ASSET MANAGEMENT WORKSHOPS

Objetivo:
El objetivo del curso es que el alumno pueda construir un portafolio de inversión real
utilizando las técnicas cuantitativas más modernas de construcción de portafolios.
Para lograrlo, se desarrollan los conceptos estadísticos y matemáticos necesarios, se
hace un repaso de los pilares teóricos financieros y se utiliza R como software para
pasar de la teoría a la práctica.

TEMARIO:
Sesión 1 Introducción a R.
• Instalación y tipos de archivos.
• Objetos, funciones y loops.
• Estimación de rendimientos en la práctica
• Tipo de datos y principios estadísticos.
• Simulación y rendimientos de horizonte.
Sesión 2: Teoría moderna de portafolios en la práctica
• Obtención de información financiera con R y tidy data.
• Portafolios de inversión y eficiencia de mercados.
• Markowitz, CAPM y APT.
• Portafolios de inversión en la práctica.
 - Efectos del tipo de cambio, restricciones,
 - La tasa libre de riesgo, periodo de datos, etc.
 - Restricciones.
Sesión 3: Estadística no paramétrica
• Histogramas.
• Kernels.
• Función de densidad y función de distribución acumulada.
• Cópulas bi-variadas.
Sesión 4: Optimización moderna de portafolios
• Cópulas multivariadas.
• Métricas de riesgo y optimización en un mundo no-normal.
 - CVaR
• Teoría de la utilidad esperada
 - Optimización a gran escala

Objetivo:
El objetivo del curso es que el alumno pueda construir un portafolio de inversión real
utilizando las técnicas cuantitativas más modernas de construcción de portafolios.
Para lograrlo, se desarrollan los conceptos estadísticos y matemáticos necesarios, se
hace un repaso de los pilares teóricos financieros y se utiliza R como software para
pasar de la teoría a la práctica.

TEMARIO:
Sesión 1 Introducción a R.
• Instalación y tipos de archivos.
• Objetos, funciones y loops.
• Estimación de rendimientos en la práctica
• Tipo de datos y principios estadísticos.
• Simulación y rendimientos de horizonte.
Sesión 2: Teoría moderna de portafolios en la práctica
• Obtención de información financiera con R y tidy data.
• Portafolios de inversión y eficiencia de mercados.
• Markowitz, CAPM y APT.
• Portafolios de inversión en la práctica.
 - Efectos del tipo de cambio, restricciones,
 - La tasa libre de riesgo, periodo de datos, etc.
 - Restricciones.
Sesión 3: Estadística no paramétrica
• Histogramas.
• Kernels.
• Función de densidad y función de distribución acumulada.
• Cópulas bi-variadas.
Sesión 4: Optimización moderna de portafolios
• Cópulas multivariadas.
• Métricas de riesgo y optimización en un mundo no-normal.
 - CVaR
• Teoría de la utilidad esperada
 - Optimización a gran escala

Objetivo:
El objetivo del curso es que el alumno pueda construir un portafolio de inversión real
utilizando las técnicas cuantitativas más modernas de construcción de portafolios.
Para lograrlo, se desarrollan los conceptos estadísticos y matemáticos necesarios, se
hace un repaso de los pilares teóricos financieros y se utiliza R como software para
pasar de la teoría a la práctica.

TEMARIO:
Sesión 1 Introducción a R.
• Instalación y tipos de archivos.
• Objetos, funciones y loops.
• Estimación de rendimientos en la práctica
• Tipo de datos y principios estadísticos.
• Simulación y rendimientos de horizonte.
Sesión 2: Teoría moderna de portafolios en la práctica
• Obtención de información financiera con R y tidy data.
• Portafolios de inversión y eficiencia de mercados.
• Markowitz, CAPM y APT.
• Portafolios de inversión en la práctica.
 - Efectos del tipo de cambio, restricciones,
 - La tasa libre de riesgo, periodo de datos, etc.
 - Restricciones.
Sesión 3: Estadística no paramétrica
• Histogramas.
• Kernels.
• Función de densidad y función de distribución acumulada.
• Cópulas bi-variadas.
Sesión 4: Optimización moderna de portafolios
• Cópulas multivariadas.
• Métricas de riesgo y optimización en un mundo no-normal.
 - CVaR
• Teoría de la utilidad esperada
 - Optimización a gran escala

Objetivo:
El objetivo del curso es que el alumno pueda construir un portafolio de inversión real
utilizando las técnicas cuantitativas más modernas de construcción de portafolios.
Para lograrlo, se desarrollan los conceptos estadísticos y matemáticos necesarios, se
hace un repaso de los pilares teóricos financieros y se utiliza R como software para
pasar de la teoría a la práctica.

