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 Probability
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›Probability
P

Probability Roteiro

No arComece aqui

Todo número de risco, todo preço e todo backtest é uma afirmação sobre probabilidade. Esta habilidade constrói as ideias com verificações curtas (números que você calcula, fórmulas que preenche, passos que ordena) e exemplos financeiros: um filtro de inadimplência que erra quase sempre, o erro-padrão de um retorno médio, regimes como cadeia de Markov. Três tópicos de Python sobre variáveis aleatórias, amostragem e Monte Carlo fazem parte do currículo. Termina com um laboratório de código que testa se um modelo normal se ajusta a retornos reais de ações e o quanto erra as caudas.

5 módulos13 labs corrigidos~11 horasIniciante → Avançado
Começar o roteiro

Conteúdo

13 tópicos · abra qualquer tópico, na ordem que preferir
  1. 1Espaços amostrais e eventosNão iniciado35 minComeçar
  2. 2Probabilidade condicional e regra de BayesNão iniciado45 minComeçar
  1. 3Variáveis aleatórias e esperançaNão iniciadoRequer Python45 minComeçar
  2. 4Esperança e covariânciaNão iniciado45 minComeçar
  3. 5Distribuições comunsNão iniciado55 minComeçar
  1. 6Lei dos grandes númerosNão iniciado40 minComeçar
  2. 7Teorema central do limiteNão iniciado45 minComeçar
  3. 8Transformações e mudança de variávelNão iniciado45 minComeçar
  1. 9Amostragem de distribuiçõesNão iniciadoRequer Python45 minComeçar
  2. 10Estimação por Monte CarloNão iniciadoRequer Python50 minComeçar
  1. 11Cadeias de MarkovNão iniciado55 minComeçar
  2. 12Distribuições conjuntas e cópulasNão iniciado1 hComeçar
  3. 13Projeto final: distribuições de retorno contra caudas reaisNão iniciado1 h 20 minComeçar

O que você vai aprender

  • Trabalhar com eventos e probabilidade condicional e usar a regra de Bayes sem o erro da taxa-base
  • Calcular esperanças, variâncias e covariâncias, incluindo a variância de uma carteira
  • Escolher a distribuição certa para uma grandeza (normal, lognormal, t de Student, Poisson) e ler probabilidades de cauda
  • Usar a lei dos grandes números e o teorema central do limite para dimensionar erros e intervalos de confiança
  • Modelar regimes com cadeias de Markov e a dependência com cópulas, e testar um modelo de retorno contra caudas reais

Ferramentas que você vai usar

PythonNumPypandaspytest

Conclusão

Seja aprovado nos 13 labs com nota 70 ou mais para concluir o roteiro e ganhar o selo Probabilidade para quants no seu perfil.

0 / 130%

Pré-requisitos

A matemática do ensino médio basta. Os três tópicos de Python desta habilidade ajudam, mas você pode começar sem eles.

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 Probability
Suporte
Envie seu feedbackPague-nos um café
Legal
Política de privacidadeTermos de serviço
© 2026 QuantCraft Solutions. Todos os direitos reservados.
QuantCraft
EntrarParticipar ↗
Entrar