O conteúdo está organizado em seis módulos progressivos, detalhados a seguir, seguidos do
quadro-síntese do cronograma semanal.
Módulo I — Fundamentos de Python para Economia e Finanças (Semanas 1–3 ·
12h)
Semana 1
• Aula 1: Apresentação do curso e do projeto final; ambiente de desenvolvimento (Jupyter
Notebook, Google Colab, VS Code); lógica de programação, variáveis e tipos de dados.
• Aula 2: Estruturas de controle (condicionais e laços de repetição); funções e escopo; boas
práticas de codificação (PEP 8) e controle de versão com Git/GitHub.
Semana 2
• Aula 1: Estruturas de dados nativas — listas, tuplas, dicionários e conjuntos; compreensão
de listas (list comprehensions).
• Aula 2: NumPy — arrays, vetorização, álgebra linear aplicada (cálculo de retornos, matrizes
de covariância e correlação de ativos).
Semana 3
• Aula 1: pandas I — Series e DataFrames; importação de dados via CSV, APIs públicas
(Banco Central do Brasil, FRED) e bibliotecas de mercado (yfinance).
• Aula 2: pandas II — indexação, junções (merge/join), agregações (groupby), tratamento de
dados faltantes e manipulação de séries temporais financeiras.
Módulo II — Análise de Dados e Ciência de Dados (Semanas 4–6 · 12h)
Semana 4
• Aula 1: Estatística descritiva aplicada e visualização de dados (Matplotlib, Seaborn e Plotly).
• Aula 2: Análise exploratória de dados (EDA) — estudo de caso com dados intradiários de
mercados futuros brasileiros (WIN, WDO).

Semana 5
• Aula 1: Fundamentos de probabilidade e inferência estatística para ciência de dados
(estimação, testes de hipótese, intervalos de confiança).
• Aula 2: Regressão linear e modelos lineares generalizados aplicados à economia e finanças
(CAPM, curvas de rendimento, elasticidades).
Semana 6
• Aula 1: Séries temporais — estacionariedade, modelos ARIMA e GARCH aplicados à
volatilidade financeira.
• Aula 2: Bancos de dados e SQL para ciência de dados; consolidação de pipelines de dados
econômico-financeiros (BCB, B3, Yahoo Finance).
Módulo III — Machine Learning (Semanas 7–9 · 12h)
Semana 7
• Aula 1: Fundamentos de aprendizado de máquina — aprendizado supervisionado vs. não
supervisionado; trade-off viés-variância; overfitting e validação cruzada.
• Aula 2: Modelos supervisionados I — árvores de decisão, random forest e gradient boosting
(XGBoost/LightGBM) aplicados a risco de crédito e previsão de preços de ativos.
Semana 8
• Aula 1: Modelos supervisionados II — regularização (Ridge, Lasso, Elastic Net) e máquinas
de vetores de suporte (SVM) em finanças quantitativas.
• Aula 2: Aprendizado não supervisionado — clusterização (k-means, hierárquica) e redução
de dimensionalidade (PCA) aplicadas à construção de portfólios.
Semana 9
• Aula 1: Introdução a redes neurais e deep learning — perceptron, retropropagação
(backpropagation), redes recorrentes (RNN/LSTM) para séries temporais financeiras.
• Aula 2: Machine learning aplicado à precificação de ativos e à pesquisa econômica —
discussão de Gu, Kelly & Xiu (2020) e de Mullainathan & Spiess (2017).
Módulo IV — Inteligência Artificial Generativa (Semanas 10–11 · 8h)
Semana 10
• Aula 1: Fundamentos de IA generativa e grandes modelos de linguagem (LLMs) — visão
conceitual da arquitetura transformer; fundamentos de engenharia de prompt.
• Aula 2: ChatGPT e Claude aplicados à pesquisa econômica — geração e depuração de
código, apoio à revisão de literatura e à análise exploratória de dados.
Semana 11
• Aula 1: Google Gemini e NotebookLM — pesquisa multimodal, curadoria de fontes
primárias e geração de sínteses de literatura a partir de corpora próprios.
• Aula 2: Uso ético e metodologicamente responsável de IA generativa na pesquisa científica
— vieses algorítmicos, alucinações, verificação de fatos e normas institucionais de
disclosure (ABNT; diretrizes do CNPq sobre transparência no uso de IA generativa em
pesquisa).

