FINANČNÍ ANALÝZA S PYTHONEM
Ovládni nástroje, které formují budoucnost financí a proměň čísla ve strategie. Python mění svět finanční analýzy – automatizuje procesy, zpřesňuje predikce a zrychluje rozhodování. Objev s námi nové možnosti datové analytiky ve financích.
Jan Šanda
Head of Data Management
ČSOB
-
Naučíš se analyzovat finanční data v Pythonu a získávat z nich přesné a užitečné informace.
-
Automatizace výpočtů a reportingu ti umožní pracovat rychleji a minimalizovat chyby.
-
Osvojíš si metody modelování rizik a predikce trendů pro lepší finanční rozhodování.
-
Zvládneš vizualizaci finančních dat tak, aby byla jasná, srozumitelná a použitelná v praxi.
- Zarezervujte si své místo
PO ABSOLVOVÁNÍ KURZU BUDEŠ UMĚT:
-
využívat Python a pracovat s pandas a NumPy pro analýzu a zpracování finančních dat,
-
automatizovat reporting a vizualizovat trendy v Matplotlib a Seaborn,
-
modelovat rizika a vytvářet predikce pomocí scikit-learn a machine learningu,
-
propojovat Python s Excelem, SQL databázemi a Power BI pro efektivní workflow,
-
pracovat s velkými objemy dat, API a historickými datasety pro komplexní analýzy,
-
vytvářet vlastní analytické nástroje a optimalizovat finanční modely,
-
používat AI asistenta (GitHub Copilot) pro interpretaci a optimalizaci modelů.
Lektor
Jan Šanda
Head of Data Management, ČSOB
-
Působí jako Head of Data Managementu v ČSOB, kde má na starost datové strategie a optimalizaci procesů v oblasti financí, rizik a regulací.
-
Má více než 7 let zkušeností ve finančnictví. Jako team leader v ČSOB se zaměřoval na řízení úvěrových a tržních rizik, datovou analýzu a automatizaci procesů.
-
V Hypoteční bance se zabýval vývojem datových řešení a rozhodovacích algoritmů, spravoval datové sklady a implementoval machine learning modely pro řízení rizik a finanční analýzu.
KURZ JE PRO TEBE, POKUD CHCEŠ:
-
ZÍSKAT KONTROLU NAD FINANČNÍMI DATY
Python ti umožní analyzovat finanční data rychleji, přesněji a bez chyb. Automatizuj rutinní úkoly, zpracovávej data efektivně a využívej pokročilé modely pro predikce a analýzu časových řad.
-
PŘEKONAT LIMITY TRADIČNÍCH NÁSTROJŮ
Propojením Pythonu s SQL a Excelem získáš výkonnější analytické nástroje. Nauč se efektivně integrovat různé zdroje dat, automatizovat analýzy a zrychlit workflow pomocí pokročilých knihoven.
-
PŘEDCHÁZET RIZIKŮM
Získej přesnější přehled o rizicích a minimalizuj chybovost v reportech. Ať jsi risk manager, nebo podnikatel, Python ti umožní analyzovat kreditní riziko, modelovat tržní scénáře a vytvářet sofistikované finanční modely s využitím machine learningu.
Program
-
1. lekce
Práce s finančními daty v Pythonu
- Získávání a načítání finančních dat (API, CSV, databáze)
- Zpracování a čištění dat s pandas a numpy
- Explorativní analýza finančních dat
- Datová kvalita a identifikace outlierů v datasetu
Praktické cvičení: Načti data o akciových trzích, proveď základní čištění a vytvoř vizualizace vývoje cen a objemu obchodů.
Výstupy z lekce: Umíš získávat a načítat finanční data, provádět jejich základní úpravy a transformace a využívat knihovny pandas a numpy pro analýzu.
-
2. lekce
Integrace Pythonu s dalšími nástroji
- Propojení Pythonu a SQL
- Generování a exporty do Excelu
- Tvorba prezentací a reportů
- Zapojení Pythonu do běžného finančního workflow
Praktické cvičení: Stáhni data z SQL databáze, proveď transformaci v Pythonu, ulož výstupy do Excelu a vygeneruj PowerPoint prezentaci.
Výstupy z lekce: Umíš kombinovat Python s dalšími analytickými nástroji, dokážeš v rámci workflow pracovat s SQL a Pythonem a máš přehled o výhodách jednotlivých nástrojů.
