El núcleo
PROessentials está diseñado para desarrollar habilidades fundamentales y transferibles que sirven como base para el éxito académico y profesional de los estudiantes. Este enfoque fomenta la interacción entre alumnos de diferentes disciplinas, enriqueciendo sus perfiles y redes de contacto, mientras se centra en garantizar una enseñanza de calidad y contenidos sólidos. El programa proporciona una comprensión profunda y práctica de estas habilidades esenciales, preparándolos para enfrentar desafíos en diversos contextos y permitiendo una transición fluida hacia estudios avanzados y el entorno profesional.
Inteligencia Artificial: La revolución del dato en finanzas (6 ECTS) La primera asignatura aborda cómo la Inteligencia Artificial transforma el sector financiero, convirtiendo los datos en un activo estratégico clave. Los estudiantes aprenderán las etapas esenciales de proyectos de IA en finanzas, desde la preparación de datos hasta la implementación de modelos analíticos.
- Introducción a la Inteligencia Artificial y aprendizaje automático
- Principios y aplicaciones Big Data en el sector financiero
- Manejo y procesamiento de datos financieros
- Modelos predictivos en finanzas
- Introducción a los modelos generativos en Inteligencia Artificial
- Retos y oportunidades de la Inteligencia Artificial en el contexto financiero
Visualización y análisis: Inteligencia de datos para decisiones financieras (6 ECTS) Esta asignatura enseña técnicas avanzadas para analizar y visualizar datos financieros, transformándolos en información clara y útil. Los estudiantes aprenderán a limpiar, organizar y crear visualizaciones efectivas para respaldar decisiones estratégicas y preparar el desarrollo de modelos más complejos.
- Introducción al tratamiento de datos
- Conexión a fuentes de datos internas y externas
- Fundamentos de estadística descriptiva
- Pruebas de hipótesis y análisis de relaciones estadísticas
- Preparación de datos para el modelado analítico
- Creación de visualizaciones efectivas
Las asignaturas
PROadvanced están diseñadas para desarrollar competencias especializadas y habilidades prácticas en el área de estudio de cada estudiante. Estas asignaturas profundizan en conceptos, teorías y herramientas clave de la disciplina, preparando a los alumnos para aplicar estos conocimientos en contextos reales. Además, se fomenta el trabajo en equipo y el liderazgo, esenciales para enfrentar desafíos profesionales y destacar en su campo.
Gestión avanzada del riesgo crediticio: Algoritmos para transformar la toma de decisiones financieras (6 ECTS) Esta asignatura explora cómo la Inteligencia Artificial optimiza la toma de decisiones estratégicas en finanzas, enfocándose en algoritmos como K-Nearest Neighbors, Naive Bayes y Random Forest. Los estudiantes aprenderán a aplicar estos modelos mediante casos prácticos para resolver problemas financieros complejos.
- Introducción a los algoritmos de clasificación
- Evaluación de modelos de clasificación
- Naive Bayes en la clasificación y segmentación de datos
- K-Nearest Neighbors para análisis de comportamiento financiero
- Modelos basados en árboles de decisión: técnicas de Bagging y Boosting
- Aplicación de algoritmos de clasificación en la evaluación de riesgos crediticios
Inteligencia Artificial estratégica: Modelos y métricas para anticipar el futuro (6 ECTS) Esta asignatura aborda técnicas avanzadas para gestionar el riesgo crediticio, utilizando algoritmos de regresión como Linear Regression y Random Forest Regression. Los estudiantes aprenderán a procesar datos financieros y diseñar estrategias efectivas de mitigación de riesgos en entornos complejos.
- Introducción a los algoritmos de regresión en el contexto financiero
- Regresión lineal para la predicción de precios de activos financieros
- Evaluación de modelos de regresión: métricas y aplicaciones
- Regularización modelos financieros: Regresión Lasso y Ridge
- Árboles de regresión
- Regresión logística aplicada a la probabilidad de eventos financieros
Segmentación inteligente y carteras óptimas: Clustering aplicado al mercado financiero (6 ECTS) Esta asignatura explora técnicas de aprendizaje no supervisado, como K-Means y Principal Component Analysis, para la segmentación de clientes y optimización en mercados financieros. Los estudiantes aprenderán a evaluar la calidad de los clusters y aplicar estas herramientas en casos prácticos.
