Currículo

Análise de Séries Temporais e Previsão ASTP

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

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.

Programa

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)

Método de Avaliação

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).

Carga Horária

Bibliografia

Principal

• 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.:

Secundária

• 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.:

Disciplinas de Execução

2023/2024 - 2º Semestre

2024/2025 - 2º Semestre