Практическое использование анализа данных для финансов

Хотите получать больше? Анализ данных в финансах – востребованная компетенция, спрос на которую не падает уже несколько лет.

В данном курсе вы получите набор конкретных методик, множество примеров из реальных кейсов и несколько программ на Python, чтобы использовать их в ваших задачах. Вы узнаете о том, как разработать стандартную систему показателей скоринга с помощью технологий машинного обучения, которые чаще всего используются для измерения кредитоспособности клиентов.

Курс рассчитан на студентов, младших специалистов в финансовой сфере, на ИТ-специалистов, желающих работать в финансах. Курс требует базового знания Python. Знание английского не обязательно, но желательно, т.к. часть дополнительных материалов дается на английском языке.

После этого курса вы:
- сможете идентифицировать риски и строить модели предсказания рисков;
- будете ориентироваться в классических моделях предсказания рисков;
- научитесь строить Roc-кривую и логистическую регрессию на Python;
- сможете задавать метрики машинного обучения и использовать метод опорных векторов.

В конце курса, используя пройденный материал, вы самостоятельно построите модель предсказания дефолта клиента (скоринг). Решение этого кейса может стать украшением вашего профессионального портфолио.

Курс рассчитан на 6-8 недель. Не менее двух недель рекомендуем отвести на решение итогового задания.

• Что такое риски?
• На этой неделе мы начнем разговаривать о том, что такое риски. Научим оценивать вероятность дефолта и потери в случае дефолта, а также покажем, как использовать анализ данных для прогнозирования рисков.
• Классические модели
• На этой неделе расскажем про такие популярные классические модели оценки рисков как модель Альтмана и Risc Calc, а также научим строить выборки для прогнозирования рисков.
• Анализ рисков с помощью Python
• На этой неделе узнаем, как связаны стандартное отклонение и волатильность, что такое бета и как она влияет на опционы. На Python построим логистическую регрессию и Roc-кривую.
• Реализация на практике
• На этой неделе оценим влияние демографических факторов и финансовых показателей на оценки рисков. На Python напишем модели машинного обучения для предсказания рисков.
• Управление рисками с помощью машинного обучения
• На этой неделе обсудим, что такое переобучение и в чем его опасность, узнаем основные методы машинного обучения (логистическая регрессия, случайный лес) и метрики для оценки точности моделей машинного обучения (решающие деревья, метод опорных векторов) и выполним итоговый проект, в котором построим модель предсказания дефолта клиента.