Curso Avançado de Construção de Portfólio com Python

Aula 1 • Calculando Retornos e Estatísticas Básicas

Calcule retornos simples e logarítmicos e resuma suas distribuições. Essas métricas são as entradas diretas para todos os modelos de risco e otimização adiante.

Aula 2 • Obtendo e Limpando Dados de Mercado

Recupere dados históricos de preços via APIs e limpe-os para análise. Garante a qualidade dos dados antes de qualquer cálculo de retorno ou risco.

Aula 3 • Pandas para Dados de Séries Temporais

Manipule DataFrames e Series indexadas por tempo para lidar com dados de preço e retorno. Fornece a camada de dados que alimenta todos os módulos analíticos subsequentes.

Aula 4 • Configurando o Ambiente Quant

Configure Python, ambientes virtuais e bibliotecas essenciais para análise de carteiras. Estabelece o workspace reproduzível usado ao longo do curso.

Aula 1 • Estimação da Matriz de Covariância

Estime e encolha matrizes de covariância para reduzir o erro de estimação. Matrizes de covariância confiáveis são essenciais para uma otimização estável da carteira.

Aula 2 • Técnicas de Estimação de Volatilidade

Estime a volatilidade histórica e exponencialmente ponderada a partir de séries de retorno. Estimativas precisas de volatilidade sustentam toda medida de desempenho ajustada ao risco.

Aula 3 • Métricas de Drawdown e Risco de Cauda

Meça perdas de pico a vale e risco extremo de queda usando Python. Conecta a análise de volatilidade a cenários de perda relevantes para o investidor.

Aula 4 • Atribuição e Relatório de Risco

Atribua a variância da carteira a ativos e fatores individuais. Traduz números de risco brutos em insights acionáveis para gestores de carteira.

Aula 1 • Fundamentos do Framework Markowitz

Formalize matematicamente o objetivo e a estrutura de restrições da média-variância. Fundamenta todo o código de otimização subsequente em teoria rigorosa.

Aula 2 • Incorporando Restrições Práticas

Adicione restrições de apenas comprado, setoriais e de rotatividade ao otimizador. Une a teoria dos livros-texto aos mandatos reais de carteira.

Aula 3 • Reamostragem e Otimização Robusta

Aplique a reamostragem de Michaud e métodos robustos para estabilizar os pesos ótimos. Aborda a instabilidade do MVO clássico sob erro de estimação.

Aula 4 • Mapeando a Fronteira Eficiente

Varra os níveis de retorno alvo para traçar a curva completa da fronteira eficiente. Visualiza a relação risco-retorno central para as decisões de construção de carteira.

Aula 1 • Backtesting de Estratégias de Otimização

Execute backtests walk-forward de estratégias de otimização em dados históricos. Valida se os ganhos teóricos sobrevivem a condições realistas fora da amostra.

Aula 2 • Otimização Convexa com CVXPY

Modele problemas de carteira como programas convexos disciplinados usando a sintaxe do CVXPY. Desbloqueia uma classe mais ampla de objetivos e restrições do que apenas o SciPy.

Aula 3 • Construção de Carteira com Paridade de Risco

Construa carteiras de contribuição de risco igual equalizando as parcelas de risco marginais. Fornece uma alternativa de diversificação que evita completamente a estimação de retorno.

Aula 4 • Diversificação Máxima e Outros Objetivos

Implemente o objetivo de razão de diversificação máxima e CVaR mínimo. Expande o kit de ferramentas para mandatos que vão além da maximização do índice de Sharpe.

Aula 1 • Otimizando com Base nos Resultados Posteriores do BL

Alimente retornos e covariâncias posteriores nos otimizadores MVO e CVXPY. Demonstra como o BL se integra com os frameworks de otimização construídos anteriormente.

Aula 2 • Extensões e Críticas ao Modelo BL

Explore visões baseadas em fatores, entropy pooling e limitações conhecidas do BL. Prepara os alunos para adaptar o modelo a mandatos de carteira não padronizados.

Aula 3 • Retornos de Equilíbrio e Prioris de Mercado

Derive retornos de equilíbrio implícitos a partir dos pesos de capitalização de mercado. Estabelece o ponto de partida neutro que o Black-Litterman ajusta com visões.

Aula 4 • Cálculo do Retorno Posterior

Combine a priori e visões usando atualização bayesiana para obter retornos posteriores. Produz o vetor de retorno combinado alimentado no otimizador final.

Aula 1 • Integrando Sinais de ML na Otimização

Converta previsões de retorno de ML em entradas de retorno esperado para o otimizador. Fecha o ciclo entre modelos de previsão e geração de pesos da carteira.

Aula 2 • Técnicas de Redução de Dimensionalidade

Aplique PCA e autoencoders para comprimir dados de retorno de alta dimensão. Reduz ruído e multicolinearidade antes de alimentar dados em modelos de carteira.

Aula 3 • Agrupamento para Agrupamento de Ativos

Use k-means e agrupamento hierárquico para agrupar ativos pelo comportamento do retorno. Apoia a análise de diversificação e a construção de carteiras hierárquicas.

Aula 4 • Modelos Supervisionados para Previsão de Retornos

Treine regressão regularizada e modelos baseados em árvores para prever retornos futuros. Avalia a habilidade do modelo usando métricas financeiras específicas além do R-quadrado padrão.

Aula 1 • Simulação de Execução de Ordens e Slippage

Simule a execução de ordens com modelos de slippage dentro do motor de backtest. Produz estimativas realistas de desempenho que levam em conta a microestrutura do mercado.

Aula 2 • Modelagem de Custos de Transação

Modele spreads de compra e venda, impacto de mercado e comissões em Python. A modelagem precisa de custos evita overfitting em backtests de retorno bruto.

Aula 3 • Gestão de Carteira com Consciência Tributária

Incorpore regras de colheita de prejuízos fiscais e período de manutenção na lógica de rebalanceamento. Melhora os retornos após impostos sem alterar a tese de investimento antes dos impostos.

Aula 4 • Regras e Gatilhos de Rebalanceamento

Compare estratégias de rebalanceamento por calendário, por limite e acionadas por volatilidade. Escolher o gatilho certo afeta diretamente o desempenho líquido de custos da carteira.

Aula 1 • Framework de Medição de Desempenho

Calcule métricas de desempenho baseadas em retorno e ajustadas ao risco de forma sistemática. Fornece o vocabulário quantitativo para avaliar qualquer estratégia de carteira.

Aula 2 • Dashboards Interativos com Plotly e Dash

Construa dashboards interativos de carteira usando gráficos Plotly e layouts Dash. Permite que as partes interessadas explorem dados da carteira sem escrever código.

Aula 3 • Padrões de Relatórios Regulatórios e para Clientes

Alinhe as saídas dos relatórios com os padrões de apresentação e divulgação de desempenho. Garante que os relatórios atendam aos requisitos de conformidade institucionais e voltados ao cliente.

Aula 4 • Geração Automatizada de Tearsheets

Gere tearsheets estilo pyfolio programaticamente a partir de uma série de retornos. Padroniza os relatórios e reduz o esforço manual nos ciclos de revisão de desempenho.