Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Finanças

Departamento / Department

Departamento de Finanças

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

Não existe obrigatoriedade de frequência de outras UC. No entanto, recomenda-se que os estudantes tenham conhecimentos básicos de Estatística, nomeadamente dos temas abordados nas UC de Estatística I e II (e.g. interpretação e cálculo de medidas de estatística descritiva, distribuições de probabilidade de variáveis aleatórias discretas e contínuas, testes de hipóteses e intervalos de confiança)

Objetivos Gerais / Objectives

Pretende-se que os estudantes, no final da UC, compreendam e tenham assimilado um conjunto de características típicas dos dados financeiros. Pretende-se, também, que os estudantes estejam sensibilizados para os riscos inerentes à evolução dos preços e retornos de diferentes ativos financeiros, assim como para as técnicas de modelação adequadas a este tipo de dados.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

No final do período curricular desta UC, o aluno deverá: 1. Saber utilizar as medidas de estatística descritiva na caracterização da distribuição empírica dos dados financeiros. 2. Conhecer e saber aplicar o modelo de regressão linear múltipla a situações concretas. 3. Ser capaz de trabalhar com os packages informáticos mais importantes (EXCEL, R e RStudio).

Conteúdos Programáticos / Syllabus

1. Breve revisão da inferência estatística 2. Factos estilizados dos dados financeiros: assimetria, curtose e não normalidade 3. Modelo clássico de regressão linear. 4. Extensões do modelo clássico. Violação das hipóteses básicas - heteroscedasticidade, autocorrelação e multicolinearidade. 5. Outros tópicos - variáveis "dummy", modelos não lineares, modelos com variável dependente discreta, critérios de informação de Akaike (AIC) e de Schwarz (SBC), teste do rácio de verosimilhança, teste de Wald e teste do Multiplicador de Lagrange.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

Os conteúdos programáticos 1 e 2 estão relacionados com o OA1, na estreita medida em que os factos estilizados dos dados de mercados financeiros se observam e descrevem a partir do cálculo de medidas descritivas, como a assimetria negativa, a curtose e a (não) normalidade, sem prejuízo da generalização inferencial dessas observações. Os restantes conteúdos programáticos estão relacionados com o OA2, uma vez que a modelação de variáveis financeiras requer não só a compreensão dos modelos de regressão linear como as suas extensões para mitigação da violação das hipóteses básicas (e.g. estimadores HAC na presença de heteroscedasticidade e autocorrelação). Toda a modelação, no decurso da UC, será feita com recurso à linguagem de programação R e, subsidiariamente, ao Microsoft Excel. Fica, também, assim, demonstrada a coerência dos conteúdos programáticos com o OA3.

Avaliação / Assessment

A avaliação terá lugar ao longo do semestre ou em avaliação por exame. Os estudantes que optem por ser avaliados ao longo do semestre terão como elementos de avaliação um trabalho de grupo (40%) e um teste (60%), sendo que este teste englobará toda a matéria lecionada e que os estudantes terão de obter uma nota mínima de 7.5 valores para cálculo da nota final resultante da média ponderada das notas dos elementos de avaliação. A avaliação ao longo do semestre obriga a uma assiduidade mínima de 2/3 das aulas. A avaliação por exame consiste na realizção de um exame com uma ponderação de 100%.

Metodologias de Ensino / Teaching methodologies

As metodologias de ensino incluem: Aulas Teóricas: Apresentação e discussão dos conceitos teóricos fundamentais de estatística e métodos quantitativos. Aulas Práticas: Utilização do R e Excel para realizar análises estatísticas, permitindo aos alunos aplicar os conceitos teóricos em dados reais. Trabalho Autónomo: Leituras complementares, visualização de vídeos, exercícios práticos e análise de casos reais. Tutoriais: Sessões de apoio individualizado para esclarecer dúvidas e orientar os alunos nas suas análises. Estas metodologias são articuladas com o Modelo Pedagógico do ISCTE-IUL, que promove a aprendizagem ativa e centrada no aluno. A combinação de teoria e prática garante que os alunos desenvolvam tanto o conhecimento conceptual quanto as habilidades práticas necessárias para aplicar métodos quantitativos nas suas carreiras profissionais.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

As aulas teórico-práticas permitem a experimentação prática e a aplicação de conhecimentos, o que também implica trabalho autónomo por parte do estudante. É sugerido aos alunos que tragam o seu computador portátil para poderem tirar partido das metodologias propostas. Encoraja-se os alunos a uma pesquisa ativa online de recursos para além daqueles fornecidos pelo docente. Estes recursos podem ser, por exemplo, vídeos, threads em fóruns reputados ou livros, notas e bases de dados disponibilizadas gratuitamente. A conjugação da exposição teórico-prática com a pesquisa e experimentação ativas por parte dos estudantes é a maneira mais adequada não só de apreender os conceitos lecionados mas também de adquirir experiência no manuseamento dos softwares utilizados.

Observações / Observations

Bibliografia Principal / Main Bibliography

Wooldridge, Jeffrey (2012), Introductory Econometrics : A Modern Approach, Fifth edition. Cont, Rama (2001), Empirical properties of asset returns: stylized facts and statistical issues, Quantitative Finance, Vol. 1, 223-236. Curto, José Dias (2019), Mathematics in bullet points. Amazon. Curto, José Dias (2021), Econometrics and Statistics - over 100 problems with solution. Amazon. Curto, José Dias (2021), Estatística com R: Aprenda fazendo. Edição de autor. https://diascurto.wixsite.com/sitedc

Bibliografia Secundária / Secondary Bibliography

Greene, William (2012), Econometric analysis, Prentice-Hall, Seventh edition. Pindyck,R. e Rubinfeld,D. (1998), "Econometric Models & Economic Forecasts" McGraw-Hill, N.York. Malkiel, B. (2007), "A Random Walk Down Wall Street", W.W. Norton, N. York. Gujarati, D. (2009), "Basic Econometrics", McGraw-Hill, N. York, Fifth edition. Johnston, J. e Dinardo, John (2000), "Métodos econométricos", McGraw-Hill, 4ª edição.

Data da última atualização / Last Update Date

2024-07-24