Ciência de Dados e Inteligência Artificial Aplicada ao Mercado Financeiro

COMPETÊNCIAS DISCIPLINARES

Módulo 1:  Fundamentos de Dados e Mercado Financeiro

Estrutura do Mercado Financeiro

Ao final da disciplina, os alunos deverão ser capazes de:

• Identificar e explicar funções, características e participantes dos diferentes segmentos do mercado financeiro;
  
• Compreender os diferentes tipos de ativos financeiros e suas aplicações;
  
• Utilizar indicadores técnicos para analisar o comportamento dos preços dos ativos;
  
• Entender a estrutura e regulamentação do sistema financeiro nacional.
  

Matemática Financeira Aplicada

Ao final da disciplina, os alunos deverão ser capazes de:

• Calcular valor presente e futuro em análises financeiras e de investimentos;
  
• Calcular parcelas em financiamentos uniformes e não uniformes;
  
• Quantificar o potencial de perda em um determinado período;
  
• Avaliação de Projetos Financeiros: Competência em metodologias de análise de viabilidade econômica como VPL e TIR;
  
• Análise de Sensibilidade: Simular cenários futuros para avaliar o risco e retorno de investimentos.
  

Data Discovery e Analytics

Ao final da disciplina, os alunos deverão ser capazes de:

• Realizar analisar exploratória de dados;
  
• Conhecer os diferentes tipos de dados (estruturados, semiestruturados, não estruturados);
  
• Identificar e coletar dados relevantes de diversas fontes;
  
• Aplicar técnicas de visualização de dados para comunicar insights de forma clara e concisa;
  
• Utilizar ferramentas de Data Discovery e Self-Service Analytics para realizar análises exploratórias de dados de forma autônoma;
  
• Usar modelos de machine learning para aplicar em análise preditiva e prescritiva.
  

Governança de Dados  

Ao final da disciplina, os alunos deverão ser capazes de:

• Analisar e contextualizar a importância da governança de dados no ambiente corporativo;
  
• Analisar criticamente situações e problemas;
• Desenvolver e implementar frameworks de governança de dados alinhados aos objetivos organizacionais;
  
• Criar e aplicar políticas, padrões e procedimentos específicos de governança de dados;
  
• Garantir a qualidade, segurança e confiabilidade dos dados;
• Realizar avaliações de conformidade (compliance) e de risco (risk assessment) em relação à governança de dados;
  
• Integrar conceitos de governança de dados com as exigências legais de proteção de dados;
  
• Adaptar e inovar em práticas de governança de dados considerando a ética, agilidade e gerência de mudanças;
  
• Comunicar-se de forma eficaz, trabalhar em equipe e adaptar-se a novas situações e desafios de GD.

Módulo 2:  Ferramentas Estatísticas e Engenharia de Dados 

Python para Ciência de Dados 

Ao final da disciplina, os alunos deverão ser capazes de:

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes;
  
• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes;
  
• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados.
  

Estatística Geral - Teoria e Aplicações  

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar conceitos de estatística descritiva e inferencial em análises de dados;
  
• Interpretar e utilizar distribuições de probabilidade em problemas práticos;
  
• Realizar inferências estatísticas e testes de hipóteses utilizando métodos de regressão linear;
  
• Utilizar softwares estatísticos para aplicar análises estatísticas em casos práticos de gestão;
  
• Interpretar resultados estatísticos para tomar decisões informadas.
  

Séries Temporais

Ao final da disciplina, os alunos deverão ser capazes de:

• Analisar e modelar séries temporais estacionárias e não estacionárias;
  
• Modelar e prever séries temporais utilizando modelos ARMA, ARIMA, e SARIMA;
  
• Ajustar modelos de séries temporais não estacionárias por meio de transformações adequadas.

Preparação e Integração de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Realizar processos de limpeza, transformação e enriquecimento de dados.
• Executar processos ETL/ELT e integrar dados em ambientes de Data Lake.
• Utilizar ferramentas específicas para projetar e desenvolver aplicações de preparação e integração de dados.
• Implementar pipelines de ETL e ELT.
• Projetar e desenvolver soluções de integração de dados.

