Modelação, Programação e Aprendizagem Automática para Análise Financeira
Objetivos
No final desta unidade curricular o estudante terá adquirido conhecimentos, aptidões e
competências que lhe permitam:
- Conhecer os principais paradigmas dos sistemas de apoio à decisão e aprendizagem
automática sobre dados e modelos financeiros.
- Conhecer os principais conceitos de programação e construção de sistemas computacionais
aplicados à decisão com dados financeiros.
- Ser capaz de utilizar e desenvolver software para apoio à decisão e análise de dados
financeiros.
- Compreender os tipos básicos de redes neuronais, funções de custo, o método de
optimização dos parâmetros, o papel dos hiperparâmetros (número de camadas, número de
unidades em cada camada e o coeficiente de aprendizagem) e os diversos tipos de
regularização.
- Ser capaz de utilizar um software que implementa redes neuronais para resolver problemas.
Caracterização geral
Código
12941
Créditos
6.0
Professor responsável
Rui Alberto Pimenta Rodrigues
Horas
Semanais - 4
Totais - 48
Idioma de ensino
Português
Pré-requisitos
Não há.
Bibliografia
● Python for Finance: Financial modeling and quantitative analysis explained. Yuxing Yan.
Packt Publishing. 2017.
ISBN: 978-1783284375
● Tutorial: Sistemas de Apoio à Decisão sobre Indicadores Financeiros, Nuno Marques
● Deep Learning with Python, Francois Chollet,
Manning Publications Co. Greenwich, CT, USA ©2017
ISBN:1617294438 9781617294433
Método de ensino
Exposição dos conceitos e métodos seguida de exemplos e exercícios incluindo implementação computacional e utilização de dados reais.
Método de avaliação
A avaliação consistirá em dois testes e um trabalho prático.
A nota final da avaliação contínua será a soma das notas dos testes, multiplicada por 0.4, somada à nota do trabalho multiplicada por 0.2.
Em recurso, ou melhoria de nota, o aluno poderá repetir um ou os dois testes. A nota final será da pela mesma fórmula da avaliação contínua.
Conteúdo
1) Sistemas de Apoio à Decisão (DSS) em Finanças: gráficos, caracterização e modelos com
Aprendizagem Automática (ML).
2) Computação com dados financeiros: IGNOREes de dados. Estrutura de uma base de dados para
indicadores e índices financeiros (EUROSTOXX e S&P500). Algoritmos: análise técnica e fundamental.
Backtesting e medidas de performance (alfa, beta e sharpe ratio).
3) Redes neuronais:
Conceitos básicos: tipos de redes (feedforward, convolução e recorrentes), funções de ativação e funções
de custo.
Otimização dos parâmetros de uma rede neuronal e métodos de regularização.
modelos não supervisionados: Mapas Auto-Organizados (SOM).
4) DSS sobre dados financeiros. Modelos de Bachelier e Monte Carlo. Auto-correlação. Simulação e
decisão com modelos da aprendizagem automática.
5) Exemplos práticos com utilização e desenvolvimento de software.