Currículo Completo: 8 Módulos para Entender Plataformas de Negociação Algorítmica

Ementa: Definição e tipologia de plataformas de negociação automatizada. Componentes principais de um sistema algorítmico: motor de estratégia, gerenciador de ordens, sistema de conectividade, módulo de risco e interface de dados. Como cada componente se integra ao ecossistema mais amplo de mercado.

Objetivos de aprendizagem: Ao concluir este módulo, o aluno será capaz de descrever a arquitetura geral de uma plataforma algorítmica, identificar cada componente funcional e explicar o fluxo de informação desde a captura de dados de mercado até a submissão de uma ordem.

Referências-base: Aldridge, I. (2013). High-Frequency Trading. Wiley; documentação pública da B3 sobre conectividade.

Ementa: Taxonomia de algoritmos de negociação: algoritmos de execução (VWAP, TWAP, IS), algoritmos de market-making (cotação de bid/ask, gestão de inventário), algoritmos de arbitragem (estatística, triangular, de latência). Lógica de decisão de cada tipo - como as regras são formuladas e por que, sem transformar isso em recomendação de uso.

Objetivos de aprendizagem: Distinguir as categorias de algoritmos de negociação, descrever a lógica de funcionamento de cada tipo e reconhecer a diferença entre um algoritmo de execução (que implementa uma decisão já tomada por um humano) e um sistema de geração de sinal (que tenta prever preços).

Referências-base: Harris, L. (2003). Trading and Exchanges. Oxford University Press; O'Hara, M. (1995). Market Microstructure Theory. Blackwell.

Ementa: O ciclo de vida de uma ordem: recebimento pela corretora (OMS/EMS), roteamento ao gateway da bolsa, casamento no matching engine (mecanismos de prioridade: preço-tempo, preço-pro-rata), confirmação de negócio (trade confirmation), liquidação na câmara de compensação (clearinghouse) e custódia final. Papel de cada instituição no processo.

Objetivos de aprendizagem: Descrever cada etapa do ciclo de liquidação de uma ordem, identificar os sistemas de TI envolvidos em cada etapa e compreender a função de câmaras de compensação e depositárias na redução do risco de contraparte.

Referências-base: BIS (2012). Principles for Financial Market Infrastructures; documentação pública da B3 - Câmara de Ações e Câmara de Ativos.

Ementa: Como dados de preço, volume e book de ordens são gerados pelas bolsas e distribuídos via feeds de dados (market data feeds). Diferença entre dados de nível L1, L2 e L3. Protocolos de disseminação (FAST, FIX, ITCH). Como sistemas algorítmicos consomem, normalizam e armazenam dados de mercado. Latência e seu impacto na qualidade dos dados recebidos.

Objetivos de aprendizagem: Compreender a estrutura dos dados de mercado em diferentes níveis de detalhe, reconhecer os principais protocolos de disseminação e distinguir claramente entre leitura de dados de mercado (função técnica) e geração de sinais de trading (função de previsão, que não é objeto deste curso).

Ementa: O que é backtesting e para que serve. Construção de um ambiente de simulação: dados históricos, engine de execução simulada, métricas de avaliação (sem foco em "quanto teria ganhado" - foco em coerência do comportamento do algoritmo). Principais armadilhas metodológicas: overfitting, look-ahead bias, viés de sobrevivência, custos de transação omitidos. Como relatórios de backtesting devem ser interpretados criticamente.

Objetivos de aprendizagem: Compreender os fundamentos metodológicos do backtesting, identificar as principais fontes de viés em testes históricos e avaliar criticamente relatórios de desempenho retroativo - habilidade essencial para quem trabalha com auditoria ou análise de sistemas algorítmicos.

Referências-base: Bailey, D.H. et al. (2014). "The Deflated Sharpe Ratio". Financial Analysts Journal; Lopez de Prado, M. (2018). Advances in Financial Machine Learning. Wiley.

Ementa: Regulamentação de negociação algorítmica no Brasil: Instrução CVM 505, normas da B3 sobre DMA (Acesso Direto ao Mercado), exigências de registro e auditoria de algoritmos. Contexto internacional: MiFID II (Europa), SEC Rule 15c3-5 (EUA), diretrizes ESMA sobre sistemas e controles de trading algorítmico. Circuit breakers regulatórios e kill switches obrigatórios.

Objetivos de aprendizagem: Conhecer o arcabouço regulatório que governa plataformas algorítmicas no Brasil e nos principais mercados internacionais, identificar as obrigações de compliance que recaem sobre operadores e gestores de plataformas, e compreender a lógica por trás das exigências regulatórias de segurança.

Ementa: Classificação de riscos tecnológicos em plataformas de negociação: falhas de software, erros de configuração, ataques cibernéticos externos e riscos de latência. Estudo de incidentes históricos documentados: Flash Crash de 2010 (análise técnica), falha da Knight Capital em 2012 (erro de deployment de software), incidentes em exchanges de criptoativos. Boas práticas: redundância de sistemas, kill switches, monitoramento em tempo real, gestão de incidentes.

Objetivos de aprendizagem: Identificar categorias de risco tecnológico em sistemas automatizados, analisar casos históricos documentados de falhas em plataformas de negociação e aplicar conceitos de resiliência de sistemas ao contexto de infraestrutura financeira.

Ementa: Estrutura de dados on-chain: transações, mempool, blocos, endereços. Como acessar e interpretar dados públicos de blockchains para fins de estudo. Comparação com dados off-chain de exchanges tradicionais (B3, NYSE). Fontes públicas de dados de mercado brasileiras e internacionais. Limites do que pode ser inferido a partir de dados públicos - distinção rigorosa entre análise descritiva e previsão de preços.

Objetivos de aprendizagem: Compreender a estrutura dos dados públicos on-chain e off-chain, acessar fontes abertas de dados de mercado para fins educacionais e analíticos, e reconhecer os limites metodológicos de inferências baseadas em dados históricos públicos.