-
3. lekce
Automatizace běžných činností
- Práce s různými typy souborů (CSV, Excel, JSON)
- Automatizace opakovaných úloh
- Zrychlení a optimalizace analytických workflow
Praktické cvičení: Napiš program, který automaticky načte, zpracuje a vygeneruje reporty ve formátu CSV a Excel.
Výstupy z lekce: Umíš pracovat s různými typy souborů, automatizovat rutinní úkoly a efektivně zpracovávat a analyzovat data.
-
4. lekce
Vizualizace a reporting
- Zásady efektivní vizualizace (best practices, common pitfalls)
- Přehled balíčků (Matplotlib, Seaborn, Plotly, Dash)
- Statické vs. interaktivní vizualizace
Praktické cvičení: Stáhni si reálná bankovní data a vytvoř různé typy vizualizací s využitím několika balíčků.
Výstupy z lekce: Umíš vybrat vhodný typ grafu pro konkrétní data, rozumíš rozdílům mezi statickou a interaktivní vizualizací a máš přehled o vizualizačních nástrojích.
-
5. lekce
Pokročilá práce s finančními daty
- Stahování finančních dat z API (Yahoo Finance, Alpha Vantage)
- Automatizace stahování dat v pravidelných intervalech
- Ukládání historických dat do databází
- Efektivní práce s velkými datovými soubory
Praktické cvičení: Stáhni historická data z API, ulož je do databáze a analyzuj trendy na velkých souborech.
Výstupy z lekce: Umíš získávat finanční data z API, efektivně pracovat s velkými soubory a ukládat a zpracovávat historická data.
-
6. lekce
Kvantitativní modelování a risk management 2.0
- Stresové testy a makroekonomické scénáře
- Credit risk modeling (PD / LGD / EAD)
- Monte Carlo simulace
Praktické cvičení: Proveď základní stress test na portfolio při změně makroekonomických proměnných.
Výstupy z lekce: Umíš implementovat základní stresové testy, rozumíš konceptům credit risk modelingu a dokážeš aplikovat metody jako Value at Risk.
-
7. lekce
Pokročilá explorativní analýza a příprava finančních dat
- Základní statistické ukazatele (rozptyl, směrodatná odchylka, kvartily)
- Pokročilé vizualizační techniky (scatter matrix, heatmap korelací)
- Feature engineering pro modelování
Praktické cvičení: Uprav dataset pro regresní nebo simulační analýzu.
Výstupy z lekce: Umíš počítat základní statistické ukazatele, provádět detailní explorativní analýzu a vytvářet nové proměnné pro modelování.
-
8. lekce
Základy machine learning modelů ve financích
- Úvod do machine learning modelů
- Výběr správného modelu pro konkrétní use case
- Vyhodnocení funkčnosti modelů
Praktické cvičení: Vytvoř základní machine learning model pro predikci selhání dlužníka.
Výstupy z lekce: Rozumíš fungování machine learning modelů, dokážeš zvolit správný model pro konkrétní úlohu a vyhodnotit jeho predikční schopnosti.
-
9. lekce
Umělá inteligence ve financích I.
- Stromové metody
- Neuronové sítě
Praktické cvičení: Navážeme na předcházející cvičení a budeme pokračovat se stejným datasetem pro predikci selhání klienta, tentokrát s využitím pokročilejších metod.
Výstupy z lekce: Rozumíš fungování stromových metod, umíš aplikovat pokročilé algoritmy na finanční data a dokážeš porovnat jejich predikční schopnosti.
-
10. lekce
Umělá inteligence ve financích II.
- Explainable AI: Shapley values a interpretace modelů
- Efektivní práce s Copilotem při kódování
Praktické cvičení: Navrhni a otestuj AI model pro analýzu finančních rizik s využitím pokročilých technik.
Výstupy z lekce: Dokážeš vysvětlit fungování pokročilých modelů a umíš efektivně využívat nástroje jako GitHub Copilot při kódování.
ZÍSKEJ VÍCE INFORMACÍ O KURZU FINANČNÍ ANALÝZA S PYTHONEM
🔹Upozornění: Počet míst v kurzu je omezený, abychom zajistili nejlepší vzdělávací podmínky pro naše studenty.
📌 Po odeslání předběžné přihlášky budete přesměrováni na krátký dotazník, který nám pomůže zjistit více informací o vašich zkušenostech.