Saltar al contenido

Guías

Guías y notas técnicas

Material para aprender haciendo: temarios con código listo para copiar y notas sobre métodos que uso en los proyectos.

Guías prácticas

Formación Práctica en Python, Datos y Modelado

Guías paso a paso, código estructurado y explicaciones visuales de conceptos matemáticos y financieros complejos. Selecciona un curso para explorar su temario, módulos y ejemplos de código.

Intermedio 4 Módulos · Práctico con Código Listo para contenido

Python para Ciencia de Datos & Finanzas Cuantitativas

De cero a pipelines reproducibles, análisis exploratorio riguroso y modelos de riesgo.

Curso estructurado paso a paso con código limpio y casos de uso del mundo real. Aprende manejo avanzado de pandas, vectorized operations, SQL para extracción masiva, modelado con scikit-learn y métricas de valor económico aplicadas a carteras crediticias y seguros.

PythonPandasSQLScikit-LearnRiesgo FinancieroVisualización

Plan de Estudio & Módulos (4)

Temas y Conceptos Clave:
  • Buenas prácticas de entorno: uv, venv y reproducibilidad
  • Indexación booleana y transformaciones con .assign() y .pipe()
  • Manejo de fechas financieras e imputación controlada
  • Optimización de memoria en carteras de millones de registros
01_limpieza_financiera.py
python 
import pandas as pd
import numpy as np

def limpiar_cartera(df: pd.DataFrame) -> pd.DataFrame:
    """Pipeline reproducible de limpieza y cálculo de días de mora."""
    return (
        df.copy()
        .astype({'id_credito': 'string', 'estado': 'category'})
        .assign(
            fecha_corte=lambda d: pd.to_datetime(d['fecha_corte']),
            monto_otorgado=lambda d: pd.to_numeric(d['monto_otorgado'], errors='coerce'),
            ratio_endeudamiento=lambda d: d['saldo_deudor'] / np.maximum(d['ingreso_mensual'], 1.0),
            flag_mora_30=lambda d: (d['dias_atraso'] >= 30).astype(int)
        )
        .dropna(subset=['monto_otorgado', 'ingreso_mensual'])
    )
Este pipeline vectorizado evita bucles manuales y encadena transformaciones inmutables con .assign(), garantizando reproducibilidad y bajo uso de memoria.
Contenido en expansión continua: Puedes solicitar módulos adicionales o explorar los proyectos vinculados para ver estos métodos aplicados en datasets financieros reales.

Notas técnicas

Exploración Cuantitativa y Rigor Metodológico

Artículos metodológicos, experimentos empíricos y documentación de modelos de crédito, optimización no convexa y RAG regulatorio.

Metaheurísticas & Optimización Cuantitativa En curso · 2026

Optimización Bioinspirada (PSO y Algoritmos Genéticos) en Modelos de Cartera Vencida

Estudio comparativo sobre el rendimiento de Enjambre de Partículas (PSO) y Algoritmos Genéticos frente a métodos basados en gradiente y búsqueda Bayesiana para la optimización de hiperparámetros en espacios no convexos de modelos de riesgo financiero.

Hallazgo Clave

En funciones de pérdida fuertemente multimodales con discontinuidades regulatorias, PSO converge a regiones de utilidad más estables que la búsqueda en rejilla tradicional sin inflar la complejidad computacional.

PSOAlgoritmos GenéticosOptimización No ConvexaLightGBMRiesgo
Inferencia Estadística & Decisión Económica Nota técnica · 2025

Impacto de la Calibración de Probabilidades en Decisiones de Cobranza bajo Restricciones de Capacidad

Análisis empírico del efecto de técnicas de calibración (Regresión Isotónica vs. Escalamiento de Platt) cuando se asignan recursos limitados de call center a cuentas en mora temprana.

Hallazgo Clave

Un modelo con menor AUC pero mejor calibración de probabilidades produce un retorno económico neto 14% mayor que un modelo no calibrado con AUC inflado.

CalibraciónBrier ScoreCobranzaUtilidad EsperadaScikit-Learn
NLP & Inteligencia Artificial Generativa Nota técnica · 2025

Recuperación Híbrida (Sparse + Densa) con Reranking para Normativas Financieras y Seguros

Evaluación de arquitecturas de Retrieval-Augmented Generation (RAG) combinando búsqueda léxica BM25 y embeddings densos para reducir alucinaciones en consultas de leyes federales y regulaciones de CONDUSEF.

Hallazgo Clave

La recuperación híbrida combinada con filtrado por artículo legal exacto eleva la precisión de recuperación a Top-3 por encima del 92% frente a embeddings vectoriales puros.

RAGBM25EmbeddingsRegulación FinancieraLLM