En colaboración con

CENTRO DE FORMACIÓN
DE BOLSAS Y MERCADOS ESPAÑOLES

mIA-X
Máster en Inteligencia
Artificial aplicada a
los Mercados Financieros

M
mIA-X
Máster en Inteligencia Artificial
aplicada a los Mercados Financieros
 3

PRESENTACIÓN
Desde su creación hace casi 30 años, Instituto BME ha estado comprometido con
el desarrollo formativo del sector financiero, intentando aportar todo el conocimiento
y el saber hacer que entendemos necesitan unos mercados financieros desarrollados.

La creciente complejidad que ha adquirido la gestión financiera, debido fundamentalmente

a la incorporación de nuevos y sofisticados productos, así como la irrupción de los algoritmos
de inversión, cada vez más inteligentes, requiere a los gestores profesionales un profundo
conocimiento, tanto de las técnicas de inversión tradicionales como de las nuevas alternativas
en programación e inteligencia artificial.

Conscientes de esta necesidad y con el objetivo de aportar soluciones a la comunidad

financiera, Instituto BME pone en marcha en 2018 el Máster en Inteligencia Artificial Aplicada
a los Mercados Financieros (mIA-X). Un programa ambicioso pero cuidado al máximo detalle
donde concentramos todos nuestros esfuerzos y experiencia para dotar al mercado de
profesionales preparados al máximo nivel y dispuestos a afrontar los retos que se presenten
en su carrera de forma resuelta y creativa.

El balance que hacemos de estas tres décadas dedicadas a la formación de los profesionales
de los mercados no puede ser más positivo: alumnos que obtienen la más alta cualificación
técnica para el desempeño de su trabajo y una comunidad financiera que conoce y valora
tanto nuestros programas como a los profesionales que los han cursado.

Beatriz Alejandro
Directora, Instituto BME
 mIA-X

NUESTRO CURSO
4
OBJETIVO

El principal objetivo es dotar al mercado de profesionales del más alto nivel en Inteligencia
Artificial, capaces de desarrollar nuevos modelos de gestión de inversiones, y con profundos
conocimientos de los distintos tipos de mercados y productos.

El Máster mIA-X:

• Profundizará en las distintas ramas de inteligencia artificial, desde modelos tradicionales

como redes neuronales delgadas, hasta redes neuronales profundas, aprendizaje por
refuerzo o modelos adversariales.

• Proporcionará herramientas y conocimientos prácticos, permitiendo aplicar constantemente

las técnicas más avanzadas de la programación distribuida en nube, aplicándola al diseño
de algoritmos de inversión.

• Permitirá a los alumnos afrontar cualquier desafío futuro relacionado con el nuevo entorno
económico en el que se desarrollan los Mercados Financieros.

DIRIGIDO A

Graduados en Ingeniería o Ciencias Económicas, Administración y Dirección de Empresas,

Estadística, Física o Matemáticas, que trabajen en:

• Departamentos de empresas financieras relacionados con la gestión de inversiones.

• Gestores de fondos.

• Departamentos financieros.

• Responsables de control y gestión de riesgo y de auditoría.

• Fintech y startups orientadas a los mercados financieros.

 5
CONOCIMIENTOS PREVIOS NECESARIOS

No son necesarios conocimientos previos para cursar el máster. Los conocimientos en

programación, finanzas y bolsa serán adquiridos por el alumno a lo largo del máster.

METODOLOGÍA

• Todas las sesiones estarán enfocadas con un 15% de teoría – 85% de práctica.

Los alumnos del máster obtendrán competencias reales de programación en R y Python

mediante diferentes plataformas como Google TensorFlow o Keras, así como avanzados
conocimientos, demostrables, en la aplicación de algoritmos de Machine Learning
y Deep Learning.

• La evaluación de los conocimientos adquiridos se realizará mediante la entrega de diversas

prácticas, en donde los alumnos dispondrán de un mínimo de 2 semanas para completar
los retos propuestos.

Los alumnos tendrán a su disposición las mismas herramientas y esquema de trabajo con
las que contarían en un trabajo real. Las prácticas podrán realizarse individualmente, por
parejas o en grupos de tres, si bien la nota de los trabajos en pareja será penalizada en un
5% y la de los grupos de tres en un 10%.

El peso de las prácticas en la nota final ascenderá al 70%.

