1_Pronósticos con Modelos ARIMA

Duración total: 6 semanas. 30 horas (4 módulos)

Modalidad: Teórico-práctica con desarrollo en Python
Nivel: Introductorio–intermedio

Días de clases

Lunes: 19:00 - 21:00

Miércoles: 19:00 - 21:00

Costo: 840 Bs

Comprar Curso

¿Esta Interesado?

Comprender los fundamentos de los modelos ARIMA y sus variantes.
Identificar, estimar y validar modelos ARIMA(p,d,q) y SARIMA con Python.
Aplicar técnicas de aprendizaje supervisado y modelos de machine learning a series temporales.
Comparar el desempeño predictivo de modelos tradicionales y modernos.
Automatizar procesos de pronóstico con buenas prácticas de programación.

Profesionales y técnicos en economía, finanzas, estadística, ingeniería, administración, entre otros.

Estudiantes de pregrado y posgrado con interés en análisis de datos y pronósticos.
Analistas de datos, científicos de datos y personal de instituciones públicas o privadas.
Investigadores que trabajen con series temporales y busquen fortalecer sus competencias en modelado y predicción.

Profesionales y empresas

Que buscan dominar herramientas de IA, automatización y analítica avanzada.

Estudiantes y egresados

Que desean actualizar sus conocimientos y acceder a oportunidades laborales.

Equipos corporativos

Que requieren formación estratégica para impulsar la transformación digital

Curso: Pronósticos con Modelos ARIMA y de Machine Learning con Python

Fundamentos de series temporales y análisis exploratorio

Introducción a las series temporales: conceptos clave (tendencia, estacionalidad, ruido, estacionariedad).
Visualización y descomposición de series temporales (aditiva y multiplicativa).
Análisis de autocorrelaciones (FAC y FAP).
Preparación de datos y tratamiento de valores atípicos.
Introducción a Python para series temporales: uso de pandas, matplotlib y statsmodels.

Modelado con ARIMA y SARIMA

Revisión de modelos AR, MA, ARMA y ARIMA.
Determinación de órdenes p, d, q con gráficos y criterios automáticos.
Estimación de modelos ARIMA en Python con statsmodels.
Validación y diagnóstico de residuos: autocorrelación, heterocedasticidad, normalidad.
Extensión a modelos SARIMA (estacionalidad).
Selección de modelos mediante AIC, BIC y validación fuera de muestra.
Pronósticos dentro y fuera de muestra con modelos ARIMA/SARIMA.

Machine learning supervisado aplicado a series temporales

Introducción a regresión supervisada y diferencia con modelos tradicionales.
Ingeniería de características para ML: rezagos, rolling windows, tendencias.
Implementación de regresiones lineales, Ridge y Lasso con scikit-learn.
Árboles de decisión y Random Forest para pronósticos.
Validación cruzada temporal (TimeSeriesSplit) y tuning de hiperparámetros.
Comparación de desempeño con ARIMA usando métricas: MAE, RMSE, MAPE, Theil’s U.

Modelos avanzados: XGBoost y Redes Neuronales

Introducción a boosting y árboles ensamblados: XGBoost y LightGBM.

Entrenamiento de modelos de xgboost para forecasting.
Introducción a redes neuronales recurrentes (RNN) y LSTM.
Implementación básica de modelos LSTM con keras y tensorflow.
Comparación práctica: ARIMA vs ML vs LSTM en un conjunto de datos reales.
Discusión de ventajas, limitaciones y buenas prácticas de modelado.

Resultados del curso

Al finalizar el curso, los participantes serán capaces de

Modelar series temporales financieras o macroeconómicas utilizando técnicas ARIMA, SARIMA y ARIMAX.

Generar pronósticos dentro y fuera de muestra y evaluar su precisión con métricas apropiadas.

Visualizar y comunicar resultados predictivos de forma clara y profesional en Python.

Diagnosticar y validar modelos mediante pruebas estadísticas e interpretación de residuos.

Aplicar algoritmos de machine learning supervisado (regresión, clasificación, árboles) a datos temporales.

Instructor del Curso

Antonio Murillo Reyes

Economista/Data Science.

Máster en Econometría (Univ. Torcuato Di Tella - Argentina), MBA en Administración de Empresas (UCB – Bolivia) y Posgrado en IA y Ciencia de Datos (UNC-Argentina). Especializado en análisis Macroeconómico y Modelación Econométrica. Fue Analista Senior en el Banco Central de Bolivia. Docente de postgrado en Econometría y Machine Learning en posgrados en Bolivia y Ecuador..

Metodología de Enseñanza

Aprendizaje práctico

Basamos nuestra enseñanza en proyectos reales que reflejan los desafíos cotidianos de las empresas

Plataformas interactivas

Utilizamos simuladores y herramientas digitales que facilitan la comprensión de conceptos complejos

Evaluación continua

Medimos constantemente el impacto para ajustar metodologías y optimizar resultados

Cursos relacionados

Curso: Introducción a las Finanzas Cuantitativas con Machine Learning

Duración: 8 semanas. 40 horas (5 módulos)

Aplicaciones de machine learning en servicios financieros (1).webp

Curso: Machine Learning Aplicado a las Finanzas Nivel Intermedio

Duración: 9 semanas. 45 horas (5 módulos)

Curso: Cálculo Multivariable Computacional para Ciencia de Datos

Duración total: 40 horas

Certificación

Diploma digital verificable a través del sistema de verificación de autenticidad.

Certificados extendidos por la Secretaría de Cultura y Extensión Instituto Deep Quantics Bolivia.

WhatsApp Image 2025-07-25 at 17.28.54.jpeg

PREGUNTAS FRECUENTES

Resuelve tus dudas al instante

¿Por que Deep Quantics?