1
UD1: Introducción a las Series Temporales
Concepto de serie temporal y proceso estocásticoEstacionariedad débilACF, PACF y Ruido BlancoModelos AR(1) y AR(2)
2
UD2: Modelos ARIMA y Metodología Box-Jenkins
Modelos AR(p), MA(q) y ARMA(p,q)ARIMA(p,d,q) y diferenciaciónMetodología Box-Jenkins (5 pasos)
3
UD3: Modelos SARIMA
Estacionalidad en series temporalesSARIMA(p,d,q)×(P,D,Q)_sDiferenciación estacionalCaso práctico: temperaturas Nueva York
4
UD4: Regresión con Errores de Series Temporales
Regresión con errores de STProcedimiento de 4 pasosCaso práctico: tasas de interés EE.UU.Modelo ARIMAX
5
UD5: Facebook Prophet
Modelo aditivo: tendencia, estacionalidad, festivosChangepoints y detección automáticaParámetros e implementación en PythonValidación cruzada temporal
6
UD6: Modelos GARCH y ARCH
Clustering de volatilidadModelo ARCH(q)GARCH(p,q) y GARCH(1,1)Caso práctico: EurUSD
7
UD7: Redes Neuronales y Aprendizaje Profundo
Perceptrón y ADALINEFunciones de activaciónOptimizadores y proceso de entrenamientoForward/Backpropagation y Keras
8
UD8: Sistemas Recomendadores
Tipos: Popular, Content-Based, Collaborative, HybridFenómeno Long TailRating Matrix y entradas del sistemaMemory-based vs Model-based
9
UD9: VaR y Expected Shortfall
Risk Management: categorías de riesgoValue at Risk: definición y cálculoEWMA y GARCH para volatilidad condicionalExpected Shortfall y backtesting