Sobre o projeto

# Nowcasting de Volatilidade a partir de Dados de Mercado + Notícias Este projeto prevê a volatilidade realizada de curto prazo do S&P 500 (H=5 dias de negociação) combinando características de mercado (retornos, vols realizadas, intervalos de preços) com sinais de notícias agregados diariamente (sentimento FinBERT + embeddings). ## Declaração do Problema A previsão de volatilidade de curto prazo é central para a gestão de risco (VaR, buffers de capital), estratégias de negociação (arbitragem de volatilidade, hedging) e precificação de derivativos (opções, produtos estruturados). A tarefa é estimar a variância realizada (RV) nos próximos H dias de negociação usando tanto dados de mercado quanto sentimento textual de notícias. O modelo tem como alvo log(1 + RV) para estabilidade e transforma de volta em volatilidade para interpretação. ## Abordagem de Ciência de Dados - **Dados**: Retornos diários do S&P 500, volatilidade realizada, intervalos de máxima-mínima, além de sentimento de notícias agregado diariamente e embeddings do FinBERT - **Alvo**: Variância realizada em H=5 dias de negociação, modelada como log(1+RV_H) - **Validação**: Validação cruzada de tempo expansível com embargo para evitar vazamento de look-ahead de horizontes sobrepostos - **Métricas**: R² (ajuste à magnitude), IC (correlação de postos de Spearman, habilidade de ordenação), QLIKE (perda robusta de volatilidade) - **Interpretação**: Converte de volta para volatilidade diária e anualizada (σ_daily = √(RV_H / H), σ_annual ≈ σ_daily × √252) ## Características Principais - Conjunto de características híbrido combinando dados de mercado e sentimento de notícias - Validação cruzada de tempo expansível com embargo robusta - Painel interativo em Streamlit mostrando verdade fora da amostra vs previsão, volatilidade diária/anualizada derivada, e IC & R² móveis de 63 dias - Pipeline completo desde o processamento de dados até o treinamento e avaliação do modelo - Dockerfile leve para execuções em contêiner - Verificações de CI e testes automatizados ## Demo ao Vivo - **Aplicativo Streamlit**: Disponível no link ao vivo no repositório - **Notebook Colab**: Notebook executável para exploração completa do pipeline ## Prévia dos Resultados Exemplo de previsão mais recente: σ anualizado (H=5) de 17,9%, RV_H ≈ 0,000637, σ_daily ≈ 1,13%. ## Como Executar Localmente Clone o repositório, instale as dependências e execute o aplicativo: ```bash git clone https://github.com/ingo-stallknecht/volatility-nowcasting.git cd volatility-nowcasting pip install -r requirements.txt streamlit run app.py ```