CURSO DE FORMAÇÃO
MACHINE LEARNING APLICADO A INVESTIMENTOS
 CURSO DE FORMAÇÃO
MACHINE LEARNING APLICADO A INVESTIMENTOS
Avise-me

PRÓXIMA TURMA

Clique no botão “AVISE-ME” e cadastre-se para ser informado quando forem abertas as inscrições para o curso. Se preferir, entre em contato pelo contato@iag.puc-rio.br ou por Whatsapp pelo (21) 99452-7756.

CARGA HORÁRIA | DURAÇÃO

168 horas

AULAS/HORÁRIOS

Terças, quartas e quintas, das 19h30 às 22h30

FORMATO

On-line: aulas ao vivo.

PRÉ-REQUISITO

Domínio de leitura em inglês.

INVESTIMENTO

R$ 15,210,00 à vista ou 12 parcelas de R$ 1.267,50 sem juros, no cartão de crédito. Para outras formas de pagamento, consulte a secretaria acadêmica.

CONTATO

Informações ou dúvidas, entre em contato com a Secretaria Acadêmica
do IAG PUC-Rio: (21) 2138-9240 | contato@iag.puc-rio.br
WhatsApp: 21 99452-7756

FOLDER DIGITAL

 

 1 Desconto válido para ex-alunos PUC-Rio que concluíram os cursos de:

  • Especialização (360h), Graduação, Mestrado e Doutorado

  • Formação e Aperfeiçoamento do IAG PUC-Rio (mínimo  180h)

Faça sua inscrição

Aprimore suas habilidades de análise, previsão e interpretação de dados com especialistas reconhecidos mundialmente.

O curso Machine Learning Aplicado a Investimentos foi criado para profissionais e acadêmicos interessados em aprofundar seu conhecimento na fronteira da ciência em termos de modelos de previsão de investimentos. Ao final dos encontros com Especialistas em Finanças, Economia, Econometria e Machine Learning reconhecidos nacionalmente e internacionalmente, o participante irá aumentar sua capacidade de Análise, Previsão e Interpretação dos Dados.

O programa é composto por 3 módulos, divididos em 2 ciclos: Ciclo Básico/Ferramental e Aplicação.

I. Ciclo Básico/Ferramental: O primeiro ciclo contém 4 disciplinas de 24 horas: Investimentos, Finanças Quantitativas I, Econometria e Séries Temporais e Machine Learning.

II. Ciclo de Aplicação: Composto de 3 disciplinas de 24 horas cada: Financial Econometrics, Financial Machine Learning e Finanças Quantitativas II.

OBJETIVOS DO PROGRAMA

O curso é projetado para capacitar os estudantes com ferramentas quantitativas modernas essenciais para a Pesquisa Independente, Análise de Mercado, Desenvolvimento de Estratégias de
Investimento Quantitativas, Formação de Portfólios e Análise de Desempenho. Voltado para profissionais com conhecimentos em Estatística, Programação (preferencialmente em R e Python) e Fundamentos Econômicos, o curso explora a aplicação de técnicas avançadas de Machine Learning em Finanças.

Ao longo de três módulos intensivos, os alunos aprenderão a utilizar Modelos Econométricos, Séries Temporais e Métodos de Aprendizado de Máquina para prever o Mercado, formar posições long-short e criar Estratégias de Trading automatizadas. Os tópicos abordados incluem desde a precificação de ativos e a análise de risco até o desenvolvimento de robôs traders e o processamento de linguagem natural para análise de dados não estruturados.

Com uma abordagem prática e orientada para o mercado, o curso oferece uma sólida base teórica combinada com aplicações reais, preparando os participantes para enfrentar desafios complexos no setor financeiro e tomar decisões de investimento baseadas em dados quantitativos avançados.

FORMATO: 100% ON-LINE: com aulas ao vivo. 

CRONOGRAMA 

Ciclo Base/Ferramental:

Módulo 1 : 17/09 a 24/11/24
• Investimentos;
• Econometria e Séries Temporais.

Módulo 2: 02/12 a 23/02/25
• Finanças Quantitativas I;
• Machine Learning.
• Financial Econometrics (ciclo aplicação).

Ciclo de Aplicação (continuação):

Módulo 3: 17/03 a 25/05/25
• Financial Machine Learning;
• Finanças Quantitativas II.

