σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

Desarrollo cuantitativo aprendiendo haciendo: lecciones cortas, laboratorios calificados y un IDE real, en tu navegador.

Aprender
Todas las hojas de rutaTodas las rutasRuta de PythonRuta de C++ProntoRuta de OxCamlProntoRuta de Market StructureRuta de CalculusRuta de Linear AlgebraRuta de ProbabilityRuta de StatisticsRuta de Matrix DecompositionsRuta de OptimizationRuta de Time Series
Soporte
Danos tu opiniónInvítanos a un café
Legal
Política de privacidadTérminos del servicio
© 2026 QuantCraft Solutions. Todos los derechos reservados.
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Rutas›Time Series
T

Time Series Ruta

ActivaEmpieza aquí

Los precios, los rendimientos y las volatilidades no son sorteos independientes: hoy depende de ayer, las semanas tranquilas siguen a las tranquilas y dos precios pueden derivar juntos durante años. Esta habilidad enseña las herramientas que respetan ese orden, con comprobaciones breves (números que calcula, pasos que ordena, conceptos que empareja) y ejemplos financieros: por qué una serie de precios necesita diferenciación antes de una regresión, cómo la ACF y la PACF apuntan a un modelo AR o MA, qué significa una raíz unitaria para una regla de trading, por qué la volatilidad se agrupa y cómo la usa GARCH, cuándo dos acciones están realmente cointegradas, cómo un filtro de Kalman sigue un ratio de cobertura oculto y por qué un pronóstico se evalúa fuera de muestra. El proyecto final es un laboratorio de código donde usted construye pronosticadores de volatilidad y los compara con rendimientos reales de SPY.

5 módulos14 labs evaluados~14 horasIntermedio → Avanzado
Empezar la ruta

Requisitos previos

Se espera estadística (regresión, contrastes de hipótesis, máxima verosimilitud) y ayudan nociones de probabilidad. No hace falta conocer series temporales.

  • SStatistics

Temario

14 temas · abre cualquier tema, en el orden que quieras
  1. 1Estacionariedad y diferenciaciónSin empezar50 minEmpezar
  2. 2Autocorrelación ACF y PACFSin empezar50 minEmpezar
  3. 3Raíces unitarias y la prueba ADFSin empezar50 minEmpezar
  1. 4Modelos AR MA y ARMASin empezar55 minEmpezar
  2. 5Estacionalidad y efectos de calendarioSin empezar45 minEmpezar
  3. 6Modelos ARIMASin empezarRequiere Python1 hEmpezar
  1. 7Agrupación de volatilidad y ARCHSin empezar50 minEmpezar
  2. 8Modelos de volatilidad GARCHSin empezarRequiere Python1 hEmpezar
  3. 9Estimadores de volatilidad realizadaSin empezar55 minEmpezar
  1. 10Cointegración y paresSin empezar1 hEmpezar
  2. 11Modelos de espacio de estados y el filtro de KalmanSin empezar1 h 10 minEmpezar
  1. 12Evaluación de pronósticosSin empezar50 minEmpezar
  2. 13Rupturas estructuralesSin empezar55 minEmpezar
  3. 14Proyecto final: un concurso de pronóstico de volatilidad con datos realesSin empezar1 h 40 minEmpezar

Finalización

Supera los 14 labs con una nota de 70 o más para completar la ruta y conseguir la insignia Series temporales en tu perfil.

0 / 140%

Requisitos previos

Se espera estadística (regresión, contrastes de hipótesis, máxima verosimilitud) y ayudan nociones de probabilidad. No hace falta conocer series temporales.

  • SStatistics

Herramientas que usarás

PythonNumPypandaspytest

Qué aprenderás

  • Distinguir series estacionarias de no estacionarias, diferenciar una serie y leer su autocorrelación y autocorrelación parcial
  • Contrastar raíces unitarias con la prueba ADF y saber qué significa un paseo aleatorio para el pronóstico
  • Ajustar modelos AR, MA, ARMA y ARIMA, elegir sus órdenes y tratar la estacionalidad y los efectos de calendario
  • Modelar la agrupación de volatilidad con ARCH y GARCH y calcular la volatilidad realizada con datos diarios y de rango
  • Contrastar la cointegración para construir pares y seguir un ratio de cobertura oculto con un filtro de Kalman
  • Evaluar pronósticos fuera de muestra con la pérdida adecuada, detectar rupturas estructurales y llevar a cabo un concurso de pronóstico de volatilidad con rendimientos reales
uantCraft Academy

Desarrollo cuantitativo aprendiendo haciendo: lecciones cortas, laboratorios calificados y un IDE real, en tu navegador.

Aprender
Todas las hojas de rutaTodas las rutasRuta de PythonRuta de C++ProntoRuta de OxCamlProntoRuta de Market StructureRuta de CalculusRuta de Linear AlgebraRuta de ProbabilityRuta de StatisticsRuta de Matrix DecompositionsRuta de OptimizationRuta de Time Series
Soporte
Danos tu opiniónInvítanos a un café
Legal
Política de privacidadTérminos del servicio
© 2026 QuantCraft Solutions. Todos los derechos reservados.
QuantCraft
Iniciar sesiónUnirse ↗
Iniciar sesión