De Python desde cero a operar en un bróker real
Difícil · Pista técnica · niveles 1–13
Nivel 1: Fundamentos del Trading Algorítmico
Antes de cualquier estrategia hay que entender el terreno de juego: cómo se diseña un sistema de trading algorítmico de principio a fin, qué variables mueven realmente el precio, qué son los datos alternativos, las dos grandes escuelas de modelización financiera y quién compite contigo cada día en el mercado.
- 1. Diseñar un sistema de trading algorítmico: las diez etapas
- 2. Precio, volumen y retorno: las tres variables que verás en cada gráfico
- 3. Volatilidad, el spread y el libro de órdenes: el precio de comprar ahora mismo
- 4. Datos alternativos: ventaja fuera del gráfico
- 5. Dos formas de entender el mercado: modelos matemáticos y modelos estadísticos
- 6. Quién mueve realmente el mercado: los tipos de inversores
- 7. Doce enfoques de trading: qué herramienta usa cada tipo de estrategia
Nivel 2: Python desde Cero para Finanzas
Todo el Python que necesitas antes de tocar una sola estrategia: variables, estructuras de datos, control de flujo, funciones y clases, y las dos librerías que vas a usar constantemente — NumPy para cálculo vectorizado y matplotlib para visualizar tus datos.
- 1. Preparar tu entorno: Python y sus herramientas
- 2. Variables, tipos de datos y operadores
- 3. Estructuras de datos: strings, listas, tuplas y diccionarios
- 4. Control de flujo: bucles y comprensión de listas
- 5. Funciones, clases y manejo de errores
- 6. NumPy: arrays y cálculo vectorizado con precios
- 7. Visualizar datos con matplotlib: tu primer gráfico de precios
Nivel 3: Datos de Mercado y APIs
De cero a tener precios reales en tu ordenador: descargar y visualizar datos con yfinance, generar tu primera señal de trading con el MACD, trabajar con las 500 empresas del S&P 500 a la vez, y conectar con exchanges de criptomonedas de forma segura.
- 1. Descargar precios históricos con yfinance
- 2. Velas japonesas, medias móviles y tu primer gráfico técnico
- 3. Tu primera señal de trading real: el cruce MACD
- 4. Proveedores de datos profesionales: más allá de Yahoo Finance
- 5. Descargar el S&P 500 completo: web scraping y limpieza de datos
- 6. Trading de criptomonedas con Python: ccxt, el traductor universal de exchanges
- 7. La API de Binance y la seguridad de tus claves
Nivel 4: Screening de Acciones
Convierte un criterio de trading en un filtro programado: el Trend Template de Mark Minervini paso a paso, un screener de rebotes con EMA y estocástico, un tercer filtro que combina momentum y valor, y una reflexión honesta sobre lo que un screener puede y no puede decirte.
- 1. Qué es un stock screener y por qué te ahorra tiempo
- 2. El Trend Template de Mark Minervini: las 8 condiciones de una tendencia fuerte
- 3. Calcular el Relative Strength Rating: comparar cada acción con el mercado
- 4. Programar el filtro Minervini completo: de 500 acciones a una lista corta
- 5. Osciladores: EMA y estocástico para detectar rebotes
- 6. Combinar momentum y valor: MACD, RSI y el ratio P/E
- 7. Los límites de cualquier screener: qué no te dice una lista de tickers
Nivel 5: Estrategias de Momentum, Mean-Reversion y Pairs Trading
Las grandes familias de estrategias algorítmicas: tendencia y momentum (apostar a que el movimiento continúa), y reversión a la media y pairs trading (apostar a que vuelve). Programarás tu primera estrategia completa con backtest, un z-score aplicado a un solo activo, y un screener de pares cointegrados.
- 1. Estrategias de tendencia: seguir la corriente del mercado
- 2. Momentum: apostar a que lo que sube sigue subiendo
- 3. Tu primera estrategia completa: el cruce de una media móvil
- 4. Cruce de dos medias móviles: la estrategia dual
- 5. Mean reversion: el precio vuelve a su media
- 6. Z-score: cuándo un precio está muy alto o muy bajo
- 7. Pairs trading: la diferencia, no la dirección
Nivel 6: Regresión y Modelos de Pricing
Del ajuste de una recta en Python a los modelos que explican por qué un activo renta lo que renta: canales de regresión en análisis técnico, CAPM, factor investing y el modelo Fama-French, estimados con statsmodels sobre datos reales de mercado.
- 1. Regresión lineal en Python: tres librerías, tres filosofías
- 2. Canales de regresión: la tendencia y su volatilidad
- 3. El indicador de regresión lineal frente a la media móvil
- 4. CAPM: el precio del riesgo sistemático
- 5. Factor investing: los modelos de Fama-French
- 6. statsmodels en la práctica: de precios a regresión factorial
- 7. Leer la salida: coeficientes y t-stats
Nivel 7: Diagnóstico Estadístico Riguroso
Los supuestos que sostienen una regresión y cómo comprobar si tu modelo los cumple: teorema de Gauss-Markov, errores estándar, intervalos de confianza, contraste de hipótesis, R cuadrado y diagnóstico de residuos (heterocedasticidad, autocorrelación y normalidad).
