.objectives { background: rgba(255,80,80,0.1); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px solid rgba(255,80,80,0.3); } .objectives h3 { color: #ff5050; font-size: 1.1rem; margin-bottom: 0.7rem; } .objectives li { color: #b9ccee; font-size: 0.9rem; margin: 0.4rem 0; list-style: none; } .objectives li::before { content: "🎯 "; } .module-recap { background: rgba(255,80,80,0.08); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px dashed rgba(255,80,80,0.4); } .module-recap h3 { color: #ff5050; font-size: 1rem; margin-bottom: 0.5rem; } .module-recap li { color: #8899bb; font-size: 0.85rem; margin: 0.3rem 0; }

🎯 SVM

Clasificación de regímenes de mercado con SVMs

Kernel 3 regímenes

🎯 Piénsalo así: SVM encuentra la frontera que mejor separa dos clases, como trazar la línea en la arena que maximiza la distancia a ambos bandos. Con kernels no lineales, puede dibujar curvas complejas para separar datos que se entremezclan.

🎯 ¿Qué aprenderás?

Comprender los conceptos fundamentales de trading algorítmico
Aplicar las técnicas con ejemplos prácticos en Python
Interpretar resultados y diagnosticar problemas comunes
Desarrollar intuición para diseñar estrategias rentables

📈 Datos de mercado: Volatilidad vs Rendimiento (3 regímenes)

Kernel: C: 10 Gamma: 10

💡 Experimenta con kernels, C y gamma para clasificar los 3 regímenes de mercado.

💻 Código anotado

      import numpy as np  # Import estándar con alias corto
      precios = np.array([100, 102, 101, 105])  # array() convierte lista a vector NumPy
      rend = np.diff(precios) / precios[:-1]  # diff(): diferencias entre elementos consecutivos
      log_rend = np.log(precios[1:] / precios[:-1])  # log(): rendimientos logarítmicos aditivos
  

💡 Lee los comentarios: cada línea tiene una razón de ser. El código no se escribe, se diseña.

✏️ Mini-ejercicio

¿Qué método de NumPy calcula el logaritmo natural de un array?

// Responde y presiona Verificar

🔍 Sabías que... Curiosidades de trading

NumPy procesa arrays de 1M de elementos en ~10ms. Python puro toma ~2s. La vectorización es el superpoder del cómputo científico.

Dato práctico: Usa np.where(cond, val_if, val_else) para reemplazar if/else en arrays.

📋 Checklist de aprendizaje

Marca lo que ya dominas. Tu progreso se guarda automáticamente.

Creo arrays con np.array() Uso np.log() y np.diff() en datos financieros Comprendo la ventaja de la vectorización Sé cuándo usar NumPy vs Python puro

0/4 dominados

📌 Resumen del módulo

Concepto clave: domina la idea central presentada en el módulo
Aplicación práctica: los ejemplos te preparan para el mercado real
Errores comunes: identifica y evita las trampas típicas
Próximos pasos: esta base te prepara para el siguiente módulo

Anterior Siguiente