Introducción a la Economía Financiera

Introducción a la Economía Financiera

Descripción del Curso

Este curso proporciona una introducción integral a la economía financiera y los métodos cuantitativos aplicados en finanzas. Se cubren tanto los fundamentos teóricos como las aplicaciones prácticas, comenzando con una revisión de las principales teorías y conceptos económicos que sustentan el análisis financiero, para luego profundizar en las características y comportamiento de las series financieras. A lo largo del curso, se exploran herramientas cuantitativas clave, como probabilidad, estadística, y análisis de series temporales, que son fundamentales para la toma de decisiones en finanzas. Se hace énfasis en la implementación de estos métodos utilizando R para el análisis de datos financieros reales.

Duración del curso

  • Horas totales: 40 horas
  • Modalidad: En línea
  • Frecuencia: Sábados (8:00 - 12:00) y Miércoles se liberarán clases grabadas.

Objetivos

El objetivo de este curso es equipar a los estudiantes con las habilidades cuantitativas necesarias para analizar series financieras y tomar decisiones informadas en finanzas. Al finalizar el curso, los estudiantes comprenderán los conceptos clave de la economía financiera, podrán describir y modelar series temporales financieras, y utilizarán herramientas estadísticas y econométricas como la probabilidad, la estimación y la regresión para el análisis y la predicción de datos financieros.

Requisitos previos

  • Conocimientos básicos de finanzas y matemáticas.
  • Familiaridad con herramientas básicas de programación (R o Python deseables, pero no obligatorios).

Programa

Parte 1: Introducción a la Economía Financiera

  • Visión General de la Economía Financiera

    • Breve historia de la economía financiera.
    • Principales líneas de investigación y aplicaciones.
    • Conceptos básicos de economía financiera.
  • Características de las series financieras

    • Datos macroeconómicos vs. datos financieros.
    • Propiedades de las series financieras: estadísticas descriptivas.
    • Hechos estilizados de las series financieras.

Parte 2: Métodos Cuantitativos en Finanzas

  • Probabilidad y distribuciones

    • Conceptos básicos de probabilidad.
    • Distribuciones de probabilidad.
    • Momentos estadísticos.
    • Aplicaciones en finanzas: VaR y CVaR.
  • Muestreo y distribuciones de muestreo

    • Muestreo aleatorio y estratificado.
    • Distribuciones de muestreo: el promedio y varianza muestral.
  • Estimación y pruebas de hipótesis

    • Introducción a la estimación.
    • Estimación de la media poblacional.
    • Pruebas de hipótesis: conceptualización.
    • Pruebas de hipótesis para la media poblacional.
  • Análisis de correlación y regresión

    • Correlación y causalidad.
    • Regresión lineal simple y múltiple.
    • Aplicaciones en finanzas: CAPM, APT.

Parte 3: Series temporales financieras univariadas

  • Introducción a las series temporales
    • Conceptos básicos de series temporales: descomposición, estacionalidad, tendencia.
    • Estacionariedad y autocorrelación.
    • Modelos autorregresivos.
    • Predicción de series temporales.

Evaluación

La evaluación del curso se realizará de la siguiente manera:

EvaluaciónPorcentaje
Participación y tareas60%
Proyecto final40%

Bibliografía y Recursos

Libros

  • Bodie, Z., Kane, A., & Marcus, A. J. (2024). Investments, 13th edition, McGraw-hill.
  • Brooks, C. (2019). Introductory econometrics for finance. Cambridge university press.
  • Hyndman, R.J., & Athanasopoulos, G. (2021). Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. OTexts.com/fpp3.
  • Hull, J. C. (2014). Options, Futures, and Other Derivatives. Pearson.

Software

  • Se utilizará R y su visualizador R Studio para la implementación de los ejercicios prácticos. Se recomienda instalar ambos programas antes del inicio del curso.
  • Para un tutorial de instalación y entender los conceptos básicos de R, se recomienda revisar esta guía: Introducción a R. Para un tratamiento más detallado de R, se recomienda el libro de Grolemund y Wickham (2023) R for Data Science.