COORDENAÇÃO

Eduardo Marinho
Doutorando em Economia pela PUC-Rio (visiting scholar na University of Illinois Urbana-Champaign pelo Doutorado Sanduíche). Profissional certificado CGA e CGE ( Certificação de Gestores da Anbima) e CFA Charterholder. Mestre em Macroeconomia e Finanças pela PUC-Rio. Graduado em Economia pela UFF.

> Currículo Lattes

Marcelo Cabús Klötzle
Possui graduação em Administração - Universität Bayreuth (Alemanha) (1994) e doutorado em Economia - Katholische Universität Eichstätt (Alemanha) (1999). Fez pós-doutorado em Finanças Comportamentais pela McMaster University (Canadá) (2009). Coordenador do FINE - Núcleo de Pesquisa em Finanças do IAG PUC-Rio. Membro da American Finance Association (AFA) e American Economic Association (AEA). Líder de Tema na Área de Derivativos e Risco do EnANPAD. Membro do Comitê Científico do Encontro Brasileiro de Finanças (SBFin). Bolsista de Produtividade em Pesquisa do CNPq - Nível 2 e Cientista do Nosso Estado - FAPERJ.
klotzle@iag.puc-rio.br
> Currículo Lattes
Ciclo Base e Ferramental

O objetivo do curso é recapitular e equalizar a turma nos fundamentos teóricos principais que regem os ativos no mercado financeiro. A disciplina terá os seguintes tópicos divididos em 8 aulas: Precificação de títulos de renda fixa e seus riscos (duration e convexidade); Estrutura a termo das taxas de juros (ETTJ) e suas teorias, o cálculo das taxas forward na ETTJ; Análise de ativos de renda variável; análise de média variância e fronteira eficiente (Markowitz); o modelo CAPM; modelo APT e o modelo Fama French de Fatores; e derivativos. A base do curso será o livro: Investimentos, Bodie, Kane and Marcus (BKM).

Na primeira parte o curso aborda o racional teórico para o investimento ativo e avaliação de gestão ativa, anomalias, introdução a behavioral finance e previsibilidade de retornos, a diferença entre “alpha e beta”, e diferentes prêmios de risco disponíveis no mercado. Na segunda parte do curso, é apresentado o modelo clássico de asset pricing via consumo, o equity premium puzzle e a discussão entre modelos preditivos e estruturais.

Este é um curso ferramental, o objetivo é apresentar aos alunos a teoria e as técnicas estatísticas e econométricas, que se assemelham ao “processo gerador de dados” dos preços e retornos dos ativos financeiros. As técnicas ajudam a interpretar eventos passados, gerar previsões, e sinalizações que indiquem a compra ou a venda dos ativos.

O curso traz os recentes avanços na teoria estatística do Aprendizado de Máquina (Machine Learning). Tópicos a serem cobertos: (0) Introdução a Machine Learning (1) redução de dimensionalidade, componentes principais e modelos de fatores; (2) métodos de estimativa de encolhimento, como Ridge e Lasso (com extensões); (3) modelos semiparamétricos não lineares; (4) modelos não lineares como Random Forest e Redes Neurais; (5) Deep Learning; (6) Ensemble methods como bagging e boosting;  (7) Classificação e Support vecttor machines; (8) clustering; (9) Análise textual e de dados não estruturados.

Ciclo Aplicação

O curso traz diversas aplicações da teoria econométrica para analisar preços e retornos dos ativos financeiros como a hipótese do passeio aleatório nos preços e a eficiência de mercado, a validade de modelos como o CAPM e o modelo de fatores, técnicas para estudo de eventos, modelos de volatilidade estocástica, modelos para construção da estrutura a termo das taxas de juros, entre outros.

“... it is the fact that randomness is central to both finance and econometrics. Unlike other fields of economics, finance is intellectually vapid in the absence of uncertainty; the net-present value rule and interest-rate compounding formulas are the only major ideas of non-stochastic finance. It is only when return is accompanied by risk that financial analysis becomes interesting, and the same can be said for econometrics.”

O curso dá seguimento a ideia do investimento ativo, abordando diversas estratégias quantitativas de investimento. A discussão geral do curso está na avaliação dos riscos envolvidos em cada estratégia ou a potencial geração de alphas, e formar posições com a variação racional dos prêmios de risco ou através de erros de precificação irracionais.

