اگر تا به حال درخواست کارت اعتباری یا وام داده اید، می دانید که شرکت های مالی قبل از تصمیم گیری اطلاعات شما را پردازش می کنند. این به این دلیل است که دادن وام به شما می تواند تأثیر مالی جدی بر تجارت آنها داشته باشد. اما چگونه تصمیم می گیرند؟ در این دوره با نحوه تهیه داده های درخواست اعتبار آشنا می شوید. پس از آن، یادگیری ماشین و قوانین تجاری را برای کاهش ریسک و اطمینان از سودآوری اعمال خواهید کرد. شما از دو مجموعه داده استفاده خواهید کرد که برنامه های اعتباری واقعی را تقلید می کنند در حالی که بر ارزش تجاری تمرکز می کنند. به من بپیوندید و ارزش مورد انتظار مدل سازی ریسک اعتباری را بیاموزید!

در مدیریت ریسک کمی (QRM)، مدل‌هایی برای درک ریسک‌های پرتفوی مالی خواهید ساخت. این یک وظیفه حیاتی در سراسر صنعت بانکداری، بیمه و مدیریت دارایی است. اولین گام در فرآیند ساخت مدل، جمع آوری داده ها در مورد عوامل خطر اساسی است که بر ارزش پورتفولیو تأثیر می گذارد و رفتار آنها را تجزیه و تحلیل می کند. در این دوره آموزشی، نحوه کار با سری‌های بازده عامل ریسک، مطالعه ویژگی‌های تجربی یا به اصطلاح «واقعیت‌های سبک‌سازی‌شده» این داده‌ها - از جمله غیرعادی بودن و نوسان‌پذیری معمولی آن‌ها، و تخمین‌هایی از ارزش در معرض خطر برای یک پورتفولیو را خواهید آموخت.

مدیریت ریسک با استفاده از مدیریت ریسک کمی یک وظیفه حیاتی در صنعت بانکداری، بیمه و مدیریت دارایی است. ضروری است که تحلیلگران ریسک مالی، تنظیم‌کننده‌ها و اکچوئرها بتوانند به طور کمی پاداش‌ها را در مقابل ریسک‌شان متعادل کنند.

این دوره از طریق بررسی بحران مالی 2007-2008 و تأثیر آن بر بانک های سرمایه گذاری مانند گلدمن ساکس و جی پی مورگان، شما را با مدیریت ریسک پرتفوی مالی آشنا می کند. شما یاد خواهید گرفت که چگونه از پایتون برای محاسبه و کاهش مواجهه با ریسک با استفاده از معیارهای ارزش در معرض خطر و ارزش شرطی در خطر، تخمین ریسک با تکنیک هایی مانند شبیه سازی مونت کارلو و استفاده از فناوری های پیشرفته مانند شبکه های عصبی برای انجام تعادل مجدد پورتفولیو در زمان واقعی استفاده کنید.

در این مقدمه مالی گرا برای R، ساختارهای داده ضروری مانند فهرست ها و چارچوب های داده را خواهید آموخت و این شانس را خواهید داشت که آن دانش را در نمونه های مالی دنیای واقعی به کار ببرید. در پایان دوره، با اصول دستکاری داده های خود برای انجام تجزیه و تحلیل مالی در R راحت خواهید بود.

صنعت مالی به طور گسترده از Python برای تجزیه و تحلیل کمی استفاده می کند، از درک پویایی معاملات تا سیستم های مدیریت ریسک. این دوره به شما نشان می دهد که چگونه با ایجاد مهارت های پایتون، داده های مالی خود را تجزیه و تحلیل کنید. فصل اول توضیح می دهد که چگونه پایتون و امور مالی دست به دست هم می دهند. سپس با اصول پایتون مانند خروجی چاپ، انجام محاسبات، درک انواع داده ها و ایجاد متغیرها آشنا خواهید شد. در مرحله بعد، فهرست‌ها و آرایه‌ها را در پایتون پوشش می‌دهید و نحوه استفاده از آنها را برای کار با داده‌ها بررسی می‌کنید. شما از بسته های NumPy و Matplotlib برای دستکاری و تجسم داده ها استفاده خواهید کرد. در نهایت، دوره را با انجام یک تحلیل مالی پایتون بر روی مجموعه داده S&P 100 به پایان خواهید رساند. در اینجا، مهارت‌های پایتون خود را برای فیلتر کردن لیست‌ها، خلاصه کردن داده‌های بخش، ترسیم نسبت‌های P/E در هیستوگرام، تجسم روندهای مالی و شناسایی موارد پرت به کار می‌گیرید. در پایان دوره، شما از مهارت های پایتون و مهارت های عملی تجزیه و تحلیل مالی خود مطمئن خواهید شد. این مهارت‌ها در صنعت مالی برای حل مشکلات مالی کمی پاداش بالایی دارند. این دوره بخشی از مسیر مبانی مالی ما در پایتون است که برای کسانی که می‌خواهند برای امور مالی عمیق‌تر به پایتون بپردازند، عالی است.

