Dedika je platforma pro učení praxí: například sestavit obchodní nabídku, stát se manikérkou nebo naučit se používat nový nástroj. Ať už je váš cíl jakýkoli, nejlepší obsah k danému tématu už existuje. Jenže často je v jiném jazyce, je drahý, roztroušený na různých místech, chybí mu praktická cvičení nebo je součástí příliš dlouhého kurzu, což není ideální pro ty, kdo mají nabitý program. Proto má Dedika vlastní metodu: vyhledáme materiály, ať jsou kdekoli, vybereme to, co dává smysl pro váš cíl, zkontrolujeme je s pomocí expertů, kteří jsou k dispozici pro vaše dotazy, a připravíme praktická cvičení, abyste se učili přímo v praxi. Vy jste tím nejdůležitějším na své cestě a nikdo ji nezná lépe než vy sami: vyberte si obsah i délku kurzu, rozhodněte se, jestli se budete učit s internetem nebo bez něj a v jakém formátu. Může to být video, text, audio nebo shrnutí. Po svém, jen s tím, co vám dává smysl. Tady má každý okamžik věnovaný učení větší hodnotu a rychleji se dostanete k tomu podstatnému.

Ano, všechny naše kurzy mají bezplatnou verzi. Bezplatné kurzy mají stejný kvalitní obsah jako Pro verze, ale neobsahují tutora ani AI hodnocení (bylo by příliš nákladné nabízet zdarma), nemají offline přístup ani možnost tisknout souhrny, mají limit jednu hodinu studia denně a přístup na 90 dní (což je dostatek času na dokončení kurzu). Pokud se soustředíte na učení, náš bezplatný kurz vám postačí k získání všech potřebných znalostí. Pokud však hledáte další výhody, je lepší zvolit Pro. Peníze získané z Pro kurzů jsou pro nás zásadní, abychom mohli nadále nabízet bezplatné kurzy. Tímto způsobem se snažíme vyvážit naši misi s udržitelností projektu.

Kurzy se skládají z nejlepšího obsahu na dané téma z celého světa: videa, audia, články a knihy. Veškerý tento obsah je doplněn souhrny, podcasty (pro knihy a články) a přepisy (pro videa a audia). Vy si vybíráte, jaký způsob konzumace obsahu vám vyhovuje. Každý materiál obsahuje specifické otázky na upevnění znalostí. Navíc je kurz složen z kapitol, které si sami vyberete, takže studujete jen to, co je pro vás důležité. Na konci každé kapitoly je praktický projekt související s vaší profesí, abyste si mohli vyzkoušet, co jste se naučili.

Kurzy se skládají z kapitol, které jste si vybrali, v pořadí, které vám vyhovuje. Každá kapitola má 2 až 5 lekcí a každá lekce obsahuje 2 až 15 témat, kde najdete nejlepší obsah na světě ke studiu.

Naše kurzy obsahují souhrn na konci každé kapitoly, ze kterého si můžete stáhnout PDF a vytisknout jej.

Více než 2 miliony studentů po celém světě

Dostupné ve více než 180 zemích

Certifikát platný ve vaší zemi

Domovská stránka

...

Kurz Data Science pro finance

Všechny kurzy

Podnikání a ekonomie

Finance

Kurz Data Science pro finance

Pro všechny úrovně

Kurz Data Science pro finance

Osvojte si kompletní sadu nástrojů datové vědy aplikovanou na reálné finanční problémy – od získávání tržních dat a modelování rizik po algoritmické obchodování a nasazení do produkce. Tento kurz propojuje kvantitativní finance a moderní strojové učení a dává vám nástroje, které používají profesionálové v hedgeových fondech, bankách a fintech společnostech. Pokud to myslíte vážně s prací na pomezí dat a financí, začněte tady.

