• Aula 01 – Por que usar uma linguagem de programação para analisar dados?
• Aula 02 – Instalando os programas necessários
• Aula 03 – Instalando pacotes e entendendo as mensagens no Console
• Aula 04 – Introdução ao mundo `tidyverse`
• Aula 05 – Criando `scripts`
• Aula 06 – Lidando com objetos no R
• Aula 07 – Estruturas de Dados (data frames, listas, matrizes, vetores)
• Aula 08 – Operadores lógicos e aritméticos
• Aula 09 – O operador `pipe`
• Aula 10 – Funções
• Aula 11 – Estruturas de repetição e de decisão
• Aula 12 – Introdução à coleta de dados
• Aula 13 – Trabalhando com arquivos .csv
• Aula 14 – Trabalhando com arquivos Excel
• Aula 15 – O que são APIs e como utilizá-las?
• Aula 16 – Consumindo dados brasileiros
• Aula 17 – Trabalhando com SQL
• Aula 18 – Trabalhando com Google Sheets
• Aula 19 – Trabalhando com Google Drive
• Aula 20 – Trabalhando com arquivos JSON
• Aula 21 – Trabalhando com arquivos XML
• Aula 22 – Exportando dados
• Aula 23 – Introdução à Web Scraping
• Aula 24 – Introdução à limpeza de dados
• Aula 25 – Tratamento de dados textuais
• Aula 26 – Renomeando colunas
• Aula 27 – Selecionando colunas
• Aula 28 – Como criar e alterar colunas
• Aula 29 – Como aplicar filtros em linhas
• Aula 30 – Como fazer operações por grupos de dados
• Aula 31 – Como sumarizar os dados
• Aula 32 – Formato long vs wide
• Aula 33 – Como fazer cruzamento de dados
• Aula 34 – Lidando com datas no R
• Aula 35 – Identificando e tratando dados faltantes
• Aula 36 – Como deflacionar uma série
• Aula 37 – Como fazer ajuste sazonal
• Aula 38 – Introdução à visualização de dados e *storytelling* 
• Aula 39 – Produzindo gráficos com ggplot2
• Aula 40 – Produzindo relatórios com RMarkdown
• Aula 41 – Produzindo dashboards
• Aula 42 – Como automatizar o processo de análise de dados?

• Aula 01 – Por que usar uma linguagem de programação para analisar dados?
• Aula 02 – Escolhendo uma IDE e trabalhando com o `Google Colab`
• Aula 03 – Instalando pacotes e entendendo as mensagens
• Aula 04 – Introdução ao `pandas` e `numpy`
• Aula 05 – Criando `scripts`
• Aula 06 – Lidando com objetos no Python
• Aula 07 – Estruturas de Dados (data frames, listas, matrizes, vetores)
• Aula 08 – Operadores lógicos
• Aula 09 – operadores aritméticos
• Aula 10 – Funções
• Aula 11 – Estruturas de repetição e de decisão
• Aula 12 – Introdução à coleta de dados
• Aula 13 – Trabalhando com arquivos .csv
• Aula 14 – Trabalhando com arquivos Excel
• Aula 15 – O que são APIs e como utilizá-las?
• Aula 16 – Consumindo dados brasileiros
• Aula 17 – Trabalhando com SQL
• Aula 18 – Trabalhando com Google Sheets
• Aula 19 – Trabalhando com Google Drive
• Aula 20 – Trabalhando com arquivos JSON
• Aula 21 – Trabalhando com arquivos XML
• Aula 22 – Exportando dados
• Aula 23 – Introdução à Web Scraping
• Aula 24 – Introdução à limpeza de dados
• Aula 25 – Tratamento de dados textuais
• Aula 26 – Renomeando colunas
• Aula 27 – Selecionando colunas
• Aula 28 – Como criar e alterar colunas
• Aula 29 – Como aplicar filtros em linhas
• Aula 30 – Como fazer operações por grupos de dados
• Aula 31 – Como sumarizar os dados
• Aula 32 – Formato long vs wide
• Aula 33 – Como fazer cruzamento de dados
• Aula 34 – Lidando com datas no Python
• Aula 35 – Identificando e tratando dados faltantes
• Aula 36 – Como deflacionar uma série
• Aula 37 – Como fazer ajuste sazonal
• Aula 38 – Introdução à visualização de dados e *storytelling*
• Aula 39 – Produzindo gráficos
• Aula 40 – Produzindo relatórios
• Aula 41 – Produzindo dashboards
• Aula 42 – Como automatizar o processo de análise de dados?

• Aula 01 – Preparando o ambiente;
• Aula 02 – Dados Univariados: vetores, estatísticas descritivas e dados categóricos;
• Aula 03 – Dados Bivariados: amostras independentes, estruturas de dados no R/Python e dados emparelhados;
• Aula 04 – Dados Multivariados: data frames, aplicando funções sobre dados e dados externos;
• Aula 05 – Gráficos Multivariados: gráficos básicos, ggplot2 e matplotlib;
• Aula 06 – População: variáveis aleatórias discretas e diferentes tipos de distribuição;
• Aula 07 – Inferência Estatística;
• Aula 08 – Intervalos de Confiança;
• Aula 09 – Testes de Significância;
• Aula 10 – Qualidade do Ajuste;
• Aula 11 – Regressão Linear;
• Aula 12 – Análise de Variância;
• Aula 13 – Extensões: modelos lineares generalizados e modelos não lineares.

