Um modelo que brilha num notebook pode ser inútil na negociação, e o motivo habitual não é o algoritmo e sim a avaliação. Esta habilidade ensina o scikit-learn como uma forma de trabalhar, com verificações curtas (números que você calcula, passos que ordena, conceitos que associa) e exemplos financeiros: por que um escalador deve ser ajustado só nos dias de treino, como rótulos sobrepostos vazam o futuro e como a purga e o embargo o eliminam, o que ridge e lasso fazem com os coeficientes, por que uma regressão logística de direção mal supera apostar sempre na alta, como uma floresta sobreajusta um sinal fraco, como pontuar um modelo de retornos com o coeficiente de informação, quantos ajustes uma busca honesta de hiperparâmetros exige, e o que clustering, PCA e importância por permutação podem ou não dizer. O projeto final é um laboratório de código em que você constrói o divisor walk-forward com purga, as variáveis em corte transversal e a pontuação de um modelo mensal de ações.
Espera-se familiaridade com Python, NumPy e pandas, além de estatística básica (média, variância, correlação, regressão).
