías en el ámbito financiero.
2. Métodos estadísticos para la detección de fraude.
3. Técnicas basadas en distancia: DBSCAN y su aplicación en finanzas.
4. Árboles de decisión para la detección de fraude financiero: Isolation Forest.
5. Modelos basados en SVM para detección de anomalías financieras.
6. Evaluación de modelos de detección de anomalías: métricas y aplicaciones financieras.

VII.- Redes neuronales para la economía: Decisiones precisas en mercados complejos

Esta asignatura combina teoría y práctica para explorar el uso de redes neuronales en la mejora de la precisión y eficiencia de la toma de decisiones económicas en mercados complejos. Los estudiantes comenzarán estudiando los fundamentos de las redes neuronales, incluyendo los procesos de forward propagation y backpropagation en modelos de aprendizaje profundo. A lo largo de la asignatura, se implementarán modelos clave, desde el perceptrón simple hasta el perceptrón multicapa, desarrollando habilidades para construir, ajustar y aplicar redes neuronales a problemas de análisis económico. También se abordarán técnicas avanzadas como el ajuste de hiperparámetros y estrategias de regularización para prevenir el overfitting y asegurar la fiabilidad de los modelos. Con un enfoque en aplicaciones prácticas, los estudiantes aprenderán a implementar soluciones de deep learning orientadas a la predicción y análisis financiero, permitiéndoles enfrentar desafíos económicos complejos y mejorar la calidad de las decisiones en escenarios dinámicos y competitivos.

Contenidos:

1. Introducción a las redes neuronales.
2. Conceptos básicos y su impacto en el aprendizaje de la red.
3. Forward Propagation y el cálculo de salida de la red neuronal.
4. Back Propagation para el ajuste de los pesos de la red neuronal.
5. Regularización y mejores prácticas en entrenamiento.
6. Evaluación y monitorización de redes neuronales.

VIII.- Interpretabilidad, sesgos y ética: Construyendo confianza en la IA financiera

Esta asignatura aborda los retos clave relacionados con la interpretabilidad, los sesgos algorítmicos y la ética en las aplicaciones de Inteligencia Artificial en finanzas, aspectos fundamentales para garantizar sistemas transparentes, responsables y justos. Los estudiantes aprenderán a identificar y mitigar sesgos en datos y modelos, analizar el impacto de decisiones automatizadas en los resultados financieros y aplicar técnicas avanzadas de explicabilidad como LIME, SHAP o métodos contrafactuales. También se explorarán casos prácticos sobre los riesgos de discriminación algorítmica, la opacidad de los sistemas y los dilemas éticos en escenarios reales. Paralelamente, se estudiarán los principios éticos que rigen el uso de la IA en finanzas, con el objetivo de fomentar el diseño de sistemas innovadores que cumplan con estándares de equidad, transparencia y responsabilidad, sin comprometer la innovación tecnológica.

Contenidos:

1. Introducción a la interpretabilidad de modelos en finanzas.
2. El impacto de los sesgos en los modelos y su influencia en las decisiones.
3. Estrategias para la prevención de sesgos en modelos financieros.
4. Principios de Fairness para construir modelos financieros justos.
5. Ética y cumplimiento normativo en el uso de la Inteligencia Artificial.
6. Técnicas de interpretabilidad: LIME, SHAP, permutación y otros enfoques.

IX.- Predicción inteligente: Inteligencia Artificial para el análisis de precios en mercados financieros

Esta asignatura se centra en la aplicación de técnicas de inteligencia artificial para la predicción de precios en mercados financieros, combinando modelos estadísticos tradicionales con arquitecturas avanzadas de deep learning. Los estudiantes iniciarán con una sólida introducción a la predicción de series temporales, explorando modelos como ARMA, ARIMA y SARIMA, esenciales para analizar y comprender el comportamiento histórico de los precios. Posteriormente, el curso profundizará en arquitecturas modernas de deep learning, como las Recurrent Neural Networks, diseñadas específicamente para procesar y analizar datos secuenciales. Estas herramientas permitirán a los estudiantes capturar patrones complejos y dinámicos en los datos financieros, mejorando significativamente la precisión en las predicciones. Con un enfoque práctico, la asignatura guía a los estudiantes en la implementación de modelos avanzados de Inteligencia Artificial, preparando a los futuros profesionales para enfrentar los desafíos de análisis en mercados financieros altamente dinámicos y competitivos.

Contenidos:

1. Introducción al análisis de series temporales en finanzas.
2. Modelos analíticos para la predicción de precios de activos financieros.
3. Selección de parámetros y validación de modelos clásicos.
4. Redes neuronales recurrentes para la exploración de series temporales.
5. Long Short-Term Memory como técnica avanzada de series temporales.
6. Comparación de modelos en la predicción de mercados financieros.

X.- Procesamiento del Lenguaje Natural en los mercados: Análisis de noticias financieras

Objetivo general:

Esta asignatura explora la aplicación de técnicas de Natural Language Processing en el ámbito financiero para extraer información clave de textos y datos no estructurados. Los estudiantes iniciarán con una introducción a los conceptos básicos y su relevancia en las finanzas, aprendiendo técnicas fundamentales como tokenización, stemming y lemmatization para el procesamiento de textos financieros. Se estudiarán modelos de representación de texto, como TF-IDF, Word2Vec y embeddings, junto con su aplicación en el análisis de sentimiento, particularmente en el contexto de noticias y redes sociales relacionadas con los mercados financieros. Además, la asignatura incluye el uso de modelos avanzados, como BERT y GPT, para procesar y analizar grandes volúmenes de texto financiero, así como su integración en tareas de feature engineering. Como parte del enfoque práctico, los estudiantes desarrollarán herramientas para tomar decisiones informadas en un entorno dinámico y complejo.