Módulo V — Metodologia Científica (Semanas 12–13 · 8h)
Semana 12
• Aula 1: Fundamentos de metodologia científica — formulação da pergunta de pesquisa,
hipóteses e revisão sistemática de literatura.
• Aula 2: Desenho de pesquisa aplicado à economia e finanças — fontes de dados, estratégias
de identificação, correlação vs. causalidade.
Semana 13
• Aula 1: Redação científica — estrutura IMRaD, normas ABNT (NBR 6022, 6023, 10520),
citação e integridade acadêmica.
• Aula 2: Oficina de escrita científica assistida por IA (uso responsável e com disclosure) e
sessão de revisão por pares (peer review) dos rascunhos de artigo.
Módulo VI — Desenvolvimento do Projeto Final e Apresentações (Semanas
14–15 · 8h)
Semana 14
• Aula 1: Mentoria em grupo para consolidação da Etapa final do projeto (resultados e
discussão).
• Aula 2: Sessão de revisão cruzada entre colegas (peer review) dos rascunhos finais do artigo.
Semana 15
• Aula 1: Seminário de apresentação dos projetos finais (primeiro grupo de apresentações).
• Aula 2: Seminário de apresentação dos projetos finais (segundo grupo) e encerramento do
curso.

1. Python, Análise de Dados e Ciência de Dados
McKINNEY, W. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter. 3. ed.
Sebastopol: O'Reilly Media, 2022.
VANDERPLAS, J. Python Data Science Handbook: Essential Tools for Working with Data. 2. ed.
Sebastopol: O'Reilly Media, 2023.
WOOLDRIDGE, J. M. Introductory Econometrics: A Modern Approach. 7. ed. Boston: Cengage
Learning, 2020.
2. Machine Learning e Inteligência Artificial
JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An Introduction to Statistical Learning:
with Applications in Python. New York: Springer, 2023.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining,
Inference, and Prediction. 2. ed. New York: Springer, 2009.
GÉRON, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3. ed.
Sebastopol: O'Reilly Media, 2022.

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge, MA: MIT Press,
2016.
RUSSELL, S.; NORVIG, P. Artificial Intelligence: A Modern Approach. 4. ed. Harlow: Pearson, 2021.
3. Machine Learning Aplicado à Economia e Finanças
LÓPEZ DE PRADO, M. Advances in Financial Machine Learning. Hoboken: Wiley, 2018.
GU, S.; KELLY, B.; XIU, D. Empirical Asset Pricing via Machine Learning. Review of Financial
Studies, v. 33, n. 5, p. 2223–2273, 2020.
MULLAINATHAN, S.; SPIESS, J. Machine Learning: An Applied Econometric Approach. Journal of
Economic Perspectives, v. 31, n. 2, p. 87–106, 2017.
ATHEY, S.; IMBENS, G. W. Machine Learning Methods That Economists Should Know About.
Annual Review of Economics, v. 11, p. 685–725, 2019.
4. Metodologia Científica e Redação Acadêmica
BOOTH, W. C.; COLOMB, G. G.; WILLIAMS, J. M. The Craft of Research. 4. ed. Chicago:
University of Chicago Press, 2016.
BECKER, H. S. Writing for Social Scientists: How to Start and Finish Your Thesis, Book, or Article.
2. ed. Chicago: University of Chicago Press, 2007.
KING, G.; KEOHANE, R. O.; VERBA, S. Designing Social Inquiry: Scientific Inference in
Qualitative Research. Princeton: Princeton University Press, 1994.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6022: Informação e documentação
— Artigo em publicação periódica científica impressa — Apresentação. Rio de Janeiro: ABNT,
2018.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6023: Informação e documentação
— Referências — Elaboração. Rio de Janeiro: ABNT, 2018.

Não informado

1. Aprofundamento Técnico
BISHOP, C. M. Pattern Recognition and Machine Learning. New York: Springer, 2006.
CONT, R. Empirical Properties of Asset Returns: Stylized Facts and Statistical Issues. Quantitative
Finance, v. 1, n. 2, p. 223–236, 2001.
CHAN, E. P. Machine Trading: Deploying Computer Algorithms to Conquer the Markets. Hoboken:
Wiley, 2017.
VARIAN, H. R. Big Data: New Tricks for Econometrics. Journal of Economic Perspectives, v. 28, n. 2,
p. 3–28, 2014.
HAMILTON, J. D. Time Series Analysis. Princeton: Princeton University Press, 1994.
2. Inteligência Artificial Generativa — Documentação e Referências
Institucionais
ANTHROPIC. Claude Documentation. Disponível em: docs.claude.com. Acesso contínuo durante o
curso.

OPENAI. Documentação técnica do ChatGPT. Disponível em: platform.openai.com/docs. Acesso
contínuo durante o curso.
GOOGLE. Documentação técnica do Gemini e do NotebookLM. Disponível em: ai.google.dev e
notebooklm.google. Acesso contínuo durante o curso.
CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO (CNPq).
Diretrizes normativas sobre transparência e disclosure no uso de inteligência artificial generativa
em pesquisa científica. Brasília: CNPq. (Consultar redação vigente à época do curso.)
3 Periódicos de Referência (leitura contínua recomendada)
• Review of Financial Studies (Oxford University Press)
• Journal of Financial Economics (Elsevier)
• Journal of Economic Perspectives (American Economic Association)
• Journal of Financial Data Science (Pageant Media)
• Journal of Financial Econometrics (Oxford University Press)
• Journal of Machine Learning Research (MIT Press)
• Games and Economic Behavior (Elsevier)