O curso traz as modernas técnicas de aprendizado de máquina aprendidas, explorando diversas aplicações em finanças e economia. Analisando a previsão de indicadores econômicos e previsão de retornos. Avaliação de retorno e risco em modelo de fatores, formação de portfólio, e processamento de linguagem natural e análise textual (por exemplo em atas de banco centrais e notícias).

Eduardo Marinho

Doutorando em Economia pela PUC-Rio (visiting scholar na University of Illinois Urbana-Champaign pelo Doutorado Sanduíche). Profissional certificado CGA e CGE ( Certificação de Gestores da Anbima) e CFA Charterholder. Mestre em Macroeconomia e Finanças pela PUC-Rio. Graduado em Economia pela UFF.
+

Gilberto Boaretto

Professor na PUC-Rio, UERJ e no Ibmec - RJ. Doutor (PUC-Rio, 2023), Mestre (FEA-RP/USP, 2018) e Graduado (UFU, 2015) em Economia.
+

Jeronymo Marcondes

Auditor Fiscal do Governo Federal atuando na área de Inteligência Artificial. Doutor com pós-doutorado nas Universidade de Oxford e Universidade de Illinois, na área de Machine Learning e Inteligência Artificial.
+

Marcelo Cabús Klötzle

Possui graduação em Administração - Universität Bayreuth (Alemanha) (1994) e doutorado em Economia - Katholische Universität Eichstätt (Alemanha) (1999). Fez pós-doutorado em Finanças Comportamentais pela McMaster University (Canadá) (2009). Coordenador do FINE - Núcleo de Pesquisa em Finanças do IAG PUC-Rio. Membro da American Finance Association (AFA) e American Economic Association (AEA). Líder de Tema na Área de Derivativos e Risco do EnANPAD. Membro do Comitê Científico do Encontro Brasileiro de Finanças (SBFin). Bolsista de Produtividade em Pesquisa do CNPq - Nível 2 e Cientista do Nosso Estado - FAPERJ.
+

Marcelo Medeiros

Professor Titular de Economia na Universidade de Illinois em Urbana Champaign (UIUC), onde é detentor da Cátedra Jorge Paulo Lemann. Foi professor da PUC-Rio por 22 anos.
+

PARA QUEM | PÚBLICO-ALVO

O curso Machine Learning Aplicado a Investimentos é voltado para profissionais e estudantes que desejam aprofundar seus conhecimentos em finanças quantitativas e explorar as novas ferramentas de Machine Learning aplicadas ao mercado financeiro.

Especificamente, o público-alvo inclui:

    1. Profissionais de Finanças: Analistas financeiros, analistas de risco, gestores de investimentos, consultores financeiros, tesoureiros de empresas, analistas de inteligência de mercado e traders que buscam aprimorar suas habilidades em análise de dados e desenvolvimento de estratégias quantitativas.
    2. Estudantes e Acadêmicos: Graduandos e pós-graduandos em economia, administração, engenharia, estatística, matemática e áreas afins que desejam especializar-se em finanças quantitativas e aprender a aplicar técnicas de Machine Learning no mercado financeiro.
    3. Programadores e Cientistas de Dados: Profissionais com experiência em programação (preferencialmente em R e Python) e análise de dados que desejam aplicar suas habilidades técnicas no contexto financeiro, desenvolvendo algoritmos de trading e modelos de previsão de mercado.
    4. Entusiastas de Tecnologia e Inovação: Indivíduos com interesse em tecnologia financeira (fintech) e inovação que desejam explorar o impacto das tecnologias emergentes no setor financeiro e desenvolver competências para criar soluções automatizadas e baseadas em dados.
voltar para cursos de formação
Avise-me

Aprimore suas habilidades de análise, previsão e interpretação de dados com especialistas reconhecidos mundialmente.

O curso Machine Learning Aplicado a Investimentos foi criado para profissionais e acadêmicos interessados em aprofundar seu conhecimento na fronteira da ciência em termos de modelos de previsão de investimentos. Ao final dos encontros com Especialistas em Finanças, Economia, Econometria e Machine Learning reconhecidos nacionalmente e internacionalmente, o participante irá aumentar sua capacidade de Análise, Previsão e Interpretação dos Dados.

O programa é composto por 3 módulos, divididos em 2 ciclos: Ciclo Básico/Ferramental e Aplicação.

I. Ciclo Básico/Ferramental: O primeiro ciclo contém 4 disciplinas de 24 horas: Investimentos, Finanças Quantitativas I, Econometria e Séries Temporais e Machine Learning.