- 1. Los supuestos clave de la regresión
- 2. Propiedades de MCO y el teorema de Gauss-Markov
- 3. Errores estándar e intervalos de confianza
- 4. Contraste de hipótesis: nula, t y p-valor
- 5. Bondad de ajuste y las trampas del R cuadrado
- 6. Diagnóstico de residuos y heterocedasticidad
- 7. Autocorrelación, normalidad y residuos estandarizados
Nivel 8: Series Temporales - Estacionariedad
El terreno de juego real de cualquier estrategia cuantitativa: cómo preparar una serie temporal financiera, construir características con retardos y ventanas, leer un gráfico de autocorrelación, y decidir con el test de Dickey-Fuller aumentado si una serie es estacionaria o si simplemente estás mirando un paseo aleatorio disfrazado de señal.
- 1. Preparar datos de series temporales: del precio al retorno
- 2. Características: retardos y ventanas móviles
- 3. Visualización: distribuciones y dispersión
- 4. Gráficos de autocorrelación: ACF y PACF
- 5. Media móvil y componentes de una serie temporal
- 6. Estacionariedad, Dickey-Fuller y cointegración
- 7. Evaluar modelos: persistencia y residuos
Nivel 9: Series Temporales - ARIMA y GARCH
De la tendencia lineal a los modelos autorregresivos, ARIMA y la familia ARCH/GARCH, hasta construir una estrategia ARIMA+GARCH sobre el S&P 500 con validación walk-forward.
- 1. De la tendencia lineal a los modelos autorregresivos AR(p)
- 2. Ajustar un AR en Python: el orden con AIC y BIC
- 3. Predecir con AR: intervalos y walk-forward
- 4. Modelos de media móvil (MA): modelar el error, no el nivel
- 5. ARIMA: integración, ajuste y predicción con ventana móvil
- 6. Heterocedasticidad condicional y modelos ARCH(p)
- 7. GARCH(p,q) y la estrategia ARIMA+GARCH sobre el S&P 500
Nivel 10: Machine Learning Aplicado al Trading
La entrada seria al machine learning para trading: por qué casi todo algoritmo de ML es en el fondo un problema de optimización, en qué se diferencian los objetivos de la econometría y los del ML, cómo se traduce la terminología de una disciplina a la otra, y los cuatro grandes tipos de aprendizaje (supervisado, no supervisado, semi-supervisado y por refuerzo). Terminamos volviendo a la regresión lineal con ojos de machine learning y estirándola hasta la regresión polinómica.
- 1. La optimización, el corazón del machine learning
- 2. Econometría frente a machine learning: dos objetivos distintos
- 3. Qué es exactamente el machine learning
- 4. Aprendizaje supervisado: aprender con profesor
- 5. Aprendizaje no supervisado y semi-supervisado
- 6. Aprendizaje por refuerzo: agente, entorno y recompensa
- 7. De la regresión lineal a la polinómica
Nivel 11: Redes Neuronales para Trading
Redes neuronales explicadas de verdad: qué son, cómo se ajustan, y cómo funciona la retropropagación por dentro. Programarás una red desde cero en NumPy, otra con Scikit-Learn, entenderás autoencoders frente a PCA, y montarás tres estrategias completas: una red neuronal que predice el movimiento de una acción, un SVM que clasifica regímenes de mercado y un KNN de señales diarias.
- 1. Más allá de la linealidad: qué es una red neuronal
- 2. La sigmoide y la función de error que vas a minimizar
- 3. Retropropagación: gradiente y regla de la cadena
- 4. Una red en NumPy y otra con Scikit-Learn
- 5. Autoencoders y PCA: reducir dimensiones
- 6. Caso práctico 1: red neuronal para una acción
- 7. Casos prácticos 2 y 3: SVM para regímenes y estrategia con KNN
Nivel 12: Backtesting y Métricas de Riesgo Reales
Aprende a simular una estrategia sobre datos históricos con Backtrader, a leer el gráfico de resultados y a juzgarla con métricas de rendimiento y riesgo honestas. Este es el nivel donde dejas de engañarte con backtests demasiado bonitos.
- 1. Optimizar sin engañarse: qué es de verdad un backtest
- 2. Anatomía de un backtest con Backtrader
- 3. Costes reales: comisiones, slippage y tamaño de posición
- 4. Leer el gráfico del backtest: precio, operaciones y capital
- 5. Un caso completo: Bandas de Bollinger con RSI
- 6. Métricas de rendimiento y riesgo que sí importan
- 7. Analizadores, pyfolio y validación fuera de muestra
Nivel 13: Conectar con Brokers Reales
El último paso del curso: pasar de la simulación al mercado. APIs REST, FIX y WebSocket, autenticación firmada, envío de órdenes límite, paper trading, gestión de errores, monitorización y el checklist antes de operar con dinero real.
- 1. Del backtest al mercado: qué cambia cuando el dinero es real
- 2. APIs y protocolos de comunicación: REST, FIX y WebSocket
- 3. Autenticación: firmar cada petición con HMAC
- 4. Colocar una orden límite en Coinbase Pro
- 5. Paper trading, sandbox y el primer dinero real
- 6. Errores, reintentos y reconexión en producción
- 7. Logging, monitorización y checklist final: cierre del curso