1. Início
  2. NOVA School of Business and Economics
  3. Mestrado em Finanças
  4. Gestão de ativos

Gestão de ativos

Objetivos

O curso tem dois objetivos principais. O primeiro é apresentar aos alunos os principais conceitos e metodologias de alocação de ativos, construção de portfólio e avaliação de portfólio. O segundo é implementar e testar contra dados algumas dessas metodologias, por meio de sessões de laboratório em Python. Avaliaremos criticamente (i) o investimento em média-variância, para o curto e longo prazo, e seus limites; (ii) benefícios e limites da diversificação; (iii) modelos de fatores lineares e investimento em fatores (iv) métodos de aprendizagem de máquina em gestão de ativos (v) e investimento responsável ESG. Embora nenhum conhecimento prévio de programação seja necessário para as sessões de laboratório, forneceremos links para tutoriais que podem ajudar na codificação. Durante a última semana do curso, receberemos um convidado da indústria de gestão de ativos. 


Caracterização geral

Código

2214

Créditos

3.5

Professor responsável

Daniele D'arienzo

Horas

Semanais - A disponibilizar brevemente

Totais - A disponibilizar brevemente

Idioma de ensino

Inglês

Pré-requisitos

n/a 


Bibliografia

Ang, Andrew. Asset management: A systematic approach to factor investing . Oxford University Press, 2014

Leituras adicionais: diapositivos das aulas teóricas com referência a leituras suplementares e não obrigatórias, incluindo trabalhos académicos e artigos em jornais

Método de ensino

As partes teóricas serão ensinadas usando:

as sessões de laboratório (exposição dos alunos ao Python 3 usando o Google CoLab)

a interação com os alunos (é fundamental) 


Método de avaliação

A avaliação consiste em:

1. Trabalho individual (30%)

2. Exame final sem consulta (70%)

A nota final é a média ponderada de 1. e 2. 


Conteúdo

1. Indústria de Gestão de Ativos: passado e futuro. Investimento de média-variância. Horizontes de investimento de curto e longo prazo. Reequilíbrio. Alocação tática de ativos e tempo de volatilidade. Seção de laboratório 1: Introdução ao Python; numpy; panda; importar, preparar e plotar dados financeiros.

2. Introdução ao princípio da diversificação: méritos e limites. Seção de laboratório 2: análise de portfólio de média-variância. Métodos de encolhimento.

3. Modelos multifatoriais. Avaliação de desempenho. Seção de laboratório 3: modelos de fator linear e análise de desempenho.

4. Métodos de aprendizagem de máquina (ML) e gestão de ativos. Seção 4 do laboratório: implementação em Python de alguns métodos de ML discutidos.

5. Investimento responsável: a fronteira eficiente ESG. Laboratório Seção 5: desempenho do investimento ESG. Semana 6. Exame simulado. Palestra.