TRABAJO DE FIN DE MÁSTER

Los alumnos deberán realizar y defender ante un tribunal un proyecto de fin de máster.

Todos los trabajos consistirán en el diseño y desarrollo de un algoritmo de inversión. La naturaleza

del algoritmo así como la elección de las herramientas a emplear serán decididas por los alumnos
(cumpliendo unos mínimos de aplicación de los conocimientos adquiridos durante el máster).

Los trabajos de fin de máster podrán realizarse individualmente, en grupos de dos, o de tres,
si bien los trabajos que sean realizados en grupo tendrán las mismas penalizaciones en la nota
que las aplicadas durante las prácticas.

A lo largo de máster se realizarán diversas sesiones dedicadas a la gestión de expectativas,

uso de herramientas y resolución de dudas.

El peso del proyecto en la nota final ascenderá al 30%.

 mIA-X

mIA-X
6 Máster en Inteligencia Artificial
aplicada a los Mercados Financieros

Módulo I Módulo II Módulo III

Introducción a sistemas Diseño de algoritmos de inversión Infraestructura Cloud
y programación y Machine Learning para Big Data

17% 18% 18%

Módulo IV Módulo V Módulo VI

Aprendizaje mediante Blockchain Infraestructura Cloud
Deep Learning para Deep Learning

33% 6% 6%

Módulo VII
Defensa de los trabajos
de fin de máster

2%
INFORMACIÓN GENERAL
7
DIRECCIÓN ACADÉMICA
D. Guillermo Meléndez Alonso.
Departamento de Innovación en Bolsas y Mercados Españoles.

DURACIÓN
Del 4 de abril de 2018 al 30 de marzo de 2019.
370 horas de duración.

HORARIO
Viernes de 16:00 a 21:00 horas. Sábados de 09:00 a 14:00 horas.
Con motivo de fiestas nacionales, alguna clase tendrá lugar en jueves de 16:00 a 21:00 horas.

LUGAR DE CELEBRACIÓN
Las clases se celebrarán en las aulas de Instituto BME en el Palacio de la Bolsa en Madrid.

RECOMENDACIONES
Aunque no es imprescindible, es preferible asistir con portátil. Se recomienda el equipo Intel
Core i5, 8 GB de RAM y disco SSD.

PRECIO
El precio de este programa de formación es de 9.000 euros.

Instituto BME dispone de un programa de becas para los alumnos que cumplan con unos
determinados requisitos así como unos descuentos aplicables a matrículas de grupo.

Para más información ponerse en contacto en [email protected] o en el 91 589 12 22

MÁS INFORMACIÓN
Si desea ampliar la información sobre este programa de formación puede ponerse en contacto
con Instituto BME en el teléfono 91 589 12 22 y en www.institutobme.com
 mIA-X

programa
8
MODULO 0. 1.3.4. Contenedores.
Contenedores.
Introducción a la programación
(10 horas). Contenedores en la nube.
Utilidad de los Contenedores en el desarrollo.
Introducción a Visual Basic para aplicaciones.
Cálculo de los riesgos y flujos de un proyecto. Uso de Docker.