یک قانون طلایی در سرمایه‌گذاری این است که همیشه استراتژی پرتفوی را بر روی داده‌های تاریخی آزمایش کنید، و هنگامی که استراتژی را معامله می‌کنید، به طور مداوم بر عملکرد آن نظارت کنید. در این دوره، با تجزیه و تحلیل انتقادی بازده پورتفولیو با استفاده از بسته PerformanceAnalytics، این را یاد خواهید گرفت. این دوره همچنین نشان می دهد که چگونه می توان وزن های پرتفوی را که به طور بهینه ریسک و بازده را متعادل می کند، تخمین زد. این یک دوره آموزشی مبتنی بر داده است که تئوری پورتفولیو را با تمرین در R ترکیب می کند، که در نمونه های واقعی از پرتفوی سهام و مشکلات تخصیص دارایی نشان داده شده است. اگر می‌خواهید پس از پایان این دوره به کاوش در داده‌ها ادامه دهید، داده‌های استفاده شده در سه فصل اول را می‌توان با استفاده از tseries-package به‌دست آورد.

آیا تا به حال به این فکر کرده اید که آیا صندوق سرمایه گذاری واقعاً یک سرمایه گذاری خوب است؟ یا دو گزینه سرمایه گذاری را با هم مقایسه کرد و پرسید که تفاوت این دو چیست؟ شاخص ریسک این صندوق ها اصلا به چه معناست؟ یا اینکه اغلب در کار روزانه خود با داده های مالی کار می کنید و می خواهید برتری داشته باشید؟ در این دوره آموزشی، با یادگیری پرتفوی، ریسک و بازده و نحوه تحلیل انتقادی آنها، با دنیای هیجان انگیز سرمایه گذاری آشنا می شوید. با کار بر روی داده‌های تاریخی واقعی سهام، یاد می‌گیرید که چگونه معیارهای معنی‌دار ریسک را محاسبه کنید، چگونه عملکرد را تجزیه کنید و چگونه یک پرتفوی بهینه برای ریسک و بازده مورد نظر محاسبه کنید. پس از این دوره، می‌توانید در مورد سرمایه‌گذاری تصمیم‌های مبتنی بر داده بگیرید و درک بهتری از سبد سرمایه‌گذاری داشته باشید.

تجزیه و تحلیل صورتهای مالی بخش مهمی از درک سلامت مالی شرکت است. در این دوره به بررسی صورت های مالی یک شرکت خودروسازی ساختگی به نام Larry's Automotive می پردازیم.

تحلیل خود را بر صورت سود و زیان و ترازنامه متمرکز خواهیم کرد. از تجسم داده‌ها برای ایجاد داشبوردهای سفارشی برای اطلاعات مالی شرکت استفاده خواهید کرد که به شما در شناسایی روندها، KPIها و خطاها کمک می‌کند.

علاوه بر محاسبه معیارهای کلیدی عملکرد، مانند COGs و EBITDA، برای تعیین نسبت‌های سودآوری کلیدی، مانند حاشیه سود، زمان صرف خواهیم کرد. این مهارت ها شما را در مسیر خوبی برای تبدیل شدن به یک تحلیلگر مالی قرار می دهد.

این دوره به شما می آموزد که چگونه ریسک و بازده سهام اولیه را مانند یک تحلیلگر کمی در وال استریت ارزیابی کنید. این مهم ترین گام در جهت خودکارسازی کامل فرآیندهای ساخت و مدیریت پورتفولیو است. کشف کنید چه عواملی باعث بازدهی پرتفوی شما می شود، سبدهای سهام وزنی با ارزش بازار بسازید، و یاد بگیرید که چگونه ریسک بازار را از طریق تولید سناریو پیش بینی و محافظت کنید.

درک اصول اساسی امور مالی برای اتخاذ تصمیمات مالی مهم از گرفتن وام دانشجویی تا ساختن یک سبد سرمایه گذاری ضروری است. ترکیب دانش مالی اولیه با پایتون به شما امکان می دهد ابزارهای بسیار قدرتمندی بسازید. شما از این دوره با درک ارزش زمانی پول، نحوه مقایسه پروژه های بالقوه و نحوه اتخاذ تصمیمات مالی منطقی و مبتنی بر داده ها آشنا خواهید شد.

اگر می‌خواهید مهارت‌های جدید «Python for Data Science» را در داده‌های مالی دنیای واقعی اعمال کنید، این دوره ابزارهای بسیار ارزشمندی را در اختیار شما قرار می‌دهد. ابتدا یاد می گیرید که چگونه داده ها را از اکسل به پانداها منتقل کنید و برگردانید. سپس، یاد خواهید گرفت که چگونه قیمت سهام را از API های آنلاین مختلف مانند گوگل یا یاهو امور مالی، داده های کلان از فدرال رزرو، و نرخ ارز از OANDA. در نهایت، نحوه محاسبه بازده برای افق های زمانی مختلف را یاد خواهید گرفت. تجزیه و تحلیل عملکرد سهام بر اساس بخش برای IPOها، و محاسبه و خلاصه همبستگی.

اگر تا به حال کاری با سری های زمانی مالی یا اقتصادی انجام داده اید، می دانید که داده ها در اشکال، اندازه ها و دوره های مختلف وجود دارند. دریافت داده‌ها در R می‌تواند استرس‌زا و زمان‌بر باشد، به‌ویژه زمانی که نیاز دارید داده‌ها را از چندین منبع مختلف در یک مجموعه داده ادغام کنید. این دوره شامل وارد کردن داده ها از فایل های محلی و همچنین از منابع اینترنتی می شود.