II. Ciclo de Aplicação: Composto de 3 disciplinas de 24 horas cada: Financial Econometrics, Financial Machine Learning e Finanças Quantitativas II.

OBJETIVOS DO PROGRAMA

O curso é projetado para capacitar os estudantes com ferramentas quantitativas modernas essenciais para a Pesquisa Independente, Análise de Mercado, Desenvolvimento de Estratégias de
Investimento Quantitativas, Formação de Portfólios e Análise de Desempenho. Voltado para profissionais com conhecimentos em Estatística, Programação (preferencialmente em R e Python) e Fundamentos Econômicos, o curso explora a aplicação de técnicas avançadas de Machine Learning em Finanças.

Ao longo de três módulos intensivos, os alunos aprenderão a utilizar Modelos Econométricos, Séries Temporais e Métodos de Aprendizado de Máquina para prever o Mercado, formar posições long-short e criar Estratégias de Trading automatizadas. Os tópicos abordados incluem desde a precificação de ativos e a análise de risco até o desenvolvimento de robôs traders e o processamento de linguagem natural para análise de dados não estruturados.

Com uma abordagem prática e orientada para o mercado, o curso oferece uma sólida base teórica combinada com aplicações reais, preparando os participantes para enfrentar desafios complexos no setor financeiro e tomar decisões de investimento baseadas em dados quantitativos avançados.

FORMATO: 100% ON-LINE: com aulas ao vivo. 

CRONOGRAMA 

Ciclo Base/Ferramental:

Módulo 1 : 17/09 a 24/11/24
• Investimentos;
• Econometria e Séries Temporais.

Módulo 2: 02/12 a 23/02/25
• Finanças Quantitativas I;
• Machine Learning.
• Financial Econometrics (ciclo aplicação).

Ciclo de Aplicação (continuação):

Módulo 3: 17/03 a 25/05/25
• Financial Machine Learning;
• Finanças Quantitativas II.

COORDENAÇÃO

Eduardo Marinho
Doutorando em Economia pela PUC-Rio (visiting scholar na University of Illinois Urbana-Champaign pelo Doutorado Sanduíche). Profissional certificado CGA e CGE ( Certificação de Gestores da Anbima) e CFA Charterholder. Mestre em Macroeconomia e Finanças pela PUC-Rio. Graduado em Economia pela UFF.

> Currículo Lattes

Marcelo Cabús Klötzle
Possui graduação em Administração - Universität Bayreuth (Alemanha) (1994) e doutorado em Economia - Katholische Universität Eichstätt (Alemanha) (1999). Fez pós-doutorado em Finanças Comportamentais pela McMaster University (Canadá) (2009). Coordenador do FINE - Núcleo de Pesquisa em Finanças do IAG PUC-Rio. Membro da American Finance Association (AFA) e American Economic Association (AEA). Líder de Tema na Área de Derivativos e Risco do EnANPAD. Membro do Comitê Científico do Encontro Brasileiro de Finanças (SBFin). Bolsista de Produtividade em Pesquisa do CNPq - Nível 2 e Cientista do Nosso Estado - FAPERJ.
klotzle@iag.puc-rio.br
> Currículo Lattes
Ciclo Base e Ferramental

O objetivo do curso é recapitular e equalizar a turma nos fundamentos teóricos principais que regem os ativos no mercado financeiro. A disciplina terá os seguintes tópicos divididos em 8 aulas: Precificação de títulos de renda fixa e seus riscos (duration e convexidade); Estrutura a termo das taxas de juros (ETTJ) e suas teorias, o cálculo das taxas forward na ETTJ; Análise de ativos de renda variável; análise de média variância e fronteira eficiente (Markowitz); o modelo CAPM; modelo APT e o modelo Fama French de Fatores; e derivativos. A base do curso será o livro: Investimentos, Bodie, Kane and Marcus (BKM).

Na primeira parte o curso aborda o racional teórico para o investimento ativo e avaliação de gestão ativa, anomalias, introdução a behavioral finance e previsibilidade de retornos, a diferença entre “alpha e beta”, e diferentes prêmios de risco disponíveis no mercado. Na segunda parte do curso, é apresentado o modelo clássico de asset pricing via consumo, o equity premium puzzle e a discussão entre modelos preditivos e estruturais.

