Curso de Machine Learning para Trading e Finanças

Aula 1 • Dados de Preço e Microestrutura de Mercado

Explica como os preços se formam através do fluxo de ordens e da mecânica de bolsa. Fornece a base de dados para toda a engenharia de atributos subsequente.

Aula 2 • Propriedades das Séries Temporais Financeiras

Identifica fatos estilizados dos dados financeiros, incluindo caudas pesadas e autocorrelação. Compreender essas propriedades evita a especificação incorreta ingênua de modelos de ML.

Aula 3 • Mercados Financeiros e Classes de Ativos

Abrange ações, renda fixa, derivativos e commodities como instrumentos negociáveis. Estabelece o universo de ativos que os modelos de ML analisarão posteriormente.

Aula 4 • Fontes de Dados e Convenções de Mercado

Pesquisa os principais fornecedores de dados, dados alternativos e convenções padrão de mercado. Os alunos adquirem habilidades práticas de acesso antes de construir qualquer pipeline.

Aula 1 • Construindo um Pipeline de Dados Reproduzível

Integra etapas de ingestão, limpeza e atributos em um pipeline modular. A reprodutibilidade garante resultados consistentes entre os ambientes de pesquisa e produção.

Aula 2 • Ambiente Python e Bibliotecas

Configura um ambiente Python reproduzível com bibliotecas específicas para finanças. Garante que todos os alunos compartilhem uma mesma cadeia de ferramentas antes de escrever código analítico.

Aula 3 • Fundamentos de Engenharia de Atributos

Transforma dados brutos de preço e volume em sinais preditivos. Estabelece o vocabulário de atributos usado em todos os capítulos de ML.

Aula 4 • Manipulação de Séries Temporais com Pandas

Ensina reamostragem, janelas rolantes e DataFrames multi-índice para séries financeiras. Essas operações sustentam cada etapa de engenharia de atributos adiante.

Aula 1 • Modelos de Regressão Linear e Logística

Constrói modelos de base interpretáveis para previsão de retorno e direção. Modelos de base fornecem parâmetros de comparação que modelos mais complexos devem superar.

Aula 2 • Ajuste e Seleção de Hiperparâmetros

Otimiza parâmetros do modelo usando validação cruzada segura para séries temporais. Evita vazamento de dados que infla as métricas de desempenho dentro da amostra.

Aula 3 • Métodos Ensemble Baseados em Árvores

Apresenta florestas aleatórias e gradient boosting para captura de sinais não lineares. Ensembles superam consistentemente modelos lineares em dados financeiros tabulares.

Aula 4 • Conceitos de Aprendizado Supervisionado em Finanças

Mapeia tarefas de previsão financeira para tipos de problema de ML. Esclarece quando usar regressão versus classificação para sinais de negociação.

Aula 1 • Algoritmos de Clustering para Dados de Mercado

Aplica clustering k-means, hierárquico e DBSCAN a atributos financeiros. Clusters revelam agrupamentos naturais em ativos e condições de mercado.

Aula 2 • Estimação de Covariância e Estrutura de Carteira

Estima matrizes de covariância robustas para construção de carteira sob ruído. A covariância precisa é crítica para modelos de alocação baseados em risco.

Aula 3 • Modelos Ocultos de Markov para Regimes

Modela estados latentes do mercado, como regimes de alta, baixa e lateral. A identificação de regimes permite a troca dinâmica de estratégias.

Aula 4 • Técnicas de Redução de Dimensionalidade

Reduz espaços de atributos de alta dimensionalidade usando PCA, t-SNE e UMAP. Representações de menor dimensão melhoram a eficiência do modelo e a visualização.

Aula 1 • Treinamento e Regularização de Modelos Profundos

Abrange schedules de taxa de aprendizado, parada antecipada e aumento de dados para finanças. A disciplina adequada de treinamento evita overfitting em conjuntos de dados financeiros limitados.

Aula 2 • Modelos Transformer para Finanças

Apresenta mecanismos de atenção e codificadores transformer para sequências financeiras. Transformers capturam dependências de longo alcance que RNNs têm dificuldade em modelar.

Aula 3 • Fundamentos de Redes Neurais

Abrange redes feedforward, funções de ativação e retropropagação. Fornece a base teórica necessária antes de introduzir arquiteturas sequenciais.

Aula 4 • Redes Recorrentes e LSTMs

Constrói modelos RNN e LSTM para captura de dependência temporal em séries de preços. LSTMs lidam com o problema do gradiente vanishing em sequências financeiras longas.

Aula 1 • Análise e Pontuação de Sentimento

Constrói pontuadores de sentimento baseados em léxico e em ML para documentos financeiros. As pontuações de sentimento servem como atributos na previsão de retornos e em estudos de eventos.

Aula 2 • Grandes Modelos de Linguagem em Negociação

Aplica modelos estilo GPT a tarefas de sumarização, perguntas e respostas e geração de sinais. LLMs permitem análise financeira zero-shot e few-shot em escala.

Aula 3 • Fontes de Dados Textuais em Finanças

Pesquisa feeds de notícias, transcrições de resultados, documentos e mídias sociais como fontes de sinal. Compreender a proveniência dos dados molda as escolhas de pré-processamento e modelagem.

Aula 4 • Modelagem de Tópicos e Detecção de Eventos

Usa LDA e BERTopic para identificar temas e detectar eventos que movimentam o mercado. Sinais de tópicos complementam atributos baseados em preço em modelos multifatoriais.

Aula 1 • Atribuição e Análise de Performance

Decompõe os retornos da estratégia em alfa, beta e exposições a fatores. A atribuição revela se os retornos provêm de habilidade ou de exposições a risco não intencionais.

Aula 2 • Desenho de Framework de Backtesting

Constrói um motor de backtesting orientado a eventos que simula execução realista. Um framework bem projetado expõe a verdadeira performance da estratégia antes da implantação ao vivo.

Aula 3 • Robustez da Estratégia e Teste de Estresse

Testa a estabilidade da estratégia diante de perturbações de parâmetros e períodos históricos de estresse. Estratégias robustas mantêm performance aceitável sob condições adversas.

Aula 4 • Tradução de Sinal para Estratégia

Converte previsões brutas de ML em sinais de negociação acionáveis com regras de entrada e saída. A tradução adequada preserva a vantagem preditiva identificada na modelagem.

Aula 1 • Métricas de Risco e Monitoramento

Calcula VaR, CVaR e exposições a fatores para vigilância contínua da carteira. O monitoramento contínuo permite a redução oportuna do risco antes que as perdas se agravem.

Aula 2 • Otimização de Custos de Transação

Modela e minimiza custos de negociação através de execução e rebalanceamento ótimos. A otimização ciente de custos preserva o alfa líquido que modelos brutos superestimam.

Aula 3 • Modelos de Média-Variância e Fatores

Aplica a otimização de Markowitz e modelos de risco fatoriais à construção de carteira. Modelos de fatores decompõem o risco em componentes sistemáticos e idiossincráticos.

Aula 4 • Construção de Carteira Aprimorada por ML

Substitui previsões clássicas de retorno por previsões de ML no otimizador. Entradas orientadas por ML melhoram as estimativas de retorno esperado e a eficiência da carteira.