# Python para Finanzas Cuantitativas
En este artículo exploramos cómo construir pipelines reproducibles en Python para análisis de cartera crediticia y modelos de riesgo financiero.
## 1. Operaciones Vectorizadas sin Bucles Lentos
El uso encadenado de `.assign()` en Pandas permite transformar millones de registros sin fragmentación ni fugas de memoria:
```python
import pandas as pd
import numpy as np
def limpiar_cartera(df: pd.DataFrame) -> pd.DataFrame:
return (
df.copy()
.astype({'id_credito': 'string', 'estado': 'category'})
.assign(
fecha_corte=lambda d: pd.to_datetime(d['fecha_corte']),
monto_otorgado=lambda d: pd.to_numeric(d['monto_otorgado'], errors='coerce'),
ratio_endeudamiento=lambda d: d['saldo_deudor'] / np.maximum(d['ingreso_mensual'], 1.0),
flag_mora_30=lambda d: (d['dias_atraso'] >= 30).astype(int)
)
.dropna(subset=['monto_otorgado', 'ingreso_mensual'])
)
```
## 2. Calibración de Probabilidades y Valor Económico
Un modelo con un AUC alto puede generar pérdidas financieras si sus probabilidades no están debidamente calibradas. La calibración (Isotónica o Platt) alinea los scores con la tasa de pérdida real observada.
Puedes explorar los 18 proyectos interactivos completos en [portafolio.emilioluna.com](https://portafolio.emilioluna.com).