Aula 2 de Finanças - Lei do Preço Único

Essa é a segunda aula do Curso de Finanças do Programa de Doutorado em Economia da UnB. Esses são os slides usados em sala.

Referências

Principles of Financial Economics - Stephen F. LeRoy and Jan Werner

Asset Pricing - John H. Cochrane

Theory of Financial Decision Making - Jonathan E. Ingersoll


Soluções de Exercícios

Aula 1 de Finanças - Mercado de Ativos, Escolha do Agentes e Equilíbrio

Essa é a primeira aula do Curso de Finanças do Programa de Doutorado em Economia da UnB. Esses são os slides usados em sala.

Referências

Principles of Financial Economics - Stephen F. LeRoy and Jan Werner

Asset Pricing - John H. Cochrane

Theory of Financial Decision Making - Jonathan E. Ingersoll

Referências Complementares de Otimização

Dê uma olhada aqui.


Referências Complementares de Álgebra Linear

Dê uma olhada aqui.

Você particularmente poderá querer responder essa pergunta:

O que você gostaria que tivesse no seu livro de álgebra linear e não tinha?.

Soluções de Exercícios

Qual é a solução do problema de escolha dos agentes supondo que não existe consumo na data 0?

Equilíbrio em um mercado com dois ativos com dois estados e dois agentes

Quando um estado é segurável?

Como foi o curso de finanças do Programa de Pós-Graduação em Economia da UnB em 2016?

O curso de Finanças do Programa de Pós-Graduação em Economia da UnB é um curso de Economia Financeira [Financial Economics] com os tópicos usuais de (1) Apreçamento de Ativos em Mercados Completos e Incompletos; (2) Carteiras ótimas; (3) Equilíbrio em Mercados Completos e Incompletos; (4) Modelos Baseados em Consumo; (5) Análise Média-Variância.

Também discutimos em sala de aula ou por meio de séries de exercícios vários dos tópicos mencionados aqui que podem ser classificados nas seguintes áreas:

(A) Econometria Financeira

(B) Noções de Finanças em Tempo Contínuo

(C) Finanças Quantitativas: Implementação de Modelos

(D) Modelos de Risco



From the botton of my heart

Sim! Esse curso possivelmente abordará questões práticas de finanças... Por que? Porque é divertido (:-)! Entretanto, esse curso é um curso microfundamentado de finanças que a grande maioria das aulas é baseada na estrutura Definição, Teorema, Demonstração, Corolário... Logo, não se engane. Vale a pena dar uma olhada também na lista de pré-requisitos.



Uma programação preliminar do curso pode ser a seguinte:


PARTE I - Mercado de Ativos, Escolha dos Agentes e Equilíbrio

1) Mercado de Ativos, Escolha do Agentes e Equilíbrio

Aula 1

PARTE II - Apreçamento em Mercados Completos

2) Lei do preço único e apreçamento Linear

Aula 2

3) Apreçamento Positivo e Não-Arbitragem

Aula 3

INTERLÚDIO I - Noções de Implementação Computacional em Python

4) Noções de Programação Computacional

Aula 4

5) Noções de Programação Computacional - Coleções de dados

Aula 5

6) Noções de Programação Computacional - Recursões

Aula 6

7) Noções de Programação Computacional - Monte Carlo

Aula 7

INTERLÚDIO II - Programação Linear

8) Noções do problema de programação linear

Aula 8

PARTE II - Apreçamento em Mercados Financeiros

9) Apreçamento em Mercados Incompletos

Aula 9

10) Probabilidades Neutras ao Risco

Aula 10

11) Restrições na comercialização dos Ativos

Aula 11

PARTE III - Alguns modelos e aplicações práticas

12) Modelo Binomial e Métodos Numéricos para o Apreçamento de Opções

Aula 12

13) Avaliação de Investimentos sob Incerteza e Opções Reais

Aula 13

14) Noções de Finanças em Tempo Contínuo

Aula 14

PARTE IV - Aversão ao Risco

15) Aversão ao Risco

Aula 15

INTERLÚDIO III - Noções de Análise Funcional em Espaços de Hilbert

16) Espaços de Hilbert

Aula 16

PARTE V - Análise Média Variância

17) Kernels de valor esperado e apreçamento

Aula 17

18) Payoffs na Fronteira Média Variância

Aula 18

19) CAPM

Aula 19

20) Apreçamento Fatorial

Aula 20


PARTE VI - Carteiras Ótimas

21) Carteira Ótima com um ativo livre de risco e um ativo arriscado

Aula 21

22) Carteira Ótima com vários ativos

Aula 22

PARTE VII - Modelos de Equilíbrio baseados em Consumo

23) CCAPM

Aula 23

24) Equilíbrios de Pareto em Mercados Completos e Incompletos

Aula 24

AVALIAÇÂO

A avaliação do curso foi feita por uma prova e vários exercícios individuais (os detalhes dependem do tamanho da turma). Foram explorados exercícios de vários tipos. Exercícios que lidam diretamente com a teoria apresentada em sala de aula e exercícios que estendem a teoria discutida em sala de aula. Exercícios numéricos simples (que exploram conceitos básicos de sala de aula ou do livro texto principal), exercícios computacionais (que normalmente estendem o discutido em sala de aula) e exercícios teóricos (normalmente provas de resultados auxiliares ao curso). Dentro do conjunto de exercícios alguns exercícios são muito fáceis, outros exercícios são mais difíceis e outros são bem trabalhosos, que dependem de material extra àquele apresentado em sala de aula e implementação computacional.

PRE-REQUISITOS

Não temos pre-requisitos específicos, mas vários tópicos dependem de conhecimentos de Álgebra-Linear, Otimização e maturidade em matemática, estatística ou econometria equivalente a de um aluno de mestrado em economia de um bom programa.

Um pre-requisito fundamental em qualquer curso que leciono é muita disposição para aprender e lidar com coisas novas para resolver novos problemas. Os estudantes devem ter ou desenvolver a capacidade de lidar com um problema novo que estende o material em sala de aula sem a ajuda do professor, tendo em mãos apenas as referências básicas. Essa habilidade muito comum em estudantes da engenharia infelizmente não é muito explorada em estudantes de economia.

Deixar a arrogância em casa para ser capaz de perceber que não sabemos tudo e que existem sempre pessoas com mais conhecimento em um determinado tópico que nós mesmos. Aproveitar desse fato para aprender com os colegas e com o professor àquelas dimensões mais restritas.

HORÁRIO: TERÇAS E QUINTAS 16 AS 18

Aula 26 de Métodos Computacionais em Economia - Processamento de Linguagem Natural

Essa é a sexta aula de Aprendizagem de Máquinas do nosso curso. Esses são os slides usados em sala.

Códigos usados em sala de aula

Todos os exemplos dessa aula foram do livro

Natural Language Processing in Python

Referências

Foundations of Statistical Natural Language Processing - Christopher D. Manning and Hinrich Schütze

Natural Language Processing in Python

Aula 25 de Métodos Computacionais em Economia - Aprendizagem de Máquinas: Aprendizagem por Reforço

Essa é a quinta aula de Aprendizagem de Máquinas do nosso curso. Esses são os slides usados em sala.



Códigos usados em sala de aula

Implementação do problema da locadora usando programação dinâmica

Referências

Numerical Methods in Economics - Keneth Judd

Reinforcement Learning [Capítulos 1 a 4]

Markov Decision Processes - Martin Puterman [Capítulo 6]

Referências Complementares

O site Quantitative Economics tem muito material legal.

Soluções de Exercícios

...

Aula 24 de Métodos Computacionais em Economia - Aprendizagem de Máquinas: Redes Neurais e Deep Learning

Essa é a quarta aula de Aprendizagem de Máquinas do nosso curso. Esses são os slides usados em sala.

Códigos usados em sala de aula

Implementação de redes neurais artificias usando o pyBrain



Soluções de Exercícios


Exemplo de redes neurais recorrentes

Exemplo de redes neurais recorrentes

Implementação de dropout

Autoencoder

Perceptron Multicamada

MNIST



Referências

Pattern Recognition and Machine Learning - Christopher Bishop [Seções 5.1 a 5.5]

Neural networks - Haykin [Capítulo 4]

Deep learning - Ian Goodfellow, Yoshua Bengio and Aaron Courville [Capítulo 6, 7, 8, 9, 10, 11, 12, 14]

LeCun, Y., Bengio, Y. and Hinton, G. E. (2015) Deep Learning Nature, Vol. 521, pp 436-444.

Hinton, G. E. (2007) Learning Multiple Layers of Representation. Trends in Cognitive Sciences, Vol. 11, pp 428-434.

Quoc V. Le A Tutorial on Deep Learning Part 1: Nonlinear Classifiers and The Backpropagation Algorithm

Quoc V. Le A Tutorial on Deep Learning Part 2: Autoencoders, Convolutional Neural Networks and Recurrent Neural Networks


Referências Complementares

Razvan Pascanu, Çağlar Gülçehre, Kyunghyun Cho and Yoshua Bengio, How to Construct Deep Recurrent Neural Networks, in: International Conference on Learning Representations 2014(Conference Track), 2014

Guillaume Alain and Yoshua Bengio, What Regularized Auto-Encoders Learn from the Data-Generating Distribution (2014), in: Journal of Machine Learning Research, 15(3563-3593)

Hinton, G. E. Where do features come from?. Cognitive Science, Vol. 38(6), pp 1078-1101.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I. and Salakhutdinov, R. Dropout: A simple way to prevent neural networks from overfitting The Journal of Machine Learning Research, 15(1), pp 1929-1958.

Sutskever, I., Martens, J., Dahl, G. and Hinton, G. E. On the importance of momentum and initialization in deep learning In 30th International Conference on Machine Learning, Atlanta, USA, 2013.

Yoshua Bengio and Aaron Courville, Deep Learning of Representations, in: Handbook on Neural Information Processing, Springer: Berlin Heidelberg, 2013

Çağlar Gülçehre and Yoshua Bengio, Knowledge Matters: Importance of Prior Information for Optimization, in: International Conference on Learning Representations (ICLR'2013), 2013

Yoshua Bengio, Aaron Courville and Pascal Vincent, Representation Learning: A Review and New Perspectives (2013), in: Pattern Analysis and Machine Intelligence, IEEE Transactions on, 35:8(1798-1828)

Hinton, G. E., Srivastava, N., Krizhevsky, A., Sutskever, I. and Salakhutdinov, R. R. Improving neural networks by preventing co-adaptation of feature detectors http://arxiv.org/abs/1207.0580, 2012

Suskever, I., Martens, J. and Hinton, G. E. Generating Text with Recurrent Neural Networks. Proc. 28th International Conference on Machine Learning, Seattle, 2011.

Nicolas Le Roux and Yoshua Bengio, Deep Belief Networks are Compact Universal Approximators (2010), in: Neural Computation, 22:8(2192-2207)

Dumitru Erhan, Yoshua Bengio, Aaron Courville, Pierre-Antoine Manzagol, Pascal Vincent, Samy Bengio; Why Does Unsupervised Pre-training Help Deep Learning? Journal of Machine Learning Research, 11(Feb):625−660, 2010.

Hugo Larochelle, Yoshua Bengio, Jerome Louradour and Pascal Lamblin, Exploring Strategies for Training Deep Neural Networks (2009), in: Journal of Machine Learning Research, 10(1--40)

Yoshua Bengio, Learning deep architectures for AI (2009), in: Foundations and Trends in Machine Learning, 2:1(1--127)

van der Maaten, L. J. P. and Hinton, G. E. Visualizing Data using t-SNE. Journal of Machine Learning Research, Vol 9, (Nov) pp 2579-2605, 2008.

Hinton. G. E. What kind of a graphical model is the brain? International Joint Conference on Artificial Intelligence 2005, Edinburgh.

Yoshua Bengio, Gradient-Based Optimization of Hyperparameters (2000), in: Neural Computation, 12:8(1889--1900)

Hinton, G.E. Supervised learning in multilayer neural networks in The MIT Encyclopedia of the Cognitive Sciences Editors: Robert A. Wilson and Frank C. Keil The MIT Press, 1999.

Hinton, G. E., Plaut, D. C. and Shallice, T. Simulating brain damage Scientific American, 1993.

Nowlan. S. J. and Hinton, G. E. Simplifying neural networks by soft weight sharing.
Neural Computation, 4, 173-193.

Hinton, G.E. How neural networks learn from experience. Scientific American, September 1992.

Rumelhart, D. E., Hinton, G. E., and Williams, R. J. Learning representations by back-propagating errors.
Nature, 323, 533--536, 1986.

Hinton, G. E. Learning distributed representations of concepts. Proceedings of the Eighth Annual Conference of the Cognitive Science Society, Amherst, Mass, 1986.

Hinton, G. E., McClelland, J. L., and Rumelhart, D. E. Distributed representations. In Rumelhart, D. E. and McClelland, J. L., editors, Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Volume 1: Foundations, MIT Press, Cambridge, MA. pp 77-109, 1986.

Rumelhart, D. E., Hinton, G. E., and Williams, R. J.
Learning internal representations by error propagation.
In Rumelhart, D. E. and McClelland, J. L., editors, Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Volume 1: Foundations, MIT Press, Cambridge, MA. pp 318-362, 1986.

Aula 23 de Métodos Computacionais em Economia - Aprendizagem de Máquinas: Classificação Linear

Essa é a terceira aula de Aprendizagem de Máquinas do nosso curso. Esses são os slides usados em sala.

Códigos usados em sala de aula

OLS para classificação

Implementação do Perceptron

Implementação de um modelo de resposta binária

Referências

Pattern Recognition and Machine Learning - Christopher Bishop [Seções 4.1, 4.2 e 4.3]

A. Carvalho, D. Cajueiro e R. Camargo - Introdução aos Métodos Estatísticos para Economia e Finanças [Capítulo 9]

Modern multivariate statistical techniques - Alan Julian Izenman [Seções 8.1 a 8.4]

The elements of statistical learning - Hastie, Tibshirani e Friedman [Capítulo 4]

Neural networks - Haykin [Capítulos 3 e 5]

Bases de dados usadas para responder os exercícios

PRorum: Sites com bases de dados interessantes

Soluções de Exercícios

Linear Discriminant Analysis

Probabilistic Generative Models