TEMARIO:
Sesión 1 Introducción a R.
• Instalación y tipos de archivos.
• Objetos, funciones y loops.
• Estimación de rendimientos en la práctica
• Tipo de datos y principios estadísticos.
• Simulación y rendimientos de horizonte.
Sesión 2: Teoría moderna de portafolios en la práctica
• Obtención de información financiera con R y tidy data.
• Portafolios de inversión y eficiencia de mercados.
• Markowitz, CAPM y APT.
• Portafolios de inversión en la práctica.
 - Efectos del tipo de cambio, restricciones,
 - La tasa libre de riesgo, periodo de datos, etc.
 - Restricciones.
Sesión 3: Estadística no paramétrica
• Histogramas.
• Kernels.
• Función de densidad y función de distribución acumulada.
• Cópulas bi-variadas.
Sesión 4: Optimización moderna de portafolios
• Cópulas multivariadas.
• Métricas de riesgo y optimización en un mundo no-normal.
 - CVaR
• Teoría de la utilidad esperada
 - Optimización a gran escala

Objetivo:
Attendants will gain an understanding of the alternative data landscape, the
different alternative data types and the challenges for successful adoption in the
investment process, specific investment cases will be discussed. After the completion
of the course attendants will understand the foundations for establishing a data
science team within an investment organization.

TEMARIO:
1. Introduction to alternative data
 a. What is it?
 b. Why is useful?
 c. Who is using it?
2. Value of alternative data
 a. Evaluating data strategies
3. Risks and challenges
 a. Legal risks
 b. Research challenges
4. Steps for alternative data adoption
5. Algorithms for alternative data
 a. Regression and extensions
 b. NLP
6. Alternative data applications
 a. Text: news, social media and web
 b. Crowdsourced data
 c. Location data
 d. Consumer transaction
 e. Satellite imagery

Objetivo:
Attendants will gain an understanding of the hedge fund industry, its participants
and outlook. Audience interested in developing a hedge fund business will be aware
of the challenges faced in the process. The course will also equip attendants with
the quantitative tools to manage risk in a hedge fund as well as how to measure
performance and how to efficiently allocate capital considering returns and risks.

TEMARIO:
1. Introduction to hedge funds
  a. Distinctiveness
 b. Fee structure
  c. Types
  d. Indices
  e. Industry outlook and big players
  f. Regulation and operational due diligence
2. Portfolio (market) risk analysis
  a. Basic statistical measures
   - Standard deviation, variance, covariance and correlation
   - Properties of basic statistical measures
  b. Risk model types (description)
  c. Risk models in the hedge fund industry
  d. Marginal contribution to risk
  e. Risk contribution (a.k.a. risk budgeting)
  f. Risk-based investing versus traditional (notional) investing
  g. Risk budgeting multi-asset case
  h. Risk parity portfolios
  i. Risk-based products in the financial industry
  j. Ex-post vs Ex-ante risk
  k. Alternative risk measures
  l. Complementary risk measures
3. Performance attribution
 a. Factor vs Specific risk-adjusted returns
 b. Sharpe and information ratio
 c. Sharpe ratio and skill inference
 d. Sharpe degradation due to zero factor skill
4. Portfolio optimization
 a. Characteristic portfolios and its properties
 b. Fundamental risk model and factor portfolios
 c. Minimum variance portfolio
 d. Mean-variance optimization
 e. Active mean-variance optimization
 f. Mean-variance with constraints
 g. Portfolio optimization to mitigate stress tests
 h. Caveats of mean-variance optimization

TEMARIO:

SESIÓN 1
Conceptos básicos y ejemplos: Clases de activos y tipos de instrumentos financieros; mercados listados y mercados semi-privados; inversiones tácticas e inversiones estratégicas; teorías de construcción de portafolios de inversión y prácticas de gestión de riesgos; riesgos sistémicos e idiosincráticos.
Principios UN-PRI, UN-SDG, acuerdos de Paris COP21 y Glasgow26, factores ESG, Inversiones socialmente responsables e inversiones con impacto.
Inversiones de lago plazo: Tesis de inversión, hipótesis de mercados de capitales, hipótesis de ambientales y sociales; estrategias, objetivos y ambiciones de inversión ESG; cuánto invertir y cómo financiar la descarbonización de la economía; riesgos y oportunidad de inversión en la transición hacia cero emisiones netas; ejemplos de desinversiones; greenwashing.