• Aula 01 – Preparando o ambiente;
• Aula 02 – Regressão linear simples;
• Aula 03 – Regressão linear múltipla: estimação;
• Aula 04 – Regressão linear múltipla: inferência;
• Aula 05 – Regressão linear múltipla: OLS assintótico;
• Aula 06 – Regressão linear múltipla: outros problemas;
• Aula 07 – Regressão linear múltipla com variáveis qualitativas;
• Aula 08 – Heterocedasticidade;
• Aula 09 – Mais em especificações e problemas de dados

• Aula 01 – Apresentação do Curso;
• Aula 02 – Características de Séries Temporais;
• Aula 03 – Regressão de Séries Temporais e Análise Exploratória de Dados;
• Aula 04 – Estudo de Caso: Estimando uma Curva IS via OLS, TSLS e GMM;
• Aula 05 – Introdução a Modelos Univariados;
• Aula 06 – Funções de Autocorrelação;
• Aula 07 – Processos ARMA;
• Aula 08 – Testes de Estacionariedade;
• Aula 09 – Metodologia Box-Jenkins: construindo modelos univariados de previsão;
• Aula 10 – Estudo de Caso: construindo um modelo SARIMA para a inflação brasileira;
• Aula 11 – Introdução a Modelos Multivariados;
• Aula 12 – Vetores Autorregressivos;
• Aula 13 – Estudo de Caso: usando modelos VAR para previsão;
• Aula 14 – Modelo VAR Estrutural (SVAR);
• Aula 15 – Estudo de Caso: Análise de funções impulso-resposta;
• Aula 16 – Regressões Espúrias;
• Aula 17 – O conceito de cointegração e o modelo de correção de erros;
• Aula 18 – Estudo de Caso: Dívida Bruta e Incerteza Econômica;
• Aula 19 – A metodologia de Johansen e o Vetor de Correção de Erros (VEC);
• Aula 20 – Estudo de Caso: Previsão do Desemprego medido pela PNAD através de um modelo VEC;
• Aula 21 – VEC Estrutural;
• Aula 22 – Teste de Causalidade de Granger;
• Aula 23 – O procedimento de Toda-Yamamoto;
• Aula 24 – Estudo de Caso: Consumo de Energia Elétrica e Crescimento do PIB;
• Aula 25 – Estudo de Caso: Uma comparação econométrica entre o CAGED e a PNAD Contínua;

Aulas

• Aula 01 – Apresentação do Curso;
• Aula 02 – Fundamentos Estatísticos;
• Aula 03 – Coleta de dados financeiros com o R;
• Aula 04 – Mercados Financeiros;
• Aula 05 – Juros;
• Aula 06 – Riscos financeiros;
• Aula 07 – Produtos financeiros
• Aula 08 – Mercado de Renda Fixa;
• Aula 09 – Mercado de Ações;
• Aula 10 – Risco vs. Retorno;
• Aula 11 – Seleção de Carteira e Teoria de Markowitz;
• Aula 12 – Índice de Sharp;
• Aula 13 – Capital Asset Pricing Model (CAPM);
• Aula 14 – Modelo Fama-French;
• Aula 15 – Derivativos

Projetos

• Projeto de Curso 01 – Transformando preços em retornos;
• Projeto de Curso 02 – Construindo um Shiny App para Retornos de Portfólios;
• Projeto de Curso 03 – Construindo um Shiny App para Desvio-Padrão;
• Projeto de Curso 04 – Construindo um Shiny App para assimetria e curtose de retornos;
• Projeto de Curso 05 – Shiny App para índice sharpe;
• Projeto de Curso 06 – Shiny App para CAPM Beta;
• Projeto de Curso 07 – Construindo um Shiny App para o modelo Fama-French;
• Projeto de Curso 08 – Contribuição do ativo para o desvio padrão do portfólio;
• Projeto de Curso 09 – Simulação de Monte Carlo

