Profesional en Finanzas y Economía con un Máster en Ingeniería Estocástica de la Universidad de Ciencias Aplicadas de Múnich, Alemania. Actualmente ocupa el cargo de profesor investigador de tiempo completo en el pregrado de Ciencia de Datos del Departamento de Matemáticas de la Universidad Externado. Lidera el Grupo de Investigación de Ciencia de Datos y ha participado en proyectos de consultoría con la universidad, enfocándose en la implementación de procesos de visualización para la identificación de patrones en el sector financiero. Actualmente es candidato al doctorado en Administración de la Universidad de los Andes, con una investigación en técnicas de fijación de precios, con estimación bayesiana en modelos estocásticos y de ciencia de datos enfocados en predicción de precios y medición de riesgos en contratos inteligentes.
Experiencia profesional:
Actualmente es profesor de Estadística en el Departamento de Matemáticas de la Universidad Externado, ha sido docente en cursos sobre Gestión de Riesgos, Derivados Financieros y Mercado de Capitales. En este momento, está completando un programa de doctorado en Administración de Empresas.
Materias a cargo:
Es responsable de los cursos como Introducción a la Ciencia de Datos, Estadística Bayesiana, y profundizaciones en Finanzas con enfoque en Cálculo Estocástico, Gestión de Riesgos, Blockchain y Derivados Financieros. También es profesor titular de los módulos de Ciencia de Datos para las maestrías en Administración de Empresas (MBA), en Ciudades Inteligentes y los programas de posgrado del Departamento de Derecho de las Telecomunicaciones.
- Modelos de predicción y medición de instrumentos financieros con procesos fraccionales.
- Modelos de volatilidad para la medición del riesgo.
- Modelos no paramétricos bayesiano para la creación de clusters.
- Generación de portafolios basados en datos atípicos del mercado.
Mi pincipal área de investigación se centra en las series de tiempo y en los procesos estocásticos. La predicción y aplicación de estos temas en diferentes áreas relacionadas con temas del sector real o financiero. Principalmente se implementan modelos de machine learning que se estiman con métodos bayesianos que a diferencia del tradicional, no solo hace inferencia sobre los datos, también incluye el conocimiento previo del sector.