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 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›Time Series
T

Time Series Roteiro

No arComece aqui

Preços, retornos e volatilidades não são sorteios independentes: hoje depende de ontem, semanas calmas seguem semanas calmas e dois preços podem derivar juntos por anos. Esta habilidade ensina as ferramentas que respeitam essa ordem, com verificações curtas (números que você calcula, passos que ordena, conceitos que associa) e exemplos financeiros: por que uma série de preços precisa de diferenciação antes de uma regressão, como a ACF e a PACF apontam para um modelo AR ou MA, o que uma raiz unitária significa para uma regra de trading, por que a volatilidade se agrupa e como o GARCH a usa, quando duas ações são realmente cointegradas, como um filtro de Kalman acompanha uma razão de hedge oculta e por que uma previsão se avalia fora da amostra. O projeto final é um laboratório de código em que você constrói previsores de volatilidade e os compara em retornos reais do SPY.

5 módulos14 labs corrigidos~14 horasIntermediário → Avançado
Começar o roteiro

Pré-requisitos

Espera-se estatística (regressão, testes de hipóteses, máxima verossimilhança) e noções de probabilidade ajudam. Não é preciso conhecer séries temporais.

  • SStatistics

Conteúdo

14 tópicos · abra qualquer tópico, na ordem que preferir
  1. 1Estacionariedade e diferenciaçãoNão iniciado50 minComeçar
  2. 2Autocorrelação ACF e PACFNão iniciado50 minComeçar
  3. 3Raízes unitárias e o teste ADFNão iniciado50 minComeçar
  1. 4Modelos AR MA e ARMANão iniciado55 minComeçar
  2. 5Sazonalidade e efeitos de calendárioNão iniciado45 minComeçar
  3. 6Modelos ARIMANão iniciadoRequer Python1 hComeçar
  1. 7Agrupamento de volatilidade e ARCHNão iniciado50 minComeçar
  2. 8Modelos de volatilidade GARCHNão iniciadoRequer Python1 hComeçar
  3. 9Estimadores de volatilidade realizadaNão iniciado55 minComeçar
  1. 10Cointegração e paresNão iniciado1 hComeçar
  2. 11Modelos de espaço de estados e o filtro de KalmanNão iniciado1 h 10 minComeçar
  1. 12Avaliação de previsõesNão iniciado50 minComeçar
  2. 13Quebras estruturaisNão iniciado55 minComeçar
  3. 14Projeto final: um concurso de previsão de volatilidade com dados reaisNão iniciado1 h 40 minComeçar

Conclusão

Seja aprovado nos 14 labs com nota 70 ou mais para concluir o roteiro e ganhar o selo Séries temporais no seu perfil.

0 / 140%

Pré-requisitos

Espera-se estatística (regressão, testes de hipóteses, máxima verossimilhança) e noções de probabilidade ajudam. Não é preciso conhecer séries temporais.

  • SStatistics

Ferramentas que você vai usar

PythonNumPypandaspytest

O que você vai aprender

  • Distinguir séries estacionárias de não estacionárias, diferenciar uma série e ler sua autocorrelação e autocorrelação parcial
  • Testar raízes unitárias com o teste ADF e saber o que um passeio aleatório significa para a previsão
  • Ajustar modelos AR, MA, ARMA e ARIMA, escolher suas ordens e tratar a sazonalidade e os efeitos de calendário
  • Modelar o agrupamento de volatilidade com ARCH e GARCH e calcular a volatilidade realizada a partir de dados diários e de amplitude
  • Testar a cointegração para montar pares e acompanhar uma razão de hedge oculta com um filtro de Kalman
  • Avaliar previsões fora da amostra com a perda certa, detectar quebras estruturais e realizar um concurso de previsão de volatilidade com retornos reais
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 Series
Suporte
Envie seu feedbackPague-nos um café
Legal
Política de privacidadeTermos de serviço
© 2026 QuantCraft Solutions. Todos os direitos reservados.
QuantCraft
EntrarParticipar ↗
Entrar