Este é um curso ferramental, o objetivo é apresentar aos alunos a teoria e as técnicas estatísticas e econométricas, que se assemelham ao “processo gerador de dados” dos preços e retornos dos ativos financeiros. As técnicas ajudam a interpretar eventos passados, gerar previsões, e sinalizações que indiquem a compra ou a venda dos ativos.

O curso traz os recentes avanços na teoria estatística do Aprendizado de Máquina (Machine Learning). Tópicos a serem cobertos: (0) Introdução a Machine Learning (1) redução de dimensionalidade, componentes principais e modelos de fatores; (2) métodos de estimativa de encolhimento, como Ridge e Lasso (com extensões); (3) modelos semiparamétricos não lineares; (4) modelos não lineares como Random Forest e Redes Neurais; (5) Deep Learning; (6) Ensemble methods como bagging e boosting;  (7) Classificação e Support vecttor machines; (8) clustering; (9) Análise textual e de dados não estruturados.

Ciclo Aplicação

O curso traz diversas aplicações da teoria econométrica para analisar preços e retornos dos ativos financeiros como a hipótese do passeio aleatório nos preços e a eficiência de mercado, a validade de modelos como o CAPM e o modelo de fatores, técnicas para estudo de eventos, modelos de volatilidade estocástica, modelos para construção da estrutura a termo das taxas de juros, entre outros.

“... it is the fact that randomness is central to both finance and econometrics. Unlike other fields of economics, finance is intellectually vapid in the absence of uncertainty; the net-present value rule and interest-rate compounding formulas are the only major ideas of non-stochastic finance. It is only when return is accompanied by risk that financial analysis becomes interesting, and the same can be said for econometrics.”

O curso dá seguimento a ideia do investimento ativo, abordando diversas estratégias quantitativas de investimento. A discussão geral do curso está na avaliação dos riscos envolvidos em cada estratégia ou a potencial geração de alphas, e formar posições com a variação racional dos prêmios de risco ou através de erros de precificação irracionais.

O curso traz as modernas técnicas de aprendizado de máquina aprendidas, explorando diversas aplicações em finanças e economia. Analisando a previsão de indicadores econômicos e previsão de retornos. Avaliação de retorno e risco em modelo de fatores, formação de portfólio, e processamento de linguagem natural e análise textual (por exemplo em atas de banco centrais e notícias).

Eduardo Marinho

Doutorando em Economia pela PUC-Rio (visiting scholar na University of Illinois Urbana-Champaign pelo Doutorado Sanduíche). Profissional certificado CGA e CGE ( Certificação de Gestores da Anbima) e CFA Charterholder. Mestre em Macroeconomia e Finanças pela PUC-Rio. Graduado em Economia pela UFF.
+

Gilberto Boaretto

Professor na PUC-Rio, UERJ e no Ibmec - RJ. Doutor (PUC-Rio, 2023), Mestre (FEA-RP/USP, 2018) e Graduado (UFU, 2015) em Economia.
+

Jeronymo Marcondes

Auditor Fiscal do Governo Federal atuando na área de Inteligência Artificial. Doutor com pós-doutorado nas Universidade de Oxford e Universidade de Illinois, na área de Machine Learning e Inteligência Artificial.
+

Marcelo Cabús Klötzle

Possui graduação em Administração - Universität Bayreuth (Alemanha) (1994) e doutorado em Economia - Katholische Universität Eichstätt (Alemanha) (1999). Fez pós-doutorado em Finanças Comportamentais pela McMaster University (Canadá) (2009). Coordenador do FINE - Núcleo de Pesquisa em Finanças do IAG PUC-Rio. Membro da American Finance Association (AFA) e American Economic Association (AEA). Líder de Tema na Área de Derivativos e Risco do EnANPAD. Membro do Comitê Científico do Encontro Brasileiro de Finanças (SBFin). Bolsista de Produtividade em Pesquisa do CNPq - Nível 2 e Cientista do Nosso Estado - FAPERJ.
+

Marcelo Medeiros

Professor Titular de Economia na Universidade de Illinois em Urbana Champaign (UIUC), onde é detentor da Cátedra Jorge Paulo Lemann. Foi professor da PUC-Rio por 22 anos.
+

PARA QUEM | PÚBLICO-ALVO

O curso Machine Learning Aplicado a Investimentos é voltado para profissionais e estudantes que desejam aprofundar seus conhecimentos em finanças quantitativas e explorar as novas ferramentas de Machine Learning aplicadas ao mercado financeiro.

