Fines de Aprendizaje o Formación
Al finalizar la asignatura, el estudiante consolidará una toma de decisiones basada en evidencia, aplicando el ciclo de mejora continua (PDCA) para formular problemas gerenciales y transformarlos en preguntas de investigación sustentadas en datos. Será capaz de identificar y gestionar distintas tipologías de información, así como de definir Indicadores Clave de Rendimiento (KPI) alineados con los objetivos organizacionales.
Asimismo, desarrollará competencias para la ejecución de proyectos de inteligencia de datos, realizando preprocesamiento de información (calidad, sesgos y anomalías) y aplicando análisis estadístico descriptivo y exploratorio. Introducirá fundamentos de análisis inferencial y predictivo, diferenciando correlación y causalidad, para simular escenarios, cuantificar la incertidumbre y evaluar riesgos mediante modelos probabilísticos y de pronóstico.
Finalmente, el estudiante dominará la comunicación analítica, estratégica y ética, elaborando narrativas claras y visualizaciones efectivas para audiencias no técnicas mediante tableros de control e informes ejecutivos. Estas competencias se integrarán con una responsabilidad profesional sólida, garantizando el uso ético de los datos, la privacidad, la equidad algorítmica y la rendición de cuentas en la toma de decisiones organizacionales.
Fines de Aprendizaje o Formación
El estudiante desarrollará una comprensión integral del ecosistema Insurtech, diferenciándolo del entorno Fintech en términos de capitalización y gestión del riesgo. Analizará modelos de negocio disruptivos como seguros bajo demanda y esquemas P2P, evaluando su impacto en la cadena de valor aseguradora, así como los desafíos regulatorios clave, incluyendo requerimientos de solvencia y protección ética de datos personales.
Asimismo, estará capacitado para evaluar y proponer la aplicación estratégica de tecnologías emergentes en seguros, utilizando Inteligencia Artificial para la suscripción predictiva y gestión de siniestros, Internet de las Cosas (IoT) para seguros basados en el uso (UBI) y productos paramétricos, y Tecnología de Registro Distribuido (DLT) y contratos inteligentes para automatizar procesos y optimizar el reaseguro.
Finalmente, el estudiante adquirirá competencias para diseñar e implementar soluciones RegTech, garantizando el cumplimiento normativo automatizado mediante la digitalización regulatoria, el uso de SupTech para supervisión en tiempo real, y la automatización de procesos críticos como KYC y AML con identidad digital robusta. Integrará enfoques de Gobierno, Riesgo y Cumplimiento (GRC) apoyados en analítica de grandes volúmenes de datos.
Fines de Aprendizaje o Formación
El estudiante comprenderá los fundamentos y la evolución del trading algorítmico y de alta frecuencia (AT y HFT), distinguiéndolos de la negociación discrecional. Analizará la microestructura de mercado, incluyendo libros de órdenes y profundidad de mercado (DOM), y dominará la infraestructura tecnológica necesaria para la ejecución automatizada, utilizando lenguajes como Python y C++ y protocolos de conectividad (FIX, ITCH).
Asimismo, desarrollará competencias para diseñar y programar estrategias cuantitativas robustas, implementando modelos estocásticos como reversión a la media y cointegración (pairs trading), indicadores técnicos para seguimiento de tendencias, arbitraje estadístico y herramientas de Aprendizaje Automático (ML) para la detección de patrones, asegurando la solidez matemática de las decisiones.
Finalmente, el estudiante aplicará tácticas de ejecución algorítmica eficientes (VWAP, TWAP) para minimizar deslizamiento y costos de transacción (TCA), y demostrará competencias en HFT, incluyendo arquitecturas de ultra-baja latencia y creación de mercado automatizada. Culminará con la validación rigurosa mediante backtesting, la prevención del overfitting y la implementación de protocolos de gestión de riesgos operacionales y éticos, incluyendo sistemas de parada de emergencia (Kill Switch).
Fines de Aprendizaje o Formación
Al finalizar la asignatura, el estudiante comprenderá los fundamentos y la arquitectura de los Sistemas de Registro Distribuido (DLT) y la Cadena de Bloques, distinguiendo su taxonomía, los modelos de participación (públicos y permisionados) y características clave como la inmutabilidad y la descentralización. Será capaz de comparar críticamente las arquitecturas DLT con las bases de datos tradicionales, identificando los componentes funcionales de una red distribuida.
Asimismo, desarrollará competencias para analizar y aplicar principios criptográficos que garantizan la seguridad e integridad de la cadena, incluyendo funciones hash y estructuras como la raíz de Merkle. Evaluará de manera rigurosa los mecanismos de consenso (Proof of Work y Proof of Stake), comprendiendo su papel en la tolerancia a fallos bizantinos, la consistencia del sistema y los riesgos asociados a cada modelo.
Finalmente, el estudiante estará capacitado para evaluar arquitecturas de criptomonedas como Bitcoin y Ethereum, comprendiendo la Máquina Virtual de Ethereum (EVM) y los fundamentos de los contratos inteligentes. Integrará soluciones avanzadas en el ecosistema Fintech, abordando retos de escalabilidad, tokenización de activos (fungibles y NFT), uso de oráculos y las implicaciones regulatorias asociadas.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante desarrollará una comprensión sólida de los fundamentos de la Ingeniería Económica, aplicando el Valor del Dinero en el Tiempo (VDT) para modelar flujos de efectivo mediante series uniformes, gradientes y diagramas, incorporando ingresos, egresos, costos hundidos, inflación e impuestos en la evaluación de proyectos de inversión y mejora operativa.
Asimismo, adquirirá competencias para aplicar y contrastar métodos determinísticos de evaluación financiera, incluyendo el Valor Presente Neto (VPN), la Tasa Interna de Retorno (TIR), el Valor Anual Equivalente (VAE) y la Relación Costo-Beneficio (RCB). Determinará el Costo Promedio Ponderado de Capital (WACC) y la Tasa Mínima Atractiva de Retorno (TMAR) para la selección de proyectos y el análisis de reemplazo de activos.
Finalmente, el estudiante integrará la gestión económica bajo riesgo e incertidumbre, aplicando análisis de sensibilidad, punto de equilibrio y técnicas probabilísticas como árboles de decisión y simulación Monte Carlo, con el fin de evaluar la rentabilidad y sostenibilidad integral de los proyectos y respaldar una toma de decisiones estratégicas y una post-auditoría económica adecuada.
Fines de Aprendizaje o Formación
El estudiante dominará los principios teóricos y prácticos del Aprendizaje Profundo, comprendiendo arquitecturas de redes neuronales, funciones de activación avanzadas, técnicas de regularización y algoritmos de optimización de vanguardia. Será capaz de implementar modelos complejos utilizando frameworks industriales como TensorFlow/Keras y PyTorch, gestionando datos de alta dimensión para el entrenamiento eficiente de redes neuronales multicapa.
Asimismo, desarrollará competencias para diseñar y aplicar soluciones de Deep Learning en dominios especializados, empleando Redes Neuronales Convolucionales (CNN) y aprendizaje por transferencia en visión por computadora, así como modelos de Procesamiento del Lenguaje Natural (PLN) basados en embeddings, LSTM/GRU y arquitecturas Transformer (BERT, GPT) para la comprensión y generación de secuencias.
Finalmente, el estudiante será competente para analizar y aplicar modelos generativos avanzados, como VAEs y GANs, y para evaluar, desplegar y monitorear modelos de aprendizaje automático considerando explicabilidad (XAI), robustez y mitigación de sesgos algorítmicos, integrando prácticas de MLOps que aseguren un uso ético, eficiente y escalable en entornos productivos.