1.4. Programación en Python.

MODULO 1. 1.4.1. Introducción a la programación en Python.
Elementos de programación en Python.
Introducción a sistemas y programación
(60 horas). Vectorización con Numpy.
Módulos y funciones.
1.1. Visión General de la inteligencia Artificial.
Programación en Python para finanzas.
1.2. Entornos de programación.
1.4.2. Análisis de datos.
Entornos amigables: Weka, Rapidminer y Orange.
Análisis estadístico.
Entornos programables: R, Python, Julia y otros.
Visualización de datos y gráficos.
1.3. Ecosistema de Programación. Estructuras de datos para series financieras.
Intercambio de datos entre Python
1.3.1. Herramientas.
y otros entornos.
Entornos de desarrollo Integrado (IDE).
Compilado vs. Imperativo. 1.4.3. Sesión final y práctica.
Reutilización de código: librerías. Simulación de procesos estocásticos.
Conceptos de API: REST. Simulación para medición de riesgos (VaR).
Comunicación: HTTP y HTTPS. Regresión y clasificación.
Práctica: Análisis de series temporales.
1.3.2. Máquinas Virtuales.
¿Qué es una máquina Virtual? 1.5. Programación en R.
Asignación de recursos. 1.5.1. Fundamentos de programación.
Repaso de sistemas operativos básicos. Sentencias y bucles.
Conceptos de Redes. Vectores, matrices, factores y listas.
Elementos principales para el uso. Crear e invocar funciones.
1.3.3. Cloud as a Service. Caso a resolver: Búsqueda local del primer mejor.
Visión general de Cloud. 1.5.2. Importación y manipulación de datos.
Infraestructura como Servicio. Data frames.
Maquinas en la nube. Importar datos (txt, csv, xlsx…).
Limpieza de datos.
Selección, filtrado, ordenación, agrupación,
estadísticos.
Guardar y recuperar datos.
 9
1.5.3. Sesión final y práctica. 2.7. Diseño de algoritmos de inversión. Sesión II.
Web scraping. Diseño de un algoritmo de inversión basado
Depurar un programa. en el Alpha de Jensen.
Kaggle. Práctica: Mejoras sobre los algoritmos
de inversión estudiados.
Práctica: Análisis de la base de datos del Titanic.
Entrega de la práctica de Python. 2.8. Predicción y clasificación con Machine Learning.
Sesión I.
Validación y preparación de datos.
Módulo 2.
Distribución de las variables: Asimetría,
Diseño de algoritmos de inversión discontinuidad.
y Machine Learning (65 horas). Mejora de las variables explicativas.
2.1. Obtención de datos. Clusters: Identificar y codificar variables categóricas.
Renta variable (Yahoo Finance, Alpha Vantage). Posibles patrones y relaciones no lineales.
Renta fija (Banco de España). Codificación de variables.
Divisas (Banco de España). Estandarización de variables.
Derivados (Societe Generale, BME). Muestras de entrenamiento y validación.
Selección de variables.
2.2. Homogeneización y desmanipulación de los datos.
Búsqueda y encaje de datos. 2.9. Predicción y clasificación con Machine Learning.
Ajustes por dividendos. Sesión II.
Búsqueda y anulación de Split y contra Split. Técnicas de predicción.
LDA – Análisis Lineal Discriminante, con validación
2.3. Cálculo del Alpha de Jensen. Cruzada (Leave-one-out).
Cálculo del estado del activo en relación QDA – Análisis Discriminante Cuadrático.
con su entorno.
K-vecinos (KNN).
Determinación de los mejores activos.
Regresión logística.
Para entrar en largo.
Para entrar en corto. 2.10. Predicción y clasificación con Machine Learning.
Sesión III.
2.4. Cálculo de la frontera de Markowitz. Técnicas de predicción.
Optimización de la asignación del capital disponible. SVM – Support Vector Machine.
Composición de la cartera más eficiente en relación Random Forest.
a la rentabilidad-riesgo.
Técnicas de clasificación (clustering).
Entrega de la práctica de R.
K-vecinos (KNN).
2.5. Diseño de un benchmark sintético. Selección del mejor modelo. Métricas de medición.
Determinación de la eficiencia de un algoritmo Práctica de predicción de datos.
de inversión.
2.11. Técnicas de inteligencia artificial.
2.6. Diseño de algoritmos de inversión. Sesión I. Diseño y programación de algoritmos genéticos.
Diseño de un algoritmo de inversión basado en la Diseño y programación de algoritmos enjambre.
frontera de Markowitz.
 mIA-X