Dedika pro firmy

Co se naučíte:

Vybudujete si kompletní dovednosti v oblasti finanční datové vědy – od získávání a čištění tržních dat pomocí Pythonu přes statistickou analýzu, měření rizik až po vývoj modelů strojového učení. Implementujete průmyslové standardy měření rizik, jako je Value at Risk a očekávaná ztráta, a natrénujete modely od lineární regrese po prognostické modely založené na transformerech. Kurz pokrývá návrh algoritmických obchodních strategií s důkladným zpětným testováním, NLP pro finanční texty, optimalizaci portfolia a grafovou analýzu pro detekci podvodů. Naučíte se také nasazovat a monitorovat modely v produkci, komunikovat výsledky zúčastněným stranám a plnit požadavky regulace. Všechna témata využívají reálné finanční datové sady a praktický kód.

Jak studujete v praxi Kurz Data Science pro finance

Jak procvičujete Kurz Data Science pro finance

Pro vás, kteří jste firma a chcete školit svůj tým

V Dedika pro firmy je kurz doplněn o cvičení a příklady přímo z vašeho podnikání a přizpůsoben tak, jak vaše firma potřebuje.

Klikněte zde

Obsah kurzu

8 Kapitoly • 38 LekceDélka mezi 4 a 360 hodinami (rozhodujete vy)

Kapitola 1Zobrazit detaily

Základy financí a datové vědy

Lekce 1 • Typy a zdroje finančních dat
Rozlišuje strukturovaná, nestrukturovaná a alternativní finanční data. Studenti určují vhodné zdroje pro jednotlivé případy analytického použití.
Lekce 2 • Prostředí Pythonu pro finanční analýzu
Nastavuje reprodukovatelné prostředí Pythonu s knihovnami relevantními pro finance. Studenti píší své první skripty pro finanční data s využitím pandas a NumPy.
Lekce 3 • Základní finanční trhy a nástroje
Pokrývá akciové trhy, pevné výnosy, deriváty a devizové trhy jako systémy generující data. Poskytuje finanční kontext nutný pro veškerou navazující analytickou práci.
Lekce 4 • Pracovní postup datové vědy ve financích
Představuje komplexní proces datové vědy aplikovaný na finanční problémy. Rámuje, jak každá fáze – získávání dat, modelování, nasazení – přispívá k obchodní hodnotě.

Kapitola 2Zobrazit detaily

Získávání a čištění finančních dat

Lekce 1 • Budování reprodukovatelných datových procesů
Vyučuje modulární návrh procesů s využitím funkcí a konfiguračních souborů. Zajišťuje, že datové pracovní postupy jsou auditovatelné a opakovaně použitelné napříč projekty.
Lekce 2 • Normalizace a transformace dat
Pokrývá škálování, logaritmickou transformaci a výpočet výnosů pro finanční řady. Připravuje data ve formátech požadovaných navazujícími statistickými a ML modely.
Lekce 3 • Programové získávání tržních dat
Demonstruje získávání dat o cenách, objemech a fundamentech prostřednictvím API. Propojuje získávání dat s analytickým procesem představeným v první kapitole.
Lekce 4 • Zpracování chybějících a chybných dat
Řeší mezery, odlehlé hodnoty a narušení korporátními akcemi běžné ve finančních časových řadách. Studenti aplikují imputační a adjustační techniky na reálné datové sady.

Kapitola 3Zobrazit detaily

Průzkumná analýza finančních dat

Lekce 1 • Testování hypotéz ve financích
Aplikuje t-testy, bootstrapové metody a korekce pro mnohonásobné testování na finanční hypotézy. Chrání před falešnými nálezy ve velkých finančních datových sadách.
Lekce 2 • Analýza korelace a kovariance
Měří lineární a pořadové vztahy mezi finančními aktivy. Pokládá základy pro konstrukci portfolia a faktorovou analýzu.
Lekce 3 • Vzory v časových řadách a sezónnost
Identifikuje trendy, cykly a kalendářní efekty ve finančních datech. Buduje povědomí o datových artefaktech, které mohou zmást prediktivní modely.
Lekce 4 • Vizualizace finančních dat
Vytváří svíčkové grafy, rozdělení výnosů a grafy poklesu pomocí matplotlib a plotly. Efektivní vizualizace urychluje generování hypotéz.
Lekce 5 • Popisná statistika pro finanční řady
Aplikuje průměr, rozptyl, šikmost a špičatost na rozdělení výnosů. Odhaluje nenormalitu a těžké chvosty, které řídí volbu modelů rizika.

