Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Matemática

Departamento / Department

Departamento de Métodos Quantitativos para Gestão e Economia

Ano letivo / Execution Year

2022/2023

Pré-requisitos / Pre-Requisites

Estatística, Programação básica (Python)

Objetivos Gerais / Objectives

Pretende-se que os alunos, no final da unidade curricular, consigam aplicar métodos econométricos univariados e multivariados a problemas concretos de mercados financeiros. Os objetivos principais são: explicar o conteúdo de forma clara e lógica, escrever documentos com uma aparência profissional, ser apto de formular ideias e conclusões, dar uma sequência lógica a informação, debater ideias e utilizar de forma efetiva um ?software? específico.

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

A unidade curricular dedica-se ao ensino de métodos econométricos para estimação de parâmetros e modelização de séries temporais. Consta de métodos clássicos e modernos de econometria, aplicados, em particular, na resolução de problemas que surgem em finanças. No final do período curricular desta UC, o aluno deverá: 1. Conhecer e saber aplicar o modelo de regressão linear simples/ múltipla, a situações concretas. 2. Conhecer e saber aplicar os modelos ARMA/ARIMA, a situações concretas. 3. Conhecer e saber aplicar os modelos ARCH/GARCH, a situações concretas 4. Conhecer e saber aplicar os modelos VAR/VECM, a situações concretas 5. Conseguir trabalhar com os packages informáticos mais importantes (Python): As sessões decorrerão sempre na sala de computadores.

Conteúdos Programáticos / Syllabus

1. Introdução 2. Regressão 2.1. Correlação e causalidade 2.2. Regressão linear simples e múltipla 2.3. Métodos de estimação e diagnóstico. Pressupostos dos resíduos. 3. Modelos estacionários e não-estacionários univariados 3.1. Estacionariedade e Testes de raízes unitárias 3.2. Modelos ARMA/ARIMA 4. Modelos de heteroscedasticidade condicionada e volatilidade: ARCH/GARCH 5. Modelos estacionários e não-estacionários multivariados 5.1. Modelos multivariados -- VAR (Vector auto-regression) 5.2. Causalidade de Granger e Cointegração, 5.3. Modelos VECM (vector error correction models) e Método de Johansen 6. Aplicações e casos de estudo 7. Software: Python

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 com os objetivos de aprendizagem (OA), como a seguir se explicita: OA1 Regressão linear: Pontos do programa: 1, 2, 3, 6, 7. OA2 Modelos ARMA/ARIMA: Pontos do programa: 3, 4, 6, 7. OA3 Modelos ARCH/GARCH: Pontos do programa: 4, 6, 7. OA4 Modelos VAR/VECM: Pontos do programa: 5, 6, 7. OA5 Todos

Avaliação / Assessment

A avaliação processa-se em 2 épocas: Normal e Recurso. Na Época Normal, os alunos que optem pela avaliação periódica, terão de ter uma assiduidade de 2/3 das aulas e serão avaliados por: a) Trabalho de grupo, 50%, nota mínima 10 valores. b) Exame final, 50%, nota mínima de 8 valores. Obterão aprovação os alunos que têm uma nota final >= a 10 valores. Exame de Recurso nas seguintes condições: alunos que não obtiveram aprovação na 1.ª Época; Para melhoria de nota.

Metodologias de Ensino / Teaching methodologies

O aluno deverá adquirir e/ou desenvolver competências de análise e síntese, de pesquisa, de crítica, de comunicação escrita e oral em conformidade com os objetivos definidos. Para a aquisição destas competências serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): 1. Expositivas 2. Participativas 3. Ativas 4. Experimentais 5. Auto-estudo.

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. Metodologias de ensino-aprendizagem (MEA)/ Objetivo de aprendizagem (0A) 1. Expositivas, para apresentação dos quadros teóricos de referência / Todos 2. Participativas, com análise e resolução de exercícios práticos / Todos 3. Ativas, com realização de trabalhos individuais e de grupo / Todos 4. Experimentais, em laboratório, com desenvolvimento e exploração de modelos em computador / Todos 5. Auto-estudo, relacionadas com o trabalho autónomo do aluno, tal como consta no Planeamento das Aulas / Todos

Observações / Observations

·

Bibliografia Principal / Main Bibliography

4. Diana Mendes, (2021), Teaching Slides, Python scripts and Notebooks (Fenix and/or E-learning). 3. Yves Hilpisch (2018), Python for Finance, 2nd Edition, O'Reilly Media, Inc. 2. Mills, T., (2019), Applied Time Series Analysis: A Practical Guide to Modeling and Forecasting, Academic Press, Elsevier Inc. 1. Brooks, C., (2019), Introductory econometrics for finance, 4nd ed., Cambridge University Press.

Bibliografia Secundária / Secondary Bibliography

3. William H. Greene, (2018), Econometric Analysis, 8th Edition, Pearson. 2. James Ma Weiming, (2019), Mastering Python for Finance: Implement advanced state-of-the-art financial statistical applications using Python, 2nd Edition, Packt Publishing. 1. Juselius, K., (2006), The Cointegrated VAR Model: Methodology and Applications, Oxford University Press.

Data da última atualização / Last Update Date

2024-02-16