2.12. Técnicas de inteligencia artificial. 3.2. Entorno IA Amazon.

Redes neuronales. Sesión I.
10 3.2.1. Amazon AWS. Sesión I.
Descenso por gradiente.
Almacenamiento de datos: Amazon S3.
Función de coste.
Transferir petabytes de datos: AWS Snowball.
Función de activación.
3.2.2. AmazonEMR. Sesión II.
Programación de un perceptrón.
Apache Hadoop y Apache Spark.
Entrega de la práctica de Diseño de algoritmos.
Entrega de la práctica de Big Data (IA Google).
2.13. Técnicas de inteligencia artificial.
Redes neuronales. Sesión II. Proyecto. Sesión I.
Propagación de la información en redes multicapa. Metodología del PFM. Gestión de expectativas.
Ejemplo de un proyecto.
Entrenamiento: Retropropagación del error y ajuste
de los pesos. Presentación de ideas Proyectos Fin de Master.
Early stopping, evitando el sobreaprendizaje. 3.2.3. Amazon AI. Sesión III.
Programación de una red multicapa. Creación de modelos de aprendizaje automático.
3.2.4. Amazon AI. Sesión IV.
Módulo 3. Creación de modelos de aprendizaje automático.
Infraestructura Cloud para Big data 3.3. Entorno IA Microsoft Azure.
(65 horas).
3.3.1. Azure. Sesión I.
3.1. Entorno IA Google.
Administración de datos: Azure Storage.
3.1.1. Google. Sesión I. Repositorio de datos: Azure Data Lake Store.
Almacenamiento de datos: Cloud Storage.
3.3.2. Azure. Sesión II.
Servicio de base de datos NoSQL: Cloud BigTable.
Apoyo a la toma de decisiones:
Análisis de datos a gran escala: Google BigData. Data Lake Analytics.
Procesamiento de datos continuos y por lotes: Almacenamiento a gran escala:
Cloud Dataflow. Data Warehouse.
3.1.2. Google. Sesión II. Integración de datos híbridos (ETL/ELT):
Ecosistema Hadoop y Spark: Cloud Dataproc. Data Factory.

3.1.3. Google. Sesión III. 3.3.3. Azure. Sesión III.

Analizar datos para el aprendizaje automático: Servicio de análisis de macrodatos en código
Cloud Datalab. abierto: Azure HDInsight.
Google Data Studio. Creación de clústeres optimizados para:
Hadoop, Spark, Hive, HBase, Storm, Kafka
Entrega de la práctica de predicción con
y Microsoft R Server.
Machine Learning.
3.3.4. Azure. Sesión IV.
3.1.4. Google. Sesión IV.
Azure Machine Learning. Desarrollo
Cloud Machine Learning Engine.
de algoritmos de inteligencia artificial.
Práctica IA Google.
Práctica IA Amazon – Azure.
Módulo 4. Tamaño del paso y padding.
Maxpooling.
Aprendizaje mediante Deep Learning 11
(120 horas). Número de filtros, características.
Dropout.
4.1. Tensorflow y Keras.
4.3.2. Redes convolucionales. Sesión II.
4.1.1. Tensorflow. Sesión I.
Construcción de una red neuronal
Instalación de Tensorflow en Python
convolucional en Keras.
(con y sin GPU).
Tamaño del kernel.
Operaciones y tipos de datos. Tensores.
Tamaño del paso y padding.
Regresión lineal.
Maxpooling.
Clustering con K-means.
Número de filtros, características.
Red neuronal de una capa.
Dropout.
4.1.2. Tensorflow. Sesión II. Redes 1D, 2D, 3D.
Deep learning (redes multi capa). Práctica de análisis de gráficos de bolsa.
Tensorboard.
Proyecto. Sesión II.
4.1.3. Keras. Visión general de Gestión de Proyectos.
Instalación de Keras en Python. Presentación de estado del proyecto.
Regresión lineal. Ejemplo de un algoritmo basado en predicción
Clasificación. de gráficos.
Redes de una capa. Generación de gráficos / Predicción de la cotización.
Redes multi capa.
4.4. Redes Recurrentes. LSTM. Predicción de series
4.2. Mejora de modelos. Optimización temporales.
de Hiperparámetros.
4.4.1. Redes recurrentes. Sesión I.
4.2.1. Optimización de Hiperparámetros. Redes con memoria.
Tamaño del batch y número de épocas. El problema de las dependencias a largo plazo.
Optimizadores (‘SGD’, ‘RMSprop’, ‘Adagrad’, Redes LSTM en Tensorflow y Keras.
‘Adadelta’, ‘Adam’, ‘Nadam’).
Técnicas de inicialización de pesos 4.4.2. Redes recurrentes. Sesión II.
(‘uniform’, ‘normal’, ‘zero’…). Variantes de LSTM.
Funciones de activación (‘softmax’, ‘selu’, Backpropagation truncada.
‘softsign’, ‘relu’, ‘tanh’, ‘sigmoid’…). Acumulando LSTM.
Dropout. Predicción de series temporales de bolsa
Número de neuronas de las capas ocultas con redes recurrentes.
y número de capas.
Entrega de la práctica de Big Data 4.5. Procesamiento del lenguaje natural
(IA Amazon-Azure). con redes recurrentes.

