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 Aplicada ao Mercado Finaceiro

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.
  

• Algoritmos de Trading E Estratégias Quantitativas 

• Chatbots e Assistentes Virtuais

• Data Discovery e Analytics   

• Estatística Geral - Teoria e Aplicações

• Estrutura do Mercado Financeiro 

• Gestão e Análise de Riscos com Machine Learning

• Governança de Dados  

• Machine Learning Aplicada ao Mercado Financeiro  

• Matemática Financeira Aplicada
  

• Otimização e Simulação no Mercado Financeiro

• Preparação e Integração de Dados

• Python para Ciência de Dados

• Redes Neurais e Deep Learning Aplicada ao Mercado Financeiro   

• Redes Neurais Generativas Aplicada ao Mercado Financeiro   

• Séries Temporais

• Humanidades*