- Introducción al aprendizaje no supervisado en el contexto financiero
- Fundamentos de los algoritmos de clustering
- Evaluación y validación de modelos de clustering en finanzas
- K-Means clustering para segmentación de clientes financieros
- Clustering jerárquico en aplicaciones financieras
- Algoritmos de reducción de dimensionalidad
Fraude financiero bajo control: Inteligencia Artificial como barrera en la era digital (6 ECTS) Esta asignatura aborda técnicas avanzadas de Inteligencia Artificial, como Isolation Forest y Support Vector Machines, para detectar y prevenir fraudes financieros. Los estudiantes aprenderán a modelar riesgos, identificar anomalías y diseñar sistemas de detección robustos y confiables.
- Introducción a la detección de anomalías en el ámbito financiero
- Métodos estadísticos para la detección de anomalías en datos financieros
- Técnicas basadas en distancia y su aplicación en finanzas
- Evaluación de modelos de detección de anomalías
- Árboles de decisión para la detección de fraude financiero
- Modelos basados en SVM para detección de anomalías financieras
Redes neuronales para la economía: Decisiones precisas en mercados complejos (6 ECTS) Esta asignatura combina teoría y práctica para enseñar el uso de redes neuronales, desde el perceptrón simple hasta modelos avanzados, en la toma de decisiones económicas. Los estudiantes desarrollarán habilidades en deep learning, ajuste de hiperparámetros y regularización para resolver problemas complejos de análisis financiero.
- Introducción a las redes neuronales artificiales
- Funciones de activación y su impacto en el aprendizaje de la red
- Forward propagation y el cálculo de la salida de la red neuronal
- Backpropagation para el ajuste de los pesos de la red neuronal
- Optimización de redes neuronales mediante descenso de gradiente
- Evaluación y sobreajuste de redes neuronales
Interpretabilidad, sesgos y ética: Construyendo confianza en la IA financiera (6 ECTS) La asignatura aborda interpretabilidad, sesgos y ética en aplicaciones de IA para finanzas, enseñando técnicas como LIME y SHAP para explicar modelos. Los estudiantes aprenderán a identificar sesgos, analizar impactos de decisiones automatizadas y aplicar principios éticos que equilibren innovación con responsabilidad.
- Introducción a la interpretabilidad de modelos en finanzas
- El impacto de los sesgos en los modelos y su influencia en las decisiones
- Estrategias para la prevención de sesgos en modelos financieros
- Principios de Fairness para construir modelos financieros justos
- Ética y cumplimiento normativo en el uso de la Inteligencia Artificial
- Técnicas de interpretabilidad: LIME, SHAP, permutación y otros enfoques
Predicción inteligente: Inteligencia Artificial para el análisis de precios en mercados financieros (6 ECTS) Esta asignatura enseña técnicas de IA para la predicción de precios en mercados financieros, combinando modelos estadísticos como ARIMA con arquitecturas avanzadas de deep learning como Recurrent Neural Networks. Los estudiantes aplicarán estas herramientas para capturar patrones complejos y mejorar la precisión en análisis financieros.
- Introducción al análisis de series temporales en finanzas
- Modelos analíticos para la predicción de precios de activos financieros
- Selección de parámetros y validación de modelos clásicos
- Redes neuronales recurrentes para la exploración de series temporales
- Long Short-Term Memory como técnica avanzada de series temporales
- Comparación de modelos en la predicción de mercados financieros
Procesamiento del Lenguaje Natural en los mercados: Análisis de noticias financieras (6 ECTS) Esta asignatura aborda el uso de técnicas de Natural Language Processing, como Word2Vec y BERT, para analizar textos financieros y datos no estructurados. Los estudiantes aplicarán estas herramientas en tareas como análisis de sentimiento y extracción de información clave para tomar decisiones estratégicas en mercados dinámicos.
- Introducción al procesamiento del lenguaje natural y su aplicación en finanzas
- Preprocesamiento de textos financieros mediante múltiples técnicas
- Modelos de representación de texto financieros
- Aplicaciones para análisis de sentimiento y monitoreo de redes sociales
- Modelos avanzados de lenguaje para el análisis de texto financieros
- Feature engineering de textos para modelos predictivos en finanzas
Regulación e Inteligencia Artificial: Cumpliendo las normas en la innovación financiera (6 ECTS) Esta asignatura analiza la regulación y ética en la Inteligencia Artificial aplicada a finanzas, incluyendo normativas sobre privacidad, transparencia y fintech. Los estudiantes comprenderán cómo estas leyes impactan la innovación y el uso responsable de la tecnología en el sector financiero.
- Principios y desafíos a la regulación en fintech
- Regulación en la gestión y protección de datos
- Leyes y normativas clave en el marco regulatorio financiero
- Retos y oportunidades legales de la industria fintech
- Cuerpos normativos internacionales
- Cumplimiento y buenas prácticas
Proyecto Fin de Programa (8 ECTS) El Trabajo fin de Máster es el último paso para 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.