Python para traders e inversores: de los datos de precios a un backtest
Aprende a configurar un entorno de investigación en Python, cargar y limpiar datos de precios con pandas, calcular correctamente rentabilidades e indicadores, y construir, medir y revisar tus propios backtests en código.
Curso de autoaprendizaje Curso de autoaprendizaje: lecciones escritas, vídeos y materiales descargables para aprender por tu cuenta. No hay supervisión, evaluación, comentarios individuales ni tutorías. Los cuestionarios de autoevaluación se corrigen automáticamente en tu navegador: no vemos tus resultados.
Las 13 lecciones gratis
Antes de empezar
- Comprensión de conceptos de backtesting como el sesgo de anticipación (look-ahead bias), los costes y las métricas de rendimiento (como en el curso Trading sistemático y backtesting)
- Familiaridad con las medias móviles, el RSI y el ATR (como en el curso Análisis técnico en profundidad)
- Un ordenador en el que puedas instalar software; no se requiere experiencia previa en programación
Lo que serás capaz de hacer
- Configurar un entorno de Python aislado con pandas, numpy, matplotlib y Jupyter y mantenerlo reproducible
- Cargar, limpiar y ajustar datos de precios desde archivos y API gratuitas y remuestrearlos a otros marcos temporales
- Calcular rentabilidades simples y logarítmicas, rentabilidad y volatilidad anualizadas, y los indicadores estándar como funciones vectorizadas
- Construir un backtest vectorizado y otro basado en eventos con una temporización, unos costes, unos stops y un dimensionamiento de posiciones correctos
- Programar y someter a pruebas unitarias métricas de rendimiento como la CAGR, el drawdown máximo, el ratio de Sharpe y el factor de beneficio
- Automatizar un script diario de lista de seguimiento y revisar un notebook de investigación frente al sesgo de anticipación y el sobreajuste
Lecciones de este curso
Configurar un entorno de investigación: Python, entornos virtuales, Jupyter y VS Code
Instala Python, crea un entorno de proyecto aislado, añade pandas, numpy y matplotlib, y ejecuta tu primer cálculo en un notebook.
Lo esencial de Python para finanzas en una sesión: tipos de datos, listas, diccionarios, bucles, funciones y mensajes de error
Aprende el mínimo de Python básico que necesita un trader: números, cadenas, listas, diccionarios, bucles, funciones y cómo leer un traceback.
Fundamentos de pandas: Series, DataFrames, el DatetimeIndex, selección y filtrado, y remuestreo de barras diarias a semanales
Comprende las Series y los DataFrames, indexa los datos de precios por fecha, selecciona filas con loc e iloc, filtra con máscaras booleanas y agrega barras diarias en barras semanales.
Cargar datos de precios: archivos CSV y API gratuitas, precios ajustados frente a no ajustados, valores faltantes y zonas horarias
Lee archivos de precios y descargas de API en un DataFrame limpio, entiende cómo funcionan los ajustes por splits y dividendos, y gestiona correctamente los huecos y las zonas horarias.
Rentabilidades en código: simples frente a logarítmicas, rentabilidades acumuladas, rentabilidad y volatilidad anualizadas, y ventanas móviles
Calcula rentabilidades simples y logarítmicas en pandas, compónlas correctamente, anualiza la rentabilidad y la volatilidad, y construye estadísticas móviles.
Indicadores en código: SMA, EMA, RSI, ATR y bandas de Bollinger vectorizados, verificados frente a una plataforma de gráficos
Escribe funciones vectorizadas de pandas para los cinco indicadores más usados y aprende por qué sus valores pueden diferir de los de una plataforma de gráficos y cómo conciliarlos.
Un backtest vectorizado: señales, posiciones, desplazamiento para evitar el sesgo de anticipación, costes de transacción y la curva de capital
Construye en pandas un backtest vectorizado completo de una regla de media móvil, con el desplazamiento de la posición, los costes por operación, la curva de capital y una comparación con un índice de referencia.
Un backtest basado en eventos: un motor en bucle con stops por ATR, dimensionamiento de posiciones y una lista de operaciones en múltiplos R
Construye en Python un bucle de backtest barra a barra que dimensiona las posiciones según el riesgo medido con el ATR, respeta los stops incluidos los gaps y registra cada operación en múltiplos R.
Métricas de rendimiento como funciones reutilizables: CAGR, drawdown, Sharpe, Sortino, factor de beneficio y sus pruebas unitarias
Escribe un pequeño módulo de métricas con una anualización correcta, añade versiones móviles y demuestra las funciones con pytest frente a valores calculados a mano.
Gráficos para el análisis: precio con indicadores, gráficos de capital y drawdown, distribuciones de rentabilidades y exportación de figuras
Usa la interfaz de figura y ejes de matplotlib para construir los cuatro gráficos que necesita todo informe de backtest, interprétalos correctamente y expórtalos con calidad de impresión.
Análisis de carteras en pandas: matrices de correlación y covarianza, volatilidad ponderada de la cartera y una simulación de reequilibrio
Calcula matrices de covarianza y correlación anualizadas a partir de rentabilidades, obtén con NumPy la volatilidad de la cartera y las contribuciones al riesgo, y simula la deriva frente al reequilibrio por calendario.
Automatizar una lista de seguimiento diaria: un script programado que descarga datos, calcula señales y escribe un informe, además de las trampas de las claves de API y los límites de solicitudes
Convierte el código de un notebook en un script de línea de comandos robusto con configuración, registro, reintentos con espera exponencial, gestión segura de la clave de API y un programador de tareas, y escribe un archivo de informe diario.
Un proyecto completo de notebook de investigación, de los datos al informe, con una lista de comprobación de revisión de código frente al sesgo de anticipación y el sobreajuste
Organiza un estudio completo de una estrategia como un proyecto reproducible, ejecútalo desde los datos brutos hasta un resultado por escrito y revisa el código con una lista de comprobación que detecta los errores que embellecen los backtests.
Prop firms, cuentas fondeadas y el trading como negocio
Continúa con Prop firms, cuentas fondeadas y el trading como negocio para aprender cómo encaja un enfoque probado en las reglas de evaluación, la asignación de capital y la parte empresarial del trading.
Ver el temario del curso