4.3. Redes convolucionales. Reconocimiento 4.5.1. Procesamiento de lenguaje natural. Sesión I.

de imágenes. Corpus y stopwords.
Sequence to Sequence models
4.3.1. Redes convolucionales. Sesión I.
(librería en Tensorflow y Keras).
Construcción de una red neuronal
Encoder-decoder.
convolucional en Tensorflow.
Bucketing and padding.
Tamaño del kernel.
 mIA-X

4.5.2. Procesamiento de lenguaje natural. Sesión II. 4.7.2. Modelos gráficos probabilísticos. Sesión II.
Análisis de sentimiento en textos cortos. Aplicaciones prácticas en Bolsa.
12
Determinación del sentimiento con Keras
4.8. Aprendizaje por refuerzo.
y el API de Twitter.
Entrega de la práctica de análisis de gráficos 4.8.1. Aprendizaje por refuerzo. Sesión I.
de bolsa. Procesos de decisión de Markov.
4.5.3. Procesamiento de lenguaje natural. Sesión III. Algoritmos de aprendizaje.
Análisis de sentimiento en textos largos. Function approximation.
Determinación del sentimiento de noticias Q-learning.
con Keras. 4.8.2. Aprendizaje por refuerzo. Sesión II.
4.5.4. Procesamiento de lenguaje natural. Sesión IV. SARSA.
Determinación del impacto de noticias en bolsa. Métodos de búsqueda de policías.
Entrenamiento supervisado. Entrega de la práctica de análisis de
Entrenamiento no supervisado. sentimientos en noticias y su impacto en bolsa.
Práctica de análisis de sentimientos en noticias 4.8.3. Aprendizaje por refuerzo. Sesión III.
y su impacto en bolsa. Aprendizaje automático.
4.6. Modelos generativos profundos. Tres en raya.
Comecocos.
4.6.1. Modelos generativos. Sesión I.
PCA. 4.8.4. Aprendizaje por refuerzo. Sesión IV.
ICA. Aprendizaje automático aplicado
VAE. a inversiones en bolsa.
GAN. Práctica: Redes generativas, grafos,
o redes por refuerzo.
4.6.2. Modelos generativos. Sesión II.
Proyecto. Sesión III.
Generación de cotizaciones de bolsa.
Visión general de Gestión de Proyectos.
Generación de texto (noticias).
Presentación de estado del proyecto.
Generación de imágenes (gráficos de bolsa).
Ejemplo de red de Kohonen.
Generación de audio.
Ejemplo de Lógica Difusa.
4.7. Modelos gráficos probabilísticos.
4.9. Redes generativas adversariales.
4.7.1. Teoría. Sesión I.
Concepto de independencia. 4.9.1. Redes generativas adversariales. Sesión I.
Independencia Condicional. Algoritmo de aprendizaje.
Redes bayesianas y modelos gráficos. Aplicación de modelos adversarios
a redes convolucionales.
Simplificación de grafos.
Aplicación de modelos adversarios a RNN.
Algoritmos de inferencia.
Algoritmos de aprendizaje de estructuras. 4.9.2. Redes generativas adversariales. Sesión II.
Aplicación de redes adversarias en algoritmos
de inversión.
Entrega de la práctica de Redes generativas,
grafos, o redes por refuerzo.
Módulo 5. Módulo 6.

Blockchain (20 horas). Infraestructura Cloud para Deep Learning 13

(20 horas).
5.1. Blockchain, Bitcoin & Ethereum.
6.1. Entorno IA Google.
5.1.1. Tecnología. Sesión I.
Entorno Google Machine Learning y TensorFlow.
Seguridad: Hash. Clave pública-privada.
Entornos de GPU en Google Cloud.
Cadena de bloques. Arquitectura, Consenso
distribuido. 6.2. Entorno IA Amazon.
Smart Contracts, Smart Properties, DAPPs y DAOs. Apache MXnet en AWS.
IDE Remix. Ejemplo de Smart Contract. TensorFlow on AWS.
5.1.2. Tecnología. Sesión II. AWS Deep Learning AMIs.
Principios criptográficos, matemáticos
y de arquitectura de una Blockchain. 6.3. Entorno IA Microsoft Azure.
Direcciones, transacciones y bloques. Microsoft CTNK.
Algoritmos de consenso avanzados. Azure Machine Learning Workbench.
Tipos de blockchain: Permissioned, 6.4. Servicios Cognitivos.
permissionless.
Servicios Cognitivos Microsoft Azure.
Ejecución/depuración de Solidity en Remix.
Servicios Cognitivos IBM Watson.
Mappings, Arrays.
Entrega de la práctica de Blockchain.
Ejemplo de contrato con información privada.

