ï»¿ Avanzado | Black-Litterman y HRP .objectives { background: rgba(156,100,255,0.1); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px solid rgba(156,100,255,0.3); } .objectives h3 { color: #9c64ff; 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(156,100,255,0.08); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px dashed rgba(156,100,255,0.4); } .module-recap h3 { color: #9c64ff; font-size: 1rem; margin-bottom: 0.5rem; } .module-recap li { color: #8899bb; font-size: 0.85rem; margin: 0.3rem 0; }

ð® BLACK-LITTERMAN Y HRP

OptimizaciÃ³n robusta con Hierarchical Risk Parity

Views subjetivas Clustering

ð® PiÃ©nsalo asÃ: Black-Litterman es como un chef que combina su receta secreta (opiniones personales) con la receta estÃ¡ndar del libro de cocina (equilibrio de mercado). HRP es como organizar una fiesta: agrupa a los invitados (activos) por afinidad y reparte la comida (capital) equitativamente entre grupos.

🎯 ¿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

Black-Litterman: Tus vistas del mercado

BTC view:

ETH view:

Confianza:

Black-Litterman

Activo	Peso
BTC	â
ETH	â
AAPL	â
SPY	â

Sharpe: â

MPT Tradicional

Activo	Peso
BTC	â
ETH	â
AAPL	â
SPY	â

Sharpe: â

Hierarchical Risk Parity

Clusters: [BTC, ETH] ð¡ Cripto ÃÂ· [AAPL, SPY] ð¡ Acciones. AsignaciÃ³n por inverso de varianza intra-cluster y ponderaciÃ³n entre clusters.

Activo	HRP Peso
BTC	â
ETH	â
AAPL	â
SPY	â

ð¡ Selecciona tus views de mercado y nivel de confianza. BL combinarÃ¡ tu opiniÃ³n con el equilibrio del mercado.

💻 Código anotado

      precios = [67000, 67500, 68000, 67200]  # Lista: ordenada y mutable
      precios.append(67800)  # append() agrega un elemento al final
      activos = {'BTC': 67500, 'ETH': 3400}  # Dict: acceso por clave (ticker)
      print(activos['BTC'])  # 67500  # Acceso directo por nombre del activo
  

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

✏️ Mini-ejercicio

¿Qué estructura de datos usarías para una lista ordenada y mutable de precios?

// Responde y presiona Verificar

🔍 Sabías que... Curiosidades de trading

El primer DataFrame de la historia fue implementado por Wes McKinney en 2008. Una lista de Python almacena ~3650 velas (10 años de datos diarios) en ~200 KB.

Dato práctico: df.to_dict() es ideal para compartir datos entre Python y otros lenguajes.

📋 Checklist de aprendizaje

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

Creo listas con [] y accedo por índice Uso diccionarios con clave:valor Elijo la estructura adecuada para cada problema financiero Comprendo mutable vs inmutable

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

ð® BLACK-LITTERMAN Y HRP