Finanças Computacionais

Conhecimentos de Base Recomendados

Não aplicável.

Métodos de Ensino

Esta UC adota o paradigma do desenvolvimento de competências. Combina-se sessões expositivas com resolução de problemas em aula e análise e discussão de casos práticos. É esperado que os estudantes participem ativamente no processo de aprendizagem. Tenta-se promover o conhecimento descritivo, procedimental e criar um ambiente incentivador da aprendizagem autónoma. Ao longo das aulas são utilizadas metodologias expositiva, interrogativa e participativa.

Resultados de Aprendizagem

1. Projetar e implementar estratégias que permitam uma investigação reproduzível;
2. Descrever, aplicar, discutir e comparar métodos computacionais para a otimização de carteiras de ativos financeiros;
3. Descrever, aplicar, discutir e comparar meta-heurísticas para problemas financeiros;
4. Descrever, aplicar, discutir e comparar métodos numéricos para a avaliação de ativos financeiros;
5. Descrever, aplicar, discutir e comparar métodos de simulação de Monte Carlo para simular trajetórias de preços de ativos e avaliar ativos financeiros;
6. Descrever, aplicar, discutir e comparar métodos de aprendizagem automática e aprendizagem estatística para problemas financeiros, particularmente no contexto de estratégias de negociação;
7. Gerir eficientemente grandes bases de dados em estudos computacionais.

Estágio(s)

Não

Programa

1. Introdução às finanças computacionais. Software. Boas práticas para investigação reproduzível.
2. Técnicas de otimização de carteiras. Fronteira eficiente de Markowitz. Meta-heurísticas para otimização de carteiras.
3. Avaliação de opções. Modelos de grelha e métodos de diferenças finitas.
4. Simulação de Monte Carlo. Simulação de processos estocásticos. Avaliação de derivados com simulação de Monte Carlo. Técnicas de redução de variância e métodos de quasi-Monte Carlo. Métodos baseados em regressão para a avaliação de opções americanas.
5. Aprendizagem automática em finanças. Modelos de regressão e classificação para aprendizagem supervisionada. Aprendizagem profunda.
6. Big data em finanças. Gestão de grandes bases de dados e computação distribuída.

Docente(s) responsável(eis)

Pedro Manuel Cortesão Godinho

Métodos de Avaliação

Avaliação
Participação na aula e resolução de problemas: 50.0%
Projecto: 50.0%

Bibliografia

• Arratia, A. (2014). Computational finance. An Introductory Course with R, Atlantis Press.
• Cesarone, F. (2020). Computational finance: MATLAB® oriented modeling. Routledge.
• de Prado, M. M. L. (2020). Machine learning for asset managers. Cambridge University Press.
• Glasserman, P. (2004). Monte Carlo methods in financial engineering. New York: Springer.
• Gilli, M., Maringer, D., & Schumann, E. (2019). Numerical methods and optimization in finance, 2nd Edition. Academic Press.
• James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning with applications in R, 2nd Edition. New York: Springer.
• Seydel, R. (2017). Tools for computational finance, 6th edition. Springer.

Additional readings will be suggested by the lecturer.

Optional bibliography:
• Duffy, D. J. (2022). Numerical Methods in Computational Finance: A Partial Differential Equation (PDE/FDM) Approach. John Wiley & Sons.