5.2. Programación en Solidity para Ethereum. Módulo 7.

5.2.1. Solidity. Sesión I.
Defensa de los trabajos de fin de máster
Características de Solidity y Ethereum (10 horas).
(Virtual Machine).
Información privada en Blockchain.
Otras Herramientas de Desarrollo para Ethereum.
Truffle.
Smart Contracts.
Creación de Tokens.
Estructuras de datos.
Contrato avanzado. Oráculos.
5.2.2. Solidity. Sesión II.
Implementaciones avanzadas.
Patrones de implementaciones Solidity.
Librerías, contratos e interacciones
entre contratos.
Interactuando con el Blockchain/Smart
Contracts desde DApp.
Web3.
Servicios Off-chain.
Práctica Blockchain: Aplicación a la compra
venta de acciones y derivados.
 mIA-X

Ponentes
14
colaboradores
Emilio Soria
Catedrático de la Universidad de Valencia

Licenciado en Físicas (1992), premio extraordinario y doctor en ingeniería electrónica (1997),

ha publicado más de 80 trabajos en revistas indexadas en JCR, Journal Citation Report (JCR), el
indicador de calidad más valorado por los organismos de evaluación de la actividad investigadora.

Jose Antonio Esteban

CTO Codere

Presidente de la Comisión Big Data de Cloud Community Europe. Ha participado en el diseño

de soluciones de optimización de Aplicaciones para Mercury (actualmente HP) y en equipos de
diagnóstico de problemas de sistemas críticos. Actualmente responsable tecnológico de una de
las mayores plataformas de juego online y presencial para la multinacional española Codere.

Guillermo Meléndez Alonso

Departamento de Innovación en BME

Experto en el diseño de algoritmos de inversión evolutivos, capaces de adaptarse y evolucionar

sin intervención humana. Cuatro veces número uno de promoción: Finanzas, Auditoría, Data
Science y Deep Learning.

Jorge del Val

Researcher in BEEVA (BBVA)

Investigador enfocado en matemáticas aplicadas e inteligencia artificial. Centrado en el

aprendizaje automático, los sistemas multi-agente y el análisis numérico. En particular, técnicas
de aprendizaje profundo para el modelado generativo y el aprendizaje de refuerzo.

Luís Lago
Profesor en la Universidad Autónoma de Madrid

Profesor del Departamento de Ingeniería Informática en la UAM. Investiga e imparte clases

de Machine Learning, Big Data y Data Science. Ha participado en numerosos proyectos de
minería y análisis de datos en el ámbito empresarial.
 15

Francisco Javier González Gosálbez

President & CEO en Cartagon

Profesor asociado en The Valley Digital Business School.

Francisco Merlos Fernández

Departamento de Innovación en BME

Ingeniero superior de telecomunicaciones. Experto en tecnología de trading y acceso a

mercados. Desarrollador de sistemas de trading automático y market making. Ponente
en el ciclo de conferencias Robotrader de la UPM.

Javier Pérez Manzanares

BME

Ingeniero en Informática por la Universidad Politécnica de Madrid con distinciones en

arquitectura de computadores y sistemas operativos: estancia en IRIDIA (ULB) para el
desarrollar sistemas de optimización combinacional mediante ACO.

Elena Montesinos Santos

Senior Data scientist en Kernel Analytics

Consultora experta en el uso de métodos cuantitativos aplicados a la economía y las finanzas.

Licenciada en Economía (premio de excelencia), Máster en Finanzas Cuantitativas y Máster en
Data Science & Big Data.

José Luís Cano Coello

Socio en Next-Step consultores

Ingeniero Industrial inmerso en el desarrollo de proyectos tecnológicos, inteligencia

de negocio y formación in-company.
+info

www.institutobme.es
[email protected]
Telfs. 91 589 12 22
91 589 12 17

En colaboración con

Siguenos también en:

Plaza de la Lealtad, 1
Palacio de la Bolsa
28014 Madrid