Sou graduando em Matemática Aplicada pela UFRJ (previsão Junho/2026), focado na construção de modelos matemáticos robustos para o mercado financeiro e segurador. Tenho experiência em conectar teoria complexa (Processos Estocásticos, EDPs) com código de produção eficiente.
- 🔭 Atualmente: Pesquisador Cientista de Dados no LabMA (Fundação COPPETEC), validando modelos atuariais de grande escala e pipelines de dados para o mercado segurador.
- 🏆 Destaque: Top 4% (Top 40/953) no Itaú Quant Challenge 2025.
- 💡 Interesses: Finanças Quantitativas, Machine Learning, NLP/LLMs e Engenharia de Dados.
- 📚 Formação: Foco acadêmico em Estatística, Análise Real, Cálculo Estocástico e Álgebra Linear.
- 🇺🇸 Idiomas: Inglês Avançado (C1 - EF SET), Português Nativo.
Desenvolvimento de uma estratégia Long-Only adaptativa ao regime de mercado.
- Tech: Python, Scikit-learn, TDA (Topological Data Analysis), HRP (Hierarchical Risk Parity).
- Resultado: Sharpe Ratio de 1.18 com confiança de 88.4%, garantindo posição no Top 40 da competição.
- Diferencial: Combinação de Machine Learning com análise topológica para detecção de regimes.
Pesquisa de graduação sobre modelagem de microestrutura de mercado.
- Tech: Python (NumPy/SciPy), Métodos de Diferenças Finitas.
- Teoria: Sistema acoplado de EDPs (Hamilton-Jacobi-Bellman e Fokker-Planck).
- Aplicação: Simulação de interação entre HFTs e Market Makers, demonstrando fenômenos de "Liquidity Crunch" com dados da B3 (1986-2025).
Linguagens & Core:
Data Science & Quant:
Engenharia & Cloud:
- Fundação COPPETEC (LabMA): Validação de modelos atuariais (SUSEP), ETL em Python/SQL e calibração estatística de curvas de mortalidade.
- FGV IBRE: Implementação de sistemas RAG com LLMs para dados econômicos e pipelines de OCR.