Especificamente, o público-alvo inclui:

    1. Profissionais de Finanças: Analistas financeiros, analistas de risco, gestores de investimentos, consultores financeiros, tesoureiros de empresas, analistas de inteligência de mercado e traders que buscam aprimorar suas habilidades em análise de dados e desenvolvimento de estratégias quantitativas.
    2. Estudantes e Acadêmicos: Graduandos e pós-graduandos em economia, administração, engenharia, estatística, matemática e áreas afins que desejam especializar-se em finanças quantitativas e aprender a aplicar técnicas de Machine Learning no mercado financeiro.
    3. Programadores e Cientistas de Dados: Profissionais com experiência em programação (preferencialmente em R e Python) e análise de dados que desejam aplicar suas habilidades técnicas no contexto financeiro, desenvolvendo algoritmos de trading e modelos de previsão de mercado.
    4. Entusiastas de Tecnologia e Inovação: Indivíduos com interesse em tecnologia financeira (fintech) e inovação que desejam explorar o impacto das tecnologias emergentes no setor financeiro e desenvolver competências para criar soluções automatizadas e baseadas em dados.
Avise-me

Aprimore suas habilidades de análise, previsão e interpretação de dados com especialistas reconhecidos mundialmente.

O curso Machine Learning Aplicado a Investimentos foi criado para profissionais e acadêmicos interessados em aprofundar seu conhecimento na fronteira da ciência em termos de modelos de previsão de investimentos. Ao final dos encontros com Especialistas em Finanças, Economia, Econometria e Machine Learning reconhecidos nacionalmente e internacionalmente, o participante irá aumentar sua capacidade de Análise, Previsão e Interpretação dos Dados.

O programa é composto por 3 módulos, divididos em 2 ciclos: Ciclo Básico/Ferramental e Aplicação.

I. Ciclo Básico/Ferramental: O primeiro ciclo contém 4 disciplinas de 24 horas: Investimentos, Finanças Quantitativas I, Econometria e Séries Temporais e Machine Learning.

II. Ciclo de Aplicação: Composto de 3 disciplinas de 24 horas cada: Financial Econometrics, Financial Machine Learning e Finanças Quantitativas II.

OBJETIVOS DO PROGRAMA

O curso é projetado para capacitar os estudantes com ferramentas quantitativas modernas essenciais para a Pesquisa Independente, Análise de Mercado, Desenvolvimento de Estratégias de
Investimento Quantitativas, Formação de Portfólios e Análise de Desempenho. Voltado para profissionais com conhecimentos em Estatística, Programação (preferencialmente em R e Python) e Fundamentos Econômicos, o curso explora a aplicação de técnicas avançadas de Machine Learning em Finanças.

Ao longo de três módulos intensivos, os alunos aprenderão a utilizar Modelos Econométricos, Séries Temporais e Métodos de Aprendizado de Máquina para prever o Mercado, formar posições long-short e criar Estratégias de Trading automatizadas. Os tópicos abordados incluem desde a precificação de ativos e a análise de risco até o desenvolvimento de robôs traders e o processamento de linguagem natural para análise de dados não estruturados.

Com uma abordagem prática e orientada para o mercado, o curso oferece uma sólida base teórica combinada com aplicações reais, preparando os participantes para enfrentar desafios complexos no setor financeiro e tomar decisões de investimento baseadas em dados quantitativos avançados.

FORMATO: 100% ON-LINE: com aulas ao vivo. 

CRONOGRAMA 

Ciclo Base/Ferramental:

Módulo 1 : 17/09 a 24/11/24
• Investimentos;
• Econometria e Séries Temporais.

Módulo 2: 02/12 a 23/02/25
• Finanças Quantitativas I;
• Machine Learning.
• Financial Econometrics (ciclo aplicação).

Ciclo de Aplicação (continuação):

Módulo 3: 17/03 a 25/05/25
• Financial Machine Learning;
• Finanças Quantitativas II.

COORDENAÇÃO

Eduardo Marinho
Doutorando em Economia pela PUC-Rio (visiting scholar na University of Illinois Urbana-Champaign pelo Doutorado Sanduíche). Profissional certificado CGA e CGE ( Certificação de Gestores da Anbima) e CFA Charterholder. Mestre em Macroeconomia e Finanças pela PUC-Rio. Graduado em Economia pela UFF.