SESIÓN 2
Gobernanza de los inversionistas, responsabilidad fiduciaria de los administradores de inversiones y ESG; principios de inversiones ESG para inversionistas institucionales y mejores prácticas ESG implementadas por inversionistas institucionales; benchmarking y ESG; transparencia y rendición de cuentas; calificaciones crediticias con factores ESG y evaluaciones ESG no solicitadas (incoherencia y divergencia en calificaciones ESG, falta de revelación de información estandarizada); indexación ESG ventajas y desventajas e inversiones ESG activas.

El medio ambiente como un activo; valuación de activos intangibles de acuerdo a la
voluntad para pagar (WTP) y de acuerdo a la voluntad para cederlos (WTA); fallas de
mercados y externalidades, falta de asignación de derechos de propiedad, fallas de
las autoridades; recursos no renovables y renovables, inversiones inter-temporales;
políticas ESG como cambios macroeconómicos integración de factores ESG vs
oportunidades de inversiones ESG.
Desarrollo de mercados ESG: Inversiones en activos accionarios ESG, emisión de
bonos verdes, financiamiento de activos alternativos y ESG (P.E, V.C, Project finance,
infrastructura, Real estate; gobernanza para estas inversiones; procesos de inversión
DDQ); índices ESG; vehículos de inversión pasiva con políticas ESG (ETF, Fondos
mutuos).

Resultado de las evaluaciones ESG no solicitadas de los ETF y Fondos Mutuos con
políticas ESG.

SESIÓN 3
Gestión y medición de riesgos y diversificación de portafolios, contribución al riesgo;
riesgos de colas pesadas; dependencias no lineales entre los retornos de los activos;
asignación y gestión de riesgos; riesgos no financieros (políticos, geopolíticos,
sociales operativos, ambientales, tecnológicos, demográficos, sanitarios, legales,
reputacionales).
Problemas de información asimétrica, problemas de agencia y problemas de riesgo
moral en inversiones ESG.
¿Alineación o desalineación entre rentabilidad e inversiones ESG?; razones comunes
para invertir en activos ESG y razones comunes para retrasar inversiones ESG.
Desempeño de inversiones ESG vs inversiones con impacto vs inversiones estándares
(meta análisis de desempeño financiero ESG, mecanismos en que las inversiones
ESG generan retornos competitivos, otros estudios empíricos sobre el desempeño de
inversiones ESG).
Inversiones de fondos soberanos en activos ESG; ejemplos de políticas de inversión
ESG para fondos soberanos (fondo global de pensiones noruego, fondo de
reservas de pensiones francés, Temasek, corporación de inversión de China, fondo
de pensiones supperannuation de Nueva Zelanda, fondo soberano australiano).
Ejemplos de inversiones ESG de algunos los fondos de pensiones globalmente más
relevantes.ineación de inversiones con factores ESG: Escenarios ESG, tesis de inversión
y gobernanza para financiar inversiones ESG. Criticas conceptuales a las inversiones
ESG; factores ESG en la construcción de portafolios de inversión. El futuro de las
inversiones ESG y de su gobernanza.

OBJETIVO:
Attendants will gain an understanding of the alternative data landscape, the different alternative data types and the challenges for successful adoption in the investment process, specific investment cases will be discussed. After the completion of the course attendants will understand the foundations for establishing a data science team within an investment organization.

TEMARIO:

1. Introduction to alternative data
  a. What is it?
  b. Why is it useful?
  c. Who is using it?
2. Value of alternative data
  a. Evaluating data strategies
3. Risks and challenges
  a. Legal risks
  b. Research challenges
4. Steps for alternative data adoption
5. Algorithms for alternative data
  a. Regression and extensions
  b. NLP
6. Alternative data applications
  a. Text: news, social media and web
  b. Crowdsourced data
  c. Location data
  d. Consumer transaction
  e. Satellite imagery