Kapitola 4Zobrazit detaily

Kvantitativní měření rizika

Lekce 1 • Zpětné testování modelů rizika
Ověřuje modely VaR pomocí počítání překročení a statistických testů. Zajišťuje, že modely rizika splňují interní a regulatorní výkonnostní standardy.
Lekce 2 • Value at Risk a očekávaná ztráta
Odvozuje VaR a ES pomocí parametrických, historických metod a metody Monte Carlo. Propojuje metriky rizika s regulatorním kapitálem a interními limity rizika.
Lekce 3 • Rozklad rizika portfolia
Rozkládá celkové riziko portfolia na faktorové a idiosynkratické složky. Umožňuje přiřazení rizika jednotlivým pozicím a systematickým angažovanostem.
Lekce 4 • Metody odhadu volatility
Počítá historické odhady volatility a odhady pomocí EWMA a GARCH pro finanční aktiva. Volatilita je základním vstupem pro všechny rizikové a oceňovací modely.
Lekce 5 • Zátěžové testování a analýza scénářů
Navrhuje historické a hypotetické zátěžové scénáře k hodnocení ztrát z chvostových událostí. Zátěžové testování doplňuje VaR zachycením nelineárních rizik a rizik v období krize.

Kapitola 5Zobrazit detaily

Statistické a ML modely pro finance

Lekce 1 • Lineární modely pro finanční predikci
Aplikuje OLS, ridge a lasso regresi na predikci výnosů a faktorové modelování. Lineární modely slouží jako interpretovatelný základ pro veškerou navazující práci s ML.
Lekce 2 • Gradient boosting pro tabulková finanční data
Implementuje XGBoost a LightGBM na strukturovaných finančních datových sadách. Gradient boosting konzistentně překonává jednodušší modely na tabulkových finančních datech.
Lekce 3 • Interpretovatelnost a vysvětlitelnost modelů
K vysvětlení predikcí modelu používá SHAP hodnoty a grafy parciální závislosti. Interpretovatelnost je nezbytná pro regulatorní shodu a důvěru zúčastněných stran.
Lekce 4 • Hodnocení modelů ve finančním kontextu
Aplikuje křížovou validaci, dopředné testování a finanční výkonnostní metriky. Brání zkreslení look-ahead a přeučení při hodnocení modelů na časových řadách.
Lekce 5 • Klasifikace pro finanční výsledky
Trénuje logistickou regresi, rozhodovací stromy a náhodné lesy na binárních finančních výsledcích. Pokrývá kreditní skóring, predikci selhání a směrové obchodní signály.

Kapitola 6Zobrazit detaily

Prognózování časových řad ve financích

Lekce 1 • Klasické modely časových řad
Odhaduje modely ARIMA a SARIMA na stacionárních a sezónních finančních řadách. Stanovuje statistické základní prognostické linie před zavedením přístupů založených na ML.
Lekce 2 • Prognózování volatility s GARCH modely
Rozšiřuje GARCH o EGARCH a GJR-GARCH pro zachycení asymetrické volatility. Prognózy volatility přímo vstupují do oceňování opcí a řízení rizik.
Lekce 3 • Kombinace prognóz a ansámblování
Kombinuje prognózy z více modelů pro snížení rozptylu a zlepšení přesnosti. Ansámblové metody jsou standardní praxí v produkčním