Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Ciência de Dados

Departamento / Department

ISCTE

Ano letivo / Execution Year

2022/2023

Pré-requisitos / Pre-Requisites

Estatística e computação básica (Python/R)

Objetivos Gerais / Objectives

A UC dota os alunos com técnicas modernas de econometria e Machine Learning (ML) para previsão de dados económicos e financeiros. A iteração entre teoria e prática é enfatizada, e os alunos serão preparados para formulação e teste de vários modelos. Casos com dados reais serão analisados com bastante rigor.

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: OA1. Conhecer e aplicar os modelos clássicos de séries temporais; OA2. Conhecer e aplicar os modelos ARIMA e GARCH; OA3. Familiarizar-se com os modelos multi-variados de séries cronológicas; OA4. Familiarizar-se com algoritmos de Machine Learning (redes neuronais) para previsão de séries temporais; OA5. Ser capaz de trabalhar com os packages informáticos mais importantes (Python); OA6. Aplicação dos conceitos estudados; extracção de informação e valor para dados do mundo real.

Conteúdos Programáticos / Syllabus

P1. Séries temporais (2 aulas) P1.1. Conceitos básicos P1.2. Tendências e sazonalidade P2. Introdução aos modelos estocásticos de séries temporais uni-variados (4 aulas) P2.1. Estacionaridade, testes de raiz unitária P2.2. Modelos ARMA/ARIMA/SARIMAX P2.3. Pressupostos dos resíduos, testes de diagnóstico P2.4. Volatilidade, risco, Modelos ARCH/GARCH P2.5. Previsão, medição do erro de previsão P3. Introdução aos modelos estocásticos de séries temporais multivariados (2 aulas) P3.1. Modelos VAR/VECM P3.2. Análise de Cointegração e aplicações P3.3. Previsão P4. Machine (Deep) Learning (6 aulas) P4.1. Redes neuronais para séries temporais P4.2. RNN e LSTM, forecasting P5. Programação/computação com Python P6. Aplicação dos conceitos estudados; extração de informação e valor para dados do mundo real (2 aulas)

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

Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (P) com os objetivos de aprendizagem (OA), como a seguir se explicita: P1 -> OA1 P2 -> OA2 P3 -> OA3 P4 -> OA4 P5 -> Todos P6 -> Todos

Avaliação / Assessment

Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência ME2. Participativas, com análise de artigos científicos ME3. Ativas, com realização de trabalho de grupo ME4. Experimentais, em laboratório de informática, realizando análises sobre dados reais ME5. Auto-estudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Planeamento das Aulas | A avaliação periódica inclui a realização de: a) Teste individual com ponderação de 60%. b) Trabalho de grupo com ponderação de 40%. A avaliação periódica exige a presença em, pelo menos, 80% das aulas e abarca toda a matéria leccionada. Os alunos em avaliação periódica que não obtenham a nota mínima de 8,5 valores no teste individual e de 10 valores no trabalho, deverão realizar um exame final (nota mínima de aprovação: 10 valores).

Metodologias de Ensino / Teaching methodologies

Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência ME2. Participativas, com análise de artigos científicos ME3. Ativas, com realização de trabalho de grupo ME4. Experimentais, em laboratório de informática, realizando análises sobre dados reais ME5. Auto-estudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Planeamento das Aulas.

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 metodologias de ensino-aprendizagem visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objetivos de aprendizagem, pelo que, na grelha a seguir, apresentam-se as principais interligações entre as metodologias de ensino-aprendizagem e os respetivos objetivos. ME1 -> OA 1, 2, 3, 4 ME2 -> OA 1, 2, 3, 4, 5, 6 ME3 -> OA 1, 2, 3, 4, 5, 6 ME4 -> OA 1, 2, 3, 4, 5, 6 ME5 -> OA 1, 2, 3, 4, 5, 6

Observações / Observations

-

Bibliografia Principal / Main Bibliography

Ficheiros (slides e scripts) da UC a disponibilizar no e-learning/Fenix Yves Hilpisch (2018), Python for Finance, 2nd Edition, O.Reilly Media, Inc. Tarek A. Atwan, (2022), Time Series Analysis with Python Cookbook, Packt Publishing. Mills, T.C. (2019), Applied Time Series Analysis: A Practical Guide to Modeling and Forecasting, Academic Press, Elsevier Inc. Brooks, C., (2019), Introductory econometrics for finance, 4nd ed., Cambridge University Press.

Bibliografia Secundária / Secondary Bibliography

Edward Raff, (2022), Inside Deep Learning: Math, Algorithms, Models, Manning Publications Co. Louis Owen, (2022), Hyperparameter Tuning with Python, Packt Publishing. James Ma Weiming, (2019), Mastering Python for Finance: Implement advanced state-of-the-art financial statistical applications using Python, 2nd Edition, Packt Publishing. Juselius, K., (2006), The Cointegrated VAR Model: Methodology and Applications, Oxford University Press.

Data da última atualização / Last Update Date

2024-02-16