Módulo 3:   Machine Learning e Deep Learning em Finanças

Machine Learning

Ao final da disciplina, os alunos deverão ser capazes de:

• Entender o contexto de aplicação de machine leraning em problemas do mercado financeiro; 
• Compreender os diferentes tipos de aprendizado de máquina (supervisionado, não supervisionado);
  
• Selecionar e aplicar algoritmos adequados para problemas específicos de machine learning;
  
• Projetar e implementar modelos de aprendizado supervisionado e não supervisionado;
  
• Realizar engenharia de features eficaz para otimizar a performance dos modelos;
  
• Avaliar a qualidade dos modelos utilizando métricas apropriadas;
  
• Combinar múltiplos modelos para melhorar a generalização das soluções de aprendizado de máquina;
  
• Interpretar os resultados de modelos de aprendizado de máquina.
  

Redes Neurais e Deep Learning Aplicada ao Mercado Financeiro   

Ao final da disciplina, os alunos deverão ser capazes de:

• Construir modelos de redes neurais artificiais e profundas para aplicações financeiras;
  
• Aplicar redes convolucionais e recorrentes para análise de grandes conjuntos de dados financeiros;
  
• Utilizar frameworks de deep learning como TensorFlow e PyTorch;
  
• Interpretar e visualizar resultados de modelos de deep learning;
  
• Medir a eficácia de modelos de deep learning e abordar as questões éticas associadas ao seu uso em finanças.

Redes Neurais Generativas Aplicada ao Mercado Financeiro   

Ao final da disciplina, os alunos deverão ser capazes de:

• Projetar e implementar Autoencoders Variational Autoencoders (VAEs) e Generative Adversarial Networks (GANs) para problemas de cenários financeiros;
  
• Criar e implementar modelos generativos em projetos práticos no setor financeiro;
  
• Treinar eficazmente modelos adversariais gerativos e avaliar sua qualidade e em finanças;
  
• Abordar desafios de estabilidade e convergência no treinamento de GANs.
  

Módulo 4:  Aplicações, Estrategias de Trading e Ética

Gestão e Análise de Riscos com Machine Learning

Ao final da disciplina, os alunos deverão ser capazes de:

• Identificar riscos em diferentes cenários e implementar estratégias de mitigação.
• Integrar ferramentas de machine learning na análise e gestão quantitativa de riscos.
• Desenvolver modelos preditivos de riscos específicos ao setor financeiro.

Algoritmos de Trading e Estratégias Quantitativas  

Ao final da disciplina, os alunos deverão ser capazes de:

• Desenvolver estratégias de trading com base em estatísticas, machine learning e análise de dados;
  
• Desenvolver algoritmos de trading baseados em análise técnica e indicadores;
  
• Conduzir backtests para validar as estratégias de trading e otimizar performance;
  
• Aplicar modelos de machine learning para prever tendências de mercado e melhorar estratégias de trading;
  
• Implementar técnicas de otimização de portfólio para alocação dinâmica de ativos.
  

Otimização e Simulação no Mercado Financeiro

Ao final da disciplina, os alunos deverão ser capazes de:

• Otimizar carteiras de investimento usando o modelo de Markowitz e outras técnicas analíticas;
  
• Realizar simulações de risco para prever cenários de mercado financeiro;
  
• Desenvolver frameworks para análises de risco e retorno utilizando ferramentas de otimização financeira;
  
• Desenvolver modelos de otimização robusta para lidar com incertezas de mercado;
  
• Implementar técnicas de machine learning para melhorar a eficiência de simulações.
  

Chatbots e Assistentes Virtuais

Ao final da disciplina, os alunos deverão ser capazes de:

• Projetar a arquitetura de chatbots e assistentes virtuais para aplicações financeiras;
  
• Criar chatbots que utilizem regras, aprendizado de máquina e arquiteturas baseadas em memória;
  
• Integrar modelos de linguagem avançados, como GPT, para melhorar as respostas dos assistentes virtuais e executar testes rigorosos para validação e refinamento;
  
• Desenvolver sistemas de diálogo baseados em regras e aprendizado de máquina;
  
• Integrar APIs de serviços financeiros em chatbots para fornecer informações em tempo real.
  

Humanidades

Ao final da disciplina, os alunos deverão ser capazes de:

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico;
  
• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia;
  
• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos.