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

2024/2025

Pré-requisitos / Pre-Requisites

Estatística, Programação básica (Python)

Objetivos Gerais / Objectives

Pretende-se que os alunos, no final da unidade curricular, consigam analisar, processar e retirar informação de conjuntos de dados (económicos e financeiros) também como aplicar métodos e modelos econométricos univariados e multivariados a problemas concretos de mercados financeiros. Os objetivos principais são: explicar os conteúdos 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/SARIMAX, 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 com uso 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 ao longo do semestre, terão de ter uma assiduidade de 2/3 das aulas e serão avaliados por: a) Apresentação oral de uma questão desafio (individual / debate) (meio-semestre), 10%, nota mínima 10 valores. b) Trabalho de grupo, 40%, nota mínima 10 valores. c) Exame final, 50%, nota mínima de 9,5 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

1. Diana Mendes, (2024), Teaching Slides, Python scripts and Notebooks (Moodle, GitHub). 2. Brooks, C., (2019), Introductory econometrics for finance, 4nd ed., Cambridge University Press. 3. Tan, R, and Brooks, C. (2019), Python guide to accompany Introductory econometrics for finance, 4nd ed., Cambridge University Press. 4. Huang, C., and Petukhina, A., (2022), Applied time series analysis and forecasting with Python, Springer.

Bibliografia Secundária / Secondary Bibliography

1. Juselius, K., (2006), The Cointegrated VAR Model: Methodology and Applications, Oxford University Press. 2. Lewinson, E. (2023), Python for finance cookbook, 2nd ed., Packt. 3. Various Papers

Data da última atualização / Last Update Date

2024-07-23