Python Para Economistas 1o3a11

PYTHON PARA ECONOMISTAS Grupo Lambda Mayo 2018

1.

Profesor Mg. Heber Julio Balde´ on Paucar Coordinador de Asociaciones P´ ublico Privadas, Subsidios Cruzados y M´etodos Cuantitativos en la Gerencia de Regulaci´ on Tarifaria de la SUNASS. Economista de la UNMSM y con M´ aster en Finanzas Cuantitativas en la Universidad de Alcal´a de Henares, Madrid - Espa˜ na. Adem´ as, ha cursado el 56 Curso de Extensi´on Universitaria de Econom´ıa Avanzada del BCRP y especializaciones en el FMI, Banco Mundial, ESAN, UP, PU y UNMSM. Especialista en finanzas, econometr´ıa aplicada, machine learning y gesti´on de riesgos.

2.

Objetivos del curso Proporcionar al estudiante los fundamentos b´asicos-intermedios de programaci´on y manejo de bases de datos en el software libre Python. Proporcionar al estudiante las herramientas cuantitativas b´asicas para estimaci´on de modelos lineales para datos de corte transversal y series de tiempo. Proporcionar al estudiante la utilidad del software Python en aplicaciones a Econometr´ıa y Machine Learning.

3.

Metodolog´ıa El curso consta de 24 horas lectivas. Las sesiones consistir´an en exposiciones presenciales del Docente y la participaci´ on activa de los alumnos mediante el desarrollo de aplicaci´on en cada clase.

4. 4.1.

Contenido Introducci´ on a la programaci´ on y manejo de Bases de Datos (4 horas) Intalaci´ on de Python y Anaconda. Importaci´ on de librerias Pandas y NumPy (Numerical Python). Creaci´ on y carga de bases de datos en formato csv, xlsx, tex, HTML, json. Categorizando informaci´ on cualitativa. Partici´ on de data frames (training & testing data). Merge, reshape, clean y transformaci´on de variables. Missing data, duplicados, reescalando, normalizaci´on (estandarizaci´on). Detecci´ on de outliers.

1

Python para economistas

4.2.

Grupo Lambda

Visualizaci´ on de datos (4 horas) Visualizaci´ on de datos con el paquete ggplot2. Gr´ aficas de dispersi´ on, l´ıneas, barras, distribuciones, mapas de color. Gr´ aficas 3D y animaciones, textos e histogramas en 3D. Presentaci´ on en PDF.

4.3.

An´ alisis de Regresi´ on (6 horas) Regresi´ on lineal simple, regresi´ on lineal m´ ultiple y regresi´on polinomial. Regresi´ on log´ıstica. Vector Regression. Decision Tree Regression. Random Forest Regression. Evaluaci´ on del performance del modelo de regresi´on

4.4.

An´ alisis de Clasificaci´ on (6 horas) Regresi´ on log´ıstica. K-Nearest Neighborns (K-NN). Vector Machine (SVM). Kernel SVM. Naive Bayes. Desicion Tree Classification. Random Forest Classification. Evaluaci´ on del performance del modelo de clasificaci´on

4.5.

Series temporales (4 horas) Trabajando con informaci´ on financiera. Operaciones y secuencias de fechas. Descomposici´ on y filtros para series de tiempo. Suavizamiento y predicci´ on con el m´etodo de Holt-Winters. Modelos ARIMA. Introducci´ on a las Redes Neuronales

Lima, mayo de 2018.

2