Contenidos:

1. Introducción al procesamiento del lenguaje natural y su aplicación en finanzas.
2. Preprocesamiento de textos financieros mediante múltiples técnicas.
3. Modelos de representación de texto financieros.
4. Aplicaciones para análisis de sentimiento y monitoreo de redes sociales.
5. Modelos avanzados de lenguaje para el análisis de texto financieros.
6. Feature engineering de textos para modelos predictivos en finanzas.

XI.- Regulación e Inteligencia Artificial: Cumpliendo las normas en la innovación financiera

Esta asignatura se enfoca en la intersección entre la regulación y la Inteligencia Artificial,

proporcionando a los estudiantes una comprensión integral de las normativas que impactan la innovación en el sector financiero. Se analizará cómo las leyes y regulaciones en torno a la inteligencia artificial influyen en el desarrollo y uso de estas tecnologías en finanzas, incluyendo aspectos éticos, de transparencia y responsabilidad. Asimismo, se estudiará la regulación de datos, con énfasis en la protección de la privacidad y el manejo adecuado de datos personales, un pilar crítico en la operación de tecnologías basadas en Inteligencia Artificial. La asignatura también abordará la regulación financiera tradicional y las normativas específicas para fintech, explorando los retos y oportunidades que enfrentan estas empresas en un entorno de constante evolución.

Contenidos:

1. Principios y desafíos a la regulación en Fintech.
2. Regulación en la gestión y protección de datos.
3. Leyes y normativas clave en el marco regulatorio financiero.
4. Retos y oportunidades legales de la industria Fintech.
5. Cuerpos normativos internacionales.
6. Cumplimiento y buenas prácticas.

Los estudiantes en los PRO EXPERTIFY, se convierten en protagonistas activos de su formación al tener la libertad de diseñar su propio camino académico y orientación profesional. Esta fase les brinda la oportunidad de explorar áreas de conocimiento más allá de su disciplina principal, permitiéndoles completar su formación y ampliar sus horizontes. Al desarrollar competencias interdisciplinarias, los estudiantes pueden integrar conocimientos y perspectivas de diversos campos, lo que les permite destacarse en un mundo empresarial que demanda habilidades diversificadas. Esta etapa no sólo enriquece la formación académica y profesional de los estudiantes, sino que también les proporciona una perspectiva global invaluable.

XII.- Estrategia empresarial. Toma de decisiones basada en IA

Esta asignatura se enfoca en la aplicación de la Inteligencia Artificial en la estrategia empresarial y la toma de decisiones en entornos dinámicos y cambiantes. Se analizará cómo la IA potencia los procesos organizacionales y facilita el pensamiento estratégico en contextos VUCA, promoviendo la innovación y la generación de valor en las organizaciones. Asimismo, se abordarán competencias directivas orientadas al liderazgo de la transformación tecnológica estratégica, así como el diseño y construcción de planes estratégicos aumentados mediante herramientas de IA como Gemini. La asignatura permitirá comprender cómo integrar tecnologías inteligentes en la planificación y dirección empresarial para fortalecer la competitividad y la capacidad de adaptación organizacional.

Contenidos:

1. Pensar Estratégicamente con IA en entornos VUCA.
2. Rompiendo la Lógica de la Competencia: Innovación en Valor.
3. Estrategia y Procesos Organizacionales Potenciados por IA.
4. Competencias Directivas: Liderar la Transformación Tecnológica Estratégica.
5. Diseño de un GEM Estratégico con Gemini.
6. Construcción de un Plan Estratégico Aumentado.

XIII.- Innovación y Emprendimiento: Crear Nuevos Negocios con Apoyo de la IA

Esta asignatura se enfoca en el uso de la Inteligencia Artificial para la creación, validación y desarrollo de ideas de negocio innovadoras. Se abordarán metodologías para validar proyectos, generar prototipos y desarrollar MVPs apoyados en herramientas de IA y soluciones No-Code. Asimismo, se explorarán técnicas de análisis de mercados potenciadas con Inteligencia Artificial, orientadas a identificar oportunidades y optimizar la toma de decisiones empresariales. La asignatura también permitirá comprender cómo la IA facilita los procesos de mejora continua y retroalimentación en el desarrollo de negocios digitales y tecnológicos.

Contenidos:

1. Validar una Idea o Proyecto I – II.
2. Generar Prototipos y MVP con IA I – II.
3. Crear, Estructurar y Validar Negocios Basados en IA I – II.
4. Análisis de Mercados Potenciados con IA I -II.
5. Apoyo de la IA en la Creación de MVPs con No-Code I – II.
6. Feedback y Mejora Continua con IA I – II.

XIV.- Trabajo Fin de Programa

El Trabajo Fin de Máster es el último paso para poder obtener el título del programa formativo. Consiste en la realización de un trabajo académico en el que se apliquen o desarrollen conocimientos adquiridos a lo largo del programa formativo. Este trabajo deberá contemplar la aplicación de competencias generales asociadas al programa.