Módulos

MÓDULO 1: FUNDAMENTOS DE FINANZAS Y GESTIÓN DE CARTERAS (4 ECTS)

    CONTENIDO

  • El Valor del Dinero en el Tiempo (TVM).
  • Activos Financieros y Mercados. Renta fija.
  • Fondos de Inversión y ETFs.
  • Teoría de Carteras y Diversificación.
  • Métricas de Rendimiento y Riesgo.
  • Normativa y fiscalidad.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá evaluar activos financieros y gestionar carteras de inversión aplicando la Teoría Moderna de Carteras (MPT) y el Valor del Dinero en el Tiempo (TVM). El alumno será capaz de medir el rendimiento y riesgo de fondos y ETFs bajo el marco normativo y fiscal vigente.


MÓDULO 2: ESTADÍSTICA AVANZADA Y PROBABILIDAD (4 ECTS)

    CONTENIDO

  • Inferencia estadística y contrastes de hipótesis (tests t, F, χ2).
  • Regresión lineal múltiple: diagnóstico de multicolinealidad y heterocedasticidad.
  • Probabilidad bayesiana para decisiones financieras.
  • Novedad académica: Conceptos de estacionariedad, autocorrelación e introducción a modelos multivariantes (VAR).

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá realizar inferencias estadísticas complejas y diagnósticos econométricos (heterocedasticidad, autocorrelación) para validar modelos financieros. Integrar la probabilidad bayesiana y modelos multivariantes (VAR) en la toma de decisiones bajo incertidumbre.


MÓDULO 3: MATEMÁTICAS PARA EL ANÁLISIS DE DATOS (4 ECTS)

    CONTENIDO

  • Cálculo diferencial y flujos descontados.
  • Cálculo de rentas, duraciones y convexidad (CFA L1 y L2).
  • Álgebra lineal aplicada: autovalores, autovectores y matrices de covarianzas.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá dominar las herramientas matemáticas de nivel CFA (L1 y L2) para el cálculo de rentas, duraciones y convexidad. Aplicar el álgebra lineal avanzada mediante el uso de matrices de covarianza y autovectores para el análisis de estructuras de datos financieros.


MÓDULO 4: HERRAMIENTAS DE COMPUTACIÓN Y NUEVAS TECNOLOGÍAS (6 ECTS)

    CONTENIDO

  • Programación en Python.
  • Librerías especializadas: Numpy, Pandas, Scipy, Scikit-Learn, StatsModels.
  • Visualización: Matplotlib, Seaborn y yfinance.
  • Introducción al Machine Learning.
  • Uso de LLMs para análisis de sentimiento financiero y automatización.
  • Excelencia operativa: Git, Docker y documentación de proyectos.

    • COMPETENCIAS

    Competencias: Con la superación de la presente asignatura, el alumnado podrá desarrollar flujos de trabajo automatizados en Python integrando librerías especializadas (Pandas, yfinance) y modelos de lenguaje (LLMs) para el análisis de sentimiento de mercado. Implementar estándares de excelencia operativa mediante Git y Docker.


MÓDULO 5: BASES DE DATOS, PROCESAMIENTO MASIVO Y CLOUD (6 ECTS)

    CONTENIDO

  • SQL y bases de datos para entornos bancarios.
  • Procesamiento de datos masivos con PySpark y arquitecturas Data Lake.
  • Computación en la nube (AWS/Azure/Google Cloud).
  • Ética y Gobernanza del dato.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá diseñar e implementar soluciones de datos en entornos bancarios utilizando SQL y tecnologías de Big Data (PySpark). El alumno podrá gestionar infraestructuras en la nube (AWS/Azure/GCP) garantizando la gobernanza ética y la seguridad de la información masiva.


MÓDULO 6: PRICING, VALORACIÓN Y ACTIVOS ALTERNATIVOS (6 ECTS)

    CONTENIDO

  • Valoración de derivados: forwards, futuros, swaps y opciones.
  • Modelo Black-Scholes y Griegas implementados en Python.
  • Valoración de activos bajo criterios ESG (Environmental, Social, and Governance).

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá valorar derivados financieros (opciones, futuros, swaps) mediante la implementación programática del modelo Black-Scholes y sus Griegas. Incorporar criterios de sostenibilidad (ESG) en la valoración de activos y carteras alternativas.


MÓDULO 7: SERIES TEMPORALES Y FORECASTING DE MERCADOS (6 ECTS)

    CONTENIDO

  • Modelos AR, MA, ARIMA y análisis de estacionalidad.
  • Modelización de volatilidad (ARCH/GARCH).
  • Simulación de Monte Carlo para Value-at-Risk (VaR) y Expected Shortfall.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá modelizar la evolución de precios y la volatilidad de los mercados mediante modelos ARIMA y ARCH/GARCH. Utilizar simulaciones de Monte Carlo para el cálculo de métricas críticas de riesgo como el Value-at-Risk (VaR) y el Expected Shortfall.


MÓDULO 8: INGENIERÍA DE RIESGOS Y REGULACIÓN BANCARIA (6 ECTS)

    CONTENIDO

  • Riesgo de crédito (PD, LGD, EAD) y modelos de scoring.
  • Marco regulatorio: Basilea IV, EBA, FRTB y CVA.
  • Validación de modelos, backtesting y riesgo de modelo (model risk).
  • Prevención del overfitting.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá diseñar modelos de scoring y estimar parámetros de riesgo de crédito (PD, LGD, EAD) bajo los estándares de Basilea IV y la EBA. Realizar backtesting y validación de modelos para mitigar el riesgo de modelo y prevenir el overfitting.


MÓDULO 9: MACHINE LEARNING FINANCIERO (2 ECTS)

    CONTENIDO

  • Modelos supervisados.
  • Detección de fraude.
  • Modelos interpretables SHAP/LIME.
  • Reducción de dimensionalidad (PCA) y optimización convexa.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá implementar algoritmos de aprendizaje supervisado para la detección de fraude y la predicción financiera. Utilizar técnicas de interpretabilidad (SHAP/LIME) y reducción de dimensionalidad (PCA) para crear modelos transparentes y eficientes.


MÓDULO 10: FIXED INCOME Y ESTRUCTURA TEMPORAL (2 ECTS)

    CONTENIDO

  • Curvas de tipos.
  • Swap valuation.
  • Riesgo de liquidez.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá analizar y valorar instrumentos de renta fija modelando la estructura temporal de los tipos de interés (curvas de tipos). Evaluar el riesgo de liquidez y realizar valoraciones precisas de swaps en diferentes escenarios de mercado.


MÓDULO 11: TECNOLOGÍAS EMERGENTES EN LA COMPUTACIÓN. COMPUTACIÓN CUÁNTICA (EQUIVALENCIA: 2 ECTS)

    CONTENIDO

  • Factor investing.
  • Optimización de carteras.
  • Black-Litterman.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá ejecutar estrategias avanzadas de inversión cuantitativa, como el Factor Investing y el modelo de optimización de Black-Litterman, para maximizar el perfil riesgo-retorno de carteras institucionales.


MÓDULO APLICADO (EQUIVALENCIA 6 ECTS)

    Para cumplimentar este módulo, el alumnado podrá elegir una (1) de las siguientes tres (3) opciones:


  • Proyecto.
  • Prácticas.
  • Homologación.

MÓDULO TFM (EQUIVALENCIA 6 ECTS)

    En función de lo elegido en el Módulo Aplicado, el alumnado llevará a cabo uno (1) de estos tres (3) tipos de trabajo:


  • TFM de Proyecto.
  • TFM de Prácticas.
  • TFM de Homologación.