> Currículo Lattes

Marcelo Cabús Klötzle
Possui graduação em Administração - Universität Bayreuth (Alemanha) (1994) e doutorado em Economia - Katholische Universität Eichstätt (Alemanha) (1999). Fez pós-doutorado em Finanças Comportamentais pela McMaster University (Canadá) (2009). Coordenador do FINE - Núcleo de Pesquisa em Finanças do IAG PUC-Rio. Membro da American Finance Association (AFA) e American Economic Association (AEA). Líder de Tema na Área de Derivativos e Risco do EnANPAD. Membro do Comitê Científico do Encontro Brasileiro de Finanças (SBFin). Bolsista de Produtividade em Pesquisa do CNPq - Nível 2 e Cientista do Nosso Estado - FAPERJ.
klotzle@iag.puc-rio.br
> Currículo Lattes

PRÓXIMA TURMA

Clique no botão “AVISE-ME” e cadastre-se para ser informado quando forem abertas as inscrições para o curso. Se preferir, entre em contato pelo contato@iag.puc-rio.br ou por Whatsapp pelo (21) 99452-7756.

CARGA HORÁRIA | DURAÇÃO

168 horas

AULAS/HORÁRIOS

Terças, quartas e quintas, das 19h30 às 22h30

FORMATO

On-line: aulas ao vivo.

PRÉ-REQUISITO

Domínio de leitura em inglês.

INVESTIMENTO

R$ 15,210,00 à vista ou 12 parcelas de R$ 1.267,50 sem juros, no cartão de crédito. Para outras formas de pagamento, consulte a secretaria acadêmica.

CONTATO

Informações ou dúvidas, entre em contato com a Secretaria Acadêmica
do IAG PUC-Rio: (21) 2138-9240 | contato@iag.puc-rio.br
WhatsApp: 21 99452-7756

FOLDER DIGITAL

 

 1 Desconto válido para ex-alunos PUC-Rio que concluíram os cursos de:

  • Especialização (360h), Graduação, Mestrado e Doutorado

  • Formação e Aperfeiçoamento do IAG PUC-Rio (mínimo  180h)

Ciclo Base e Ferramental

O objetivo do curso é recapitular e equalizar a turma nos fundamentos teóricos principais que regem os ativos no mercado financeiro. A disciplina terá os seguintes tópicos divididos em 8 aulas: Precificação de títulos de renda fixa e seus riscos (duration e convexidade); Estrutura a termo das taxas de juros (ETTJ) e suas teorias, o cálculo das taxas forward na ETTJ; Análise de ativos de renda variável; análise de média variância e fronteira eficiente (Markowitz); o modelo CAPM; modelo APT e o modelo Fama French de Fatores; e derivativos. A base do curso será o livro: Investimentos, Bodie, Kane and Marcus (BKM).

Na primeira parte o curso aborda o racional teórico para o investimento ativo e avaliação de gestão ativa, anomalias, introdução a behavioral finance e previsibilidade de retornos, a diferença entre “alpha e beta”, e diferentes prêmios de risco disponíveis no mercado. Na segunda parte do curso, é apresentado o modelo clássico de asset pricing via consumo, o equity premium puzzle e a discussão entre modelos preditivos e estruturais.

Este é um curso ferramental, o objetivo é apresentar aos alunos a teoria e as técnicas estatísticas e econométricas, que se assemelham ao “processo gerador de dados” dos preços e retornos dos ativos financeiros. As técnicas ajudam a interpretar eventos passados, gerar previsões, e sinalizações que indiquem a compra ou a venda dos ativos.

O curso traz os recentes avanços na teoria estatística do Aprendizado de Máquina (Machine Learning). Tópicos a serem cobertos: (0) Introdução a Machine Learning (1) redução de dimensionalidade, componentes principais e modelos de fatores; (2) métodos de estimativa de encolhimento, como Ridge e Lasso (com extensões); (3) modelos semiparamétricos não lineares; (4) modelos não lineares como Random Forest e Redes Neurais; (5) Deep Learning; (6) Ensemble methods como bagging e boosting;  (7) Classificação e Support vecttor machines; (8) clustering; (9) Análise textual e de dados não estruturados.

Ciclo Aplicação

O curso traz diversas aplicações da teoria econométrica para analisar preços e retornos dos ativos financeiros como a hipótese do passeio aleatório nos preços e a eficiência de mercado, a validade de modelos como o CAPM e o modelo de fatores, técnicas para estudo de eventos, modelos de volatilidade estocástica, modelos para construção da estrutura a termo das taxas de juros, entre outros.

