Análise de Dados para Mercados Financeiros

Conhecimentos de Base Recomendados

Esta disciplina recorre a conhecimentos prévios de programação em Python e de algoritmos de análise de dados. Faz recurso transversal dos conhecimentos adquiridos no primeiro ciclo de um curso superior na área de engenharia informática, ciências da computação e/ou análise de dados.

Métodos de Ensino

O processo de aprendizagem tem lugar em aulas teóricas, aulas práticas e trabalho desenvolvido autonomamente fora do espaço de aula.

Os materiais para as aulas incluem: 
- apresentações PPT 
- videos de demonstração 
- conjuntos de dados real 
- acesso a uma corretora em modo simulação

- bibliotecas Python para análise de dados.

Resultados de Aprendizagem

Este curso aborda o tema da análise de dados, métodos e soluções para os mercados financeiros. As aulas T fornecem os conceitos e técnicas de análise necessárias à uc, nomeadamente, introdução aos instrumentos disponíveis nos mercados financeiros, preparação e visualização exploratória de dados financeiros, estratégias de negociação, modelos para séries temporais financeiras, co-integração e arbitragem por co-integração . As aulas P são estruturadas em torno do Data Lab. O Data Lab fornece vários conjuntos de dados financeiros e acesso a um simulador de corretagem. O projeto do curso desenvolve-se ao longo do semestre e é apresentado na workshop do curso, tendo a participação de instituições financeiras. Este projeto visa desenvolver as capacidades dos alunos na visualização e análise de dados financeiros para operações de investimento e negociação. Espera-se que estas capacidades sejam também úteis para outras áreas que façam uso extensivo de dados para tomada de decisão.

Estágio(s)

Não

Programa

Mercados Financeiros

Análise Exploratória de Dados para Mercados Financeiros

Estratégias Algorítmicas para Negociação

Modelos Baseados na Análise de Séries Temporais

Redes Neuronais para Negociação.

Docente(s) responsável(eis)

Carlos Manuel Robalo Lisboa Bento

Métodos de Avaliação

Avaliação
Exame: 40.0%
Projecto: 60.0%

Bibliografia

Python for Finance, 2020

Eryk Lewinson

Packt Publishing

Hands-On Financial Trading with Python, 2021

Jiri Pik and Sourav Ghosh

Packt Publishing

Introduction to Time Series and Forecasting, 2nd Edition

Petter J Brockwell and Richard Davis

Springer

Machine Learning for Algorithmic Trading, 2020

Stefan Jansen

Packt Publishing.