• Aula 01 – Preparando o ambiente: tudo o que você precisa para começar no Python;
• Aula 02 – Estruturas de Dados: vetores, listas, matrizes e dataframes;
• Aula 03 – Importação de Dados: APIS, planilhas Excel, pdfs e arquivos proprietários;
• Aula 04 – Visualização de Dados com seaborn e matplotlib;
• Aula 05 – Ambientes Controlado: criando funções, if-else, while loop, for loop, break e continue;
• Aula 06 – Análise Exploratória de Dados Macroeconômicos: transformações de séries temporais, defasagens, diferenciação, médias móveis, deflacionamento de séries, curvas de phillips, curvas de juros e convergência de renda;
• Aula 07 – Análise Exploratória de Microdados: exemplos com datasus, censos e auxílio emergencial;
• Aula 08 – Modelos: regressão linear, ARIMA, Dados em Painel e Scikit Learn;
• Aula 09 – Comunicando Resultados;
• Aula 10 – Projeto de Curso: Gráficos para Análises e Operações no Python;
• Aula 11 – Projeto de Curso: Python e Finanças: relação de risco e retorno;
• Aula 12 – Projeto de Curso: DataReader e Análises com Yahoo! Finance;
• Aula 13 – Projeto de Curso: Regressões Lineares no Python;
• Aula 14 – Projeto de Curso: Estimando o Beta de Mercado no Python;
• Aula 15 – Projeto de Curso: Seleção de Fatores via Machine Learning;
• Aula 16 – Projeto de Curso: Construindo o juro real e o juro neutro em Python;
• Aula 17 – Projeto de Curso: Estrutura a Termo da Taxa de Juros em Python;
• Aula 18 – Projeto de Curso: Construindo uma carteira de investimentos em Python;
• Aula 19 – Projeto de Curso: Criando medidas de volatilidade no Python;
• Aula 20 – Projeto de Curso: Cointegração e Pair Trading no Python;
• Aula 21 – Projeto de Curso: Análise de Portfólio com pyfolio;
• Aula 22 – Projeto de Curso: Filtro de Kalman e Beta de Mercado;
• Aula 23 – Projeto de Curso: Médias Móveis Simples para Trading com o Python;
• Aula 24 – Projeto de Curso: Criando indicadores fundamentalistas com Python;
• Aula 25 – Projeto de Curso: Integração com a plataforma MetaTrader;

Aulas

• Aula 01 – Introdução à macroeconomia: o que é macroeconomia, motivações clássicas da macroeconomia, como pensam os economistas, conceitos fundamentais, preparando o ambiente;
• Aula 02 – O produto interno bruto: o que é o PIB, óticas do PIB, PIB nominal vs. real, deflator do PIB;
• Aula 03 – A economia no curto prazo: entendendo o ciclo econômico e o hiato do produto;
• Aula 04 – A economia no longo prazo: modelo de Solow e extensões;
• Aula 05 – Economia intertemporal: a microeconomia por trás da macro;
• Aula 06 – A teoria e a prática da política econômica;
• Aula 07 – Coleta e tratamento de dados macroeconômicos;
• Aula 08 – Fundamentos Estatísticos para lidar com dados macroeconômicos

Projetos

• Projeto de Curso 01: Coleta e tratamento de dados do PIB;
• Projeto de Curso 02: Coleta e tratamento de dados da produção industrial, vendas do comércio e serviços;
• Projeto de Curso 03: análise do mercado de trabalho através da PNAD e do CAGED;
• Projeto de Curso 04: análise da inflação no Brasil;
• Projeto de Curso 05: análise do mercado de crédito;
• Projeto de Curso 06: juro real vs juro neutro;
• Projeto de Curso 07: Estrutura a Termo da Taxa de Juros;
• Projeto de Curso 08: lidando com expectativas do boletim Focus;
• Projeto de Curso 09: análise de dados fiscais;
• Projeto de Curso 10: análise de dados de economia internacional;
• Projeto de Curso 11: criando relatórios personalizados de macroeconomia;
• Projeto de Curso 12: criando dashboards com indicadores macroeconômicos;

• Aula 01 – Apresentação do Curso;
• Aula 02 – Introdução aos dados financeiros e suas propriedades;
• Aula 03 – Modelos Lineares Univariados (ARMA, ARIMA, ARIMAX, SARIMA, SARIMAX e metodologia Box-Jenkins);
• Aula 04 – Modelos Multivariados com séries estacionárias e não estacionárias (VAR, SVAR, Cointegração, VECM e SVECM);
• Aula 05 – Volatilidade de Ativos e Modelos de Volatilidade (ARCH, GARCH, IGARCH, GARCH-M e EGARCH);
• Aula 06 – Estudo de Caso – Aplicações de modelos de volatilidade

• Aula 01 – Apresentação do Curso e Análise de balanços e demonstrações contábeis;
• Aula 02 – Coletando e analisando dados do Balanço Patrimonial com o R e o Python;
• Aula 03 – Coletando e analisando dados da DRE com o R e Python;
• Aula 04 – Coletando e analisando dados da DFC com o R e Python;
• Aula 05 – Estrutura e Análise Horizontal e Vertical das Contas Contábeis;
• Aula 06 – Indicadores Contábeis;
• Aula 07 – Indicadores de Liquidez;
• Aula 08 – Indicadores de Endividamento;
• Aula 09 – Indicadores de Eficiência;
• Aula 10 – Indicadores de Crescimento;
• Aula 11 – Construção de Dashboard de Indicadores e Demonstrativos;
• Aula 12 – Automatizando o dashboard de indicadores;
• Aula 13 – Valuation de empresas usando o R e o Python;