Curso de Python para Trading

Aula 1 • Fundamentos Essenciais de Sintaxe Python

Aborda variáveis, tipos de dados, operadores e fluxo de controlo com exemplos temáticos de trading. Proporciona a fluência na linguagem necessária para toda a manipulação de dados adiante.

Aula 2 • Configurar o Ambiente de Trading

Instale Python, Jupyter e bibliotecas financeiras chave num espaço de trabalho reproduzível. Estabelece a base técnica de que todos os capítulos subsequentes dependem.

Aula 3 • Estruturas de Dados para Dados de Mercado

Explore listas, tuplos, dicionários e conjuntos como contentores para registos de preços e negociações. Mapeia diretamente a forma como os dados de mercado são armazenados e acedidos na prática.

Aula 1 • Pandas Series e DataFrames

Construa e inspecione Series e DataFrames que representam históricos de preços. Estabelece a estrutura de dados primária usada ao longo de todo o curso.

Aula 2 • Limpar e Transformar Dados OHLCV

Lide com valores omissos, duplicados e inconsistências de tipos em feeds de mercado brutos. Dados limpos são um pré-requisito para a geração fiável de sinais em capítulos posteriores.

Aula 3 • Indexação Temporal com DatetimeIndex

Analise datas, defina DatetimeIndex e reamostre dados em várias frequências. A indexação temporal é essencial para todo o trabalho de sinais e backtests adiante.

Aula 4 • Arrays NumPy e Matemática Vetorizada

Crie e opere em arrays para substituir ciclos Python lentos em cálculos de preços. Operações vetorizadas são a base de desempenho de todas as análises posteriores.

Aula 1 • Usar Bibliotecas de Dados Financeiros

Obtenha dados OHLCV históricos usando wrappers Python especializados para fornecedores de dados de mercado. Reduz código repetitivo e acelera a prototipagem de ideias de trading.

Aula 2 • Construir um Pipeline de Dados Reutilizável

Encapsule os passos de obter, limpar e armazenar numa classe de pipeline modular e chamável. Pipelines reutilizáveis são a base da investigação reproduzível e do trading ao vivo.

Aula 3 • Aceder a Dados via APIs REST

Envie pedidos HTTP autenticados e analise respostas JSON em DataFrames. Estabelece o padrão para toda a ingestão de dados baseada em API no curso.

Aula 1 • Indicadores de Volatilidade e Volume

Calcule Bandas de Bollinger, ATR e indicadores baseados em volume para avaliar as condições de mercado. O contexto de volatilidade e volume melhora a qualidade do sinal e a dimensão das posições.

Aula 2 • Usar TA-Lib e pandas-ta

Aproveite bibliotecas de indicadores estabelecidas para acelerar o desenvolvimento e validar código personalizado. Indicadores baseados em bibliotecas reduzem erros e permitem a prototipagem rápida de estratégias.

Aula 3 • Indicadores de Seguimento de Tendência

Implemente médias móveis, MACD e ADX para identificar tendências direcionais de preços. Os sinais de tendência formam a lógica de entrada mais comum em estratégias sistemáticas.

Aula 4 • Indicadores de Momento e Osciladores

Construa RSI, Estocástico e Taxa de Variação para medir o momento do preço. Os osciladores complementam os filtros de tendência ao identificar condições de sobrecompra e sobrevenda.

Aula 1 • Conceitos de Backtesting Orientado a Eventos

Introduza simulação de book de ordens, lógica de execução e modelação de slippage para resultados realistas. Motores orientados a eventos expõem realidades de execução que os testes vetorizados obscurecem.

Aula 2 • Usar Backtrader e Zipline Lite

Execute estratégias através de frameworks de backtesting open-source estabelecidas para análises mais ricas. As frameworks impõem disciplina e fornecem relatórios integrados indisponíveis em motores personalizados.

Aula 3 • Evitar Sobreajuste e Data Snooping

Aplique validação walk-forward e testes fora da amostra para detetar resultados espúrios. O sobreajuste é a principal causa de mau desempenho em trading ao vivo após o backtesting.

Aula 4 • Fundamentos de Backtesting Vetorizado

Traduza sinais de posição em retornos diários usando operações pandas vetorizadas. O backtesting vetorizado é rápido e forma o motor central para toda a avaliação de estratégias.

Aula 1 • Métricas de Risco e Controlo de Drawdown

Monitore o Valor em Risco, o Défice Esperado e o drawdown deslizante em tempo real. A monitorização contínua do risco previne perdas catastróficas durante regimes de mercado adversos.

Aula 2 • Estimação de Retorno e Covariância

Calcule retornos esperados e matrizes de covariância a partir de dados históricos de preços. Estimativas precisas são os inputs que determinam a qualidade de qualquer resultado de otimização.

Aula 3 • Métodos de Dimensionamento de Posições

Implemente regras de dimensionamento fracional fixo, Critério de Kelly e escalado por volatilidade. O dimensionamento adequado determina quanto capital cada sinal controla, afetando diretamente o drawdown.

Aula 4 • Otimização de Carteira Média-Variância

Use scipy e PyPortfolioOpt para resolver a fronteira eficiente e os pesos ótimos. A otimização média-variância traduz estimativas de retorno/risco em alocações acionáveis.

Aula 1 • Algoritmos de Execução (TWAP e VWAP)

Construa algoritmos de fatiamento TWAP e VWAP para reduzir o impacto de mercado em ordens grandes. Os algoritmos de execução são essenciais quando a dimensão da ordem é significativa em relação ao volume.

Aula 2 • Integração com API de Corretora

Autentique-se e interaja com uma API REST de corretora para colocar e gerir ordens. A integração com API é a ponte entre os sinais testados em backtest e a execução no mercado real.

Aula 3 • Monitorização e Alertas de Execução

Registe todos os eventos de ordens e dispare alertas sobre anomalias, como preenchimentos perdidos ou limites excedidos. A monitorização robusta é a rede de segurança operacional para qualquer sistema de trading ao vivo.

Aula 4 • Tipos de Ordens e Lógica de Execução

Implemente ordens de mercado, limitadas, stop e bracket com lógica de execução condicional. Escolher o tipo de ordem correto controla diretamente a qualidade do preenchimento e a exposição ao risco.

Aula 1 • Avaliação de Modelos para Dados Financeiros

Use validação cruzada purgada e métricas financeiras para avaliar a qualidade do modelo sem fuga de dados. As métricas de ML padrão são insuficientes para dados financeiros serialmente correlacionados.

Aula 2 • Engenharia de Features a partir de Dados de Preços

Transforme dados OHLCV brutos em features preditivas adequadas para modelos de ML. A qualidade das features determina o poder preditivo do modelo mais do que a escolha do algoritmo.

Aula 3 • Modelos de Classificação Supervisionada

Treine classificadores de regressão logística, random forest e gradient boosting para prever a direção do preço. As saídas de classificação mapeiam diretamente para a geração de sinais longo/curto.

Aula 4 • Aprendizagem Não Supervisionada para Regimes de Mercado

Aplique k-means e Gaussian Mixture Models para agrupar estados de mercado e adaptar estratégias. A deteção de regimes permite a alternância dinâmica de estratégias com base nas condições de mercado.