“... it is the fact that randomness is central to both finance and econometrics. Unlike other fields of economics, finance is intellectually vapid in the absence of uncertainty; the net-present value rule and interest-rate compounding formulas are the only major ideas of non-stochastic finance. It is only when return is accompanied by risk that financial analysis becomes interesting, and the same can be said for econometrics.”

O curso dá seguimento a ideia do investimento ativo, abordando diversas estratégias quantitativas de investimento. A discussão geral do curso está na avaliação dos riscos envolvidos em cada estratégia ou a potencial geração de alphas, e formar posições com a variação racional dos prêmios de risco ou através de erros de precificação irracionais.

O curso traz as modernas técnicas de aprendizado de máquina aprendidas, explorando diversas aplicações em finanças e economia. Analisando a previsão de indicadores econômicos e previsão de retornos. Avaliação de retorno e risco em modelo de fatores, formação de portfólio, e processamento de linguagem natural e análise textual (por exemplo em atas de banco centrais e notícias).

Eduardo Marinho

Doutorando em Economia pela PUC-Rio (visiting scholar na University of Illinois Urbana-Champaign pelo Doutorado Sanduíche). Profissional certificado CGA e CGE ( Certificação de Gestores da Anbima) e CFA Charterholder. Mestre em Macroeconomia e Finanças pela PUC-Rio. Graduado em Economia pela UFF.
+

Gilberto Boaretto

Professor na PUC-Rio, UERJ e no Ibmec - RJ. Doutor (PUC-Rio, 2023), Mestre (FEA-RP/USP, 2018) e Graduado (UFU, 2015) em Economia.
+

Jeronymo Marcondes

Auditor Fiscal do Governo Federal atuando na área de Inteligência Artificial. Doutor com pós-doutorado nas Universidade de Oxford e Universidade de Illinois, na área de Machine Learning e Inteligência Artificial.
+

Marcelo Cabús Klötzle

Possui graduação em Administração - Universität Bayreuth (Alemanha) (1994) e doutorado em Economia - Katholische Universität Eichstätt (Alemanha) (1999). Fez pós-doutorado em Finanças Comportamentais pela McMaster University (Canadá) (2009). Coordenador do FINE - Núcleo de Pesquisa em Finanças do IAG PUC-Rio. Membro da American Finance Association (AFA) e American Economic Association (AEA). Líder de Tema na Área de Derivativos e Risco do EnANPAD. Membro do Comitê Científico do Encontro Brasileiro de Finanças (SBFin). Bolsista de Produtividade em Pesquisa do CNPq - Nível 2 e Cientista do Nosso Estado - FAPERJ.
+

Marcelo Medeiros

Professor Titular de Economia na Universidade de Illinois em Urbana Champaign (UIUC), onde é detentor da Cátedra Jorge Paulo Lemann. Foi professor da PUC-Rio por 22 anos.
+

PARA QUEM | PÚBLICO-ALVO

O curso Machine Learning Aplicado a Investimentos é voltado para profissionais e estudantes que desejam aprofundar seus conhecimentos em finanças quantitativas e explorar as novas ferramentas de Machine Learning aplicadas ao mercado financeiro.

Especificamente, o público-alvo inclui:

    1. Profissionais de Finanças: Analistas financeiros, analistas de risco, gestores de investimentos, consultores financeiros, tesoureiros de empresas, analistas de inteligência de mercado e traders que buscam aprimorar suas habilidades em análise de dados e desenvolvimento de estratégias quantitativas.
    2. Estudantes e Acadêmicos: Graduandos e pós-graduandos em economia, administração, engenharia, estatística, matemática e áreas afins que desejam especializar-se em finanças quantitativas e aprender a aplicar técnicas de Machine Learning no mercado financeiro.
    3. Programadores e Cientistas de Dados: Profissionais com experiência em programação (preferencialmente em R e Python) e análise de dados que desejam aplicar suas habilidades técnicas no contexto financeiro, desenvolvendo algoritmos de trading e modelos de previsão de mercado.
    4. Entusiastas de Tecnologia e Inovação: Indivíduos com interesse em tecnologia financeira (fintech) e inovação que desejam explorar o impacto das tecnologias emergentes no setor financeiro e desenvolver competências para criar soluções automatizadas e baseadas em dados.
voltar para cursos de formação