σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

Desenvolvimento quant aprendendo na prática: lições curtas, laboratórios avaliados e um IDE de verdade, no seu navegador.

Aprender
Todos os roadmapsTodos os roteirosRoteiro de PythonRoteiro de C++Em breveRoteiro de OxCamlEm breveRoteiro de Market StructureRoteiro de CalculusRoteiro de Linear AlgebraRoteiro de ProbabilityRoteiro de StatisticsRoteiro de Matrix DecompositionsRoteiro de OptimizationRoteiro de Time SeriesRoteiro de Stochastic CalculusRoteiro de Bayesian InferenceRoteiro de Hidden Markov ModelsRoteiro de Particle filtering and non-stationary time series
Suporte
Envie seu feedbackPague-nos um café
Legal
Política de privacidadeTermos de serviço
© 2026 QuantCraft Solutions. Todos os direitos reservados.
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Roteiros›Particle filtering and non-stationary time series
P

Particle filtering and non-stationary time series Roteiro

No arComece aqui

O beta e a volatilidade de uma ação não são constantes, e ninguém lhe diz o valor de hoje. Esta habilidade os trata como um estado oculto que deriva e explica como acompanhá-lo em passos simples, com verificações curtas (números que você calcula, passos que ordena, conceitos que associa) e exemplos financeiros: por que um filtro supera a leitura de uma observação ruidosa, o que o filtro de Kalman faz quando tudo é um sino, como uma nuvem de partículas ponderadas faz o mesmo quando não é, por que os pesos colapsam e como a reamostragem os conserta, como acompanhar a volatilidade em retornos reais do SPY, como aprender os números do modelo, como achar uma mudança e como se comparam os estimadores móveis, exponenciais e online. O projeto final é um laboratório de código em que você constrói o filtro de partículas, um filtro de Kalman e uma regressão móvel para acompanhar o beta da Apple contra o SPY.

3 módulos10 labs corrigidos~10 horasAvançado
Começar o roteiro

Pré-requisitos

Esperam-se os modelos ocultos de Markov (filtragem, regra de Bayes, estado oculto e suas observações), além de probabilidade básica e distribuições normais.

  • HHidden Markov Models

Conteúdo

10 tópicos · abra qualquer tópico, na ordem que preferir
  1. 1Modelos de espaço de estados revisitadosNão iniciado45 minComeçar
  2. 2Revisão do filtro de KalmanNão iniciado50 minComeçar
  1. 3Amostragem por importânciaNão iniciado55 minComeçar
  2. 4O filtro de partículas bootstrapNão iniciado1 h 5 minComeçar
  3. 5Esquemas de reamostragem e degeneraçãoNão iniciado55 minComeçar
  4. 6Filtragem da volatilidade estocásticaNão iniciado1 h 10 minComeçar
  5. 7Aprender os parâmetrosNão iniciado1 hComeçar
  1. 8Detecção de deriva e pontos de mudançaNão iniciado55 minComeçar
  2. 9Estimadores móveis exponenciais e onlineNão iniciado50 minComeçar
  3. 10Projeto final: acompanhar o beta e a volatilidade de uma açãoNão iniciado1 h 40 minComeçar

Conclusão

Seja aprovado nos 10 labs com nota 70 ou mais para concluir o roteiro e ganhar o selo Filtragem de partículas no seu perfil.

0 / 100%

Pré-requisitos

Esperam-se os modelos ocultos de Markov (filtragem, regra de Bayes, estado oculto e suas observações), além de probabilidade básica e distribuições normais.

  • HHidden Markov Models

Ferramentas que você vai usar

PythonNumPypandaspytest

O que você vai aprender

  • Escrever um modelo de espaço de estados com um estado oculto e observações ruidosas e rodar um filtro de Kalman nele
  • Estimar com amostras ponderadas: pesos de importância, tamanho amostral efetivo e filtro de partículas bootstrap
  • Reamostrar partículas com reamostragem sistemática e reconhecer a degeneração dos pesos antes que ela arruíne um filtro
  • Filtrar a volatilidade estocástica em retornos reais e aprender parâmetros do modelo a partir de uma verossimilhança de filtro de partículas
  • Detectar deriva e mudanças e comparar estimadores móveis, exponenciais e online em um mercado em mudança
uantCraft Academy

Desenvolvimento quant aprendendo na prática: lições curtas, laboratórios avaliados e um IDE de verdade, no seu navegador.

Aprender
Todos os roadmapsTodos os roteirosRoteiro de PythonRoteiro de C++Em breveRoteiro de OxCamlEm breveRoteiro de Market StructureRoteiro de CalculusRoteiro de Linear AlgebraRoteiro de ProbabilityRoteiro de StatisticsRoteiro de Matrix DecompositionsRoteiro de OptimizationRoteiro de Time SeriesRoteiro de Stochastic CalculusRoteiro de Bayesian InferenceRoteiro de Hidden Markov ModelsRoteiro de Particle filtering and non-stationary time series
Suporte
Envie seu feedbackPague-nos um café
Legal
Política de privacidadeTermos de serviço
© 2026 QuantCraft Solutions. Todos os direitos reservados.
QuantCraft
EntrarParticipar ↗
Entrar