Métodos Matemáticos

Revisão de álgebra e Geometria: Proporções, desigualdades, intervalos, conjuntos, a reta; Equações e sistemas de equações; Funções; Áreas e funções trigonométricas; Fundamento de Cálculo: Cálculo diferencial; Limites Derivadas e Otimização.

Matemática Financeira

Juros Simples; Desconto Simples; Juros Compostos; Taxa Real de Juros; Valor Presente e Taxa Interna de Retorno; Sequências Uniformes e Não Uniformes e Amortização de Empréstimos de Cálculo  

Contabilidade

Balanço Patrimonial; Demonstração do Resultado do Exercício; Demonstração dos Fluxos de Caixa; Análise horizontal e análise vertical; Principais técnicas de avaliação econômica e financeira; Principais indicadores de rentabilidade e retorno e margens e Estudo dos efeitos de algumas variáveis econômicas e de mercado sobre o desempenho empresarial  

Métodos Estatísticos

Histogramas: Frequência, Assimetria, Quantis; Medidas de Tendência Central: Média, Mediana e Moda; Medidas de Dispersão: Variância e Desvio padrão.;  Escores-Z; Box-Plot; Gráficos de Dispersão e Medidas de Relação: Covariância e Correlação .

Programação

Instalação e softwares auxiliares; processamento em R; Gráficos: como fazer gráficos no R (Pacote ggplot2); Programação em R (Operações básicas, Tipos de objetos); Manipulação de dados (Pacotes: readr, readxl, dplyr, tidyr) e Programação em R (Trabalhando com Scripts e projetos, e funções) *

*Disciplinas passiveis de substituição, mediante a análise e liberação da coordenação, sendo realizada  em modo síncrono por mediação de tecnologia 

Métodos Estatísticos Aplicados

Teoria da Probabilidade: Introdução, Propriedades, Probabilidade Condicional, Teorema de Bayes; Variáveis Aleatórias Discretas e Distribuições de Probabilidade: Uniforme, Bernoulli, Binomial, Hipergeométrica, Poisson; Variáveis Aleatórias Contínuas e Distribuições de Probabilidade: Uniforme, Normal, Qui-Quadrado, T-Student, F; Estimação e Testes de Hipótese: Erro Tipo I e II, P-valor, Média, Diferença entre Médias, Proporção, Diferença entre Proporções, Variância, Comparação entre Variâncias, Amostras Emparelhadas.  

Econometria Aplicada

Ajustando curvas e retas aos dados: O método de Mínimos Quadrados; propondo um Modelo: Regressão, o que é e quando utilizar? Avaliando o Modelo de Regressão: Testes de Especificação e violações das hipóteses; E se tivermos viés na estimação? Introdução à Variáveis Instrumentais; Introdução às séries de tempo: Correlograma, Memória e Processos Básicos; Regressão espúria: o que é e como detectar e Introdução aos dados de Painel: Efeito Fixo e Aleatório.

Applied Time Series Analysis

 Introdução à Análise de Séries Temporais, principais fontes e características dos dados financeiros; Modelos ARMA suas aplicações para Finanças; Testes de Raiz Unitária; Modelos ARIMA e SARIMA. Aplicações da teoria dos mercados eficientes; Modelagem da volatilidade de ativos (ARCH e GARCH); Modelos Autorregressivos Vetoriais– VAR. 6.1. Causalidade de Granger; 6.2. Função de Resposta ao Impulso; Modelos de Correção de Erros Vetoriais – VECM.

Computação Aplicada

A teoria Metodologia de Modelagem Quantitativa Aplicada a Economia e Finanças; Técnicas para implementação computacional de modelos e melhores práticas; Conceitos básicos de lógica programação e estrutura de dados; modelagem quantitativa computacional para problemas reais que envolvem simulação, processos numéricos para solução de equações, séries temporais e métodos de otimização, entre outras técnicas aplicadas a problemas de finanças, economia e estatística. 

Programação em Python

Elementos básicos da linguagem; tipos de dados; controle de fluxo (if, for etc); noções de numpy, elementos de Pandas; análise descritiva com Seaborne e MatplotLib; elementos básicos do ScikitLearn.  

Técnicas de Machine Learning

Introdução Regressão; Regressão com penalização (LASSO, Ridge e outros); Modelos de escolha binária (Logit/Probit/. Naïve Bayesian Classifier); Técnicas de Bagging/ Boosting; Regression Tree/ Random Fores; Redes Neurais e Dados de Network.

Data Analytics & Visualization

Conceitos Básicos e Manipulação de Datasetse Dataframes; Técnicas de sumarização, limpeza e imputação de dados; Visualização de dados; Desenvolvimento de Dashboards E Introdução ao Web Scraping.  

MasterClass em Data Science Aplicada

Seminários e mesas redondas com o professor e seus convidados para discutir e apresentar temas atualizados do mundo da inteligência artificial, estudos de casos em data Analytics, modelos de fintechs e temas da fronteira de Data Science voltada para finanças e negócios em geral.  

Economia Bancária e Fintech

Modelos de intermediação financeira. Microeconomia bancária. Modelagem da firma bancária. Equilíbrio com racionamento no mercado de crédito. Macroeconomia bancária. Intermediação financeira e crescimento econômico. Sistema financeiro e política monetária. Caracterização dos bancos digitais e fintechs. Normas regulatórias recentes e impactos nos modelos tradicionais de economia bancária.  

Regulação Financeira das Fintechs

Evolução do Mercado de Pagamentos no Brasil e no mundo; Instituições Financeiras, Fintechs e novas entidades reguladas; Arranjos de pagamento: instrumento de pagamento; interoperabilidade e pagamentos instantâneos; Modelos de Negócio e Produtos: Banking as a Service, Operação White-Label, Open Banking; Sandbox Regulatório: modelos brasileiros e experiências internacionais e Blockchain: Moedas digitais e ativos digitais.

Modelos de Negócios das Fintechs

Futuro da Tecnologia; Ecossistema de Fintechs; Eficiência em Meios de Pagamento Eletrônicos; Economia da Informação; Mercado de Plataforma; Blockchain, Criptoativos e Aplicações Empresariais; Tecnologia e Desenvolvimento (ICT4D); Evolução do E-Business e E-Commerce.  

Behavioral Finance

A performance dos investidores individuais; Excesso de confiança, busca por adrenalina; Disposition effect ; Baixa diversificação, viés local, familiaridade; Ações com cara de loteria; Ações salientes e de onde vêm os vieses comportamentais?  

Modelos de Previsão

Visualização de séries temporais; .Princípios básicos de modelos de previsão; Alisamento exponencial; Modelos ARIMA; Modelos de regressão dinâmica e Métodos avançados de previsão.  

Venture Capital e Private Equity

Visão panorâmica da indústria brasileira, estruturação de fundos e processo de captação; Ecossistema empreendedor; Investimento e monitoramento das empresas investidas; Risco, retorno e processo de desinvestimento  

Tópicos em Machine Learning

Algoritmo KNN (k-nearest neighbors); Agrupamento -K-Means; Técnicas de redução de dimensionalidade –PCA; Técnicas de redução de dimensionalidade/classificação -LDA; Aprendizagem supervisionada com SVM (Support vector machine); Algoritmos de Interpolação (Cubic Spline / Constrained Cubic Spline / Bilinear), Métodos de otimização Numérica (Método de Newton, Newton's raphson, BFGS, Nelder–Mead, Gradient Descent)  

Tópicos em Programação

Ferramentas avançadas para trabalhar com coleções; Uso aprofundado do Numpy e Pandas; Recursos gráficos no Python;  Uso e análise de dados categorizados;  Ferramentas de strings: parse e expressões regulares;  Ferramentas de Data Science: recursos de patsy e scikitlearn  

A abertura das eletivas sugeridas está condicionada a quantidade mínima de alunos, pré-estabelecido pela coordenação.

Marketing Digital

Tendências e apresentação do mundo do Marketing Digital; Marketing de Ferramentas de Busca; SEO e PPC; Marketing de Redes Sociais; Marketing de Conteúdo; Social Selling e  Construindo funis de relacionamentos digitais.

Marketing Analytics

Introdução ao Marketing Analytics; Métricas de Performance para Sites;· Métricas do Google Analytics; Métricas de Social Media Marketing;Métricas para Video Marketing e Métricas de Performance.

Behavioral Finance

A performance dos investidores individuais; Excesso de confiança, busca por adrenalina; Disposition effect ; Baixa diversificação, viés local, familiaridade; Ações com cara de loteria; Ações salientes e de onde vêm os vieses comportamentais?  

Blockchain & Token Economy

Bitcoin e blockchain - Origens históricas e propostas de valor; Introdução à tecnologia - Livro-razão distribuído, prova de trabalho, mineração, remuneração, carteiras etc; Contratos inteligentes - Conceito básico, potenciais, limitações; Tipos de DLTs - Permissionadas, não permissionadas, com ou sem blockchain; Alternativas da tecnologia - Protocolos de segunda camada, outros algoritmos de consenso; Decentralized Finance (DeFi); Non Fungible Tokens (NFT); Decentralized Autonomous Organizations (DAOs); Central BanksDigitalCurrencies (CDBC); Identidades autossoberanas; Web3–A Futura Arquitetura da Web.  

Tópicos em Programação

Ferramentas avançadas para trabalhar com coleções; Uso aprofundado do Numpy e Pandas; Recursos gráficos no Python;  Uso e análise de dados categorizados;  Ferramentas de strings: parse e expressões regulares;  Ferramentas de Data Science: recursos de patsy e scikitlearn  

Tópicos em Data Analytics & Visualization

Algoritmo KNN (k-nearest neighbors); Agrupamento -K-Means; Técnicas de redução de dimensionalidade –PCA; Técnicas de redução de dimensionalidade/classificação -LDA; Aprendizagem supervisionada com SVM (Support vector machine); Algoritmos de Interpolação (Cubic Spline / Constrained Cubic Spline / Bilinear), Métodos de otimização Numérica (Método de Newton, Newton's raphson, BFGS, Nelder–Mead, Gradient Descent)  

Deep Learning e Redes Neurais

Aprender os conceitos e técnicas de Redes Neurais e Deep Learning.; ntender os conceitos básicos de Redes Neurais e Deep Learning;  Circunstâncias de aplicação dessa abordagem; - Conhecer as técnicas usuais de otimização matemática desses métodos e conhecer aplicações de casos supervisionados dessa técnica: Redes Neurais Artificiais, Redes Neurais Convolucionais, Redes Neurais Recorrentes; 

A abertura das eletivas sugeridas está condicionada a quantidade mínima de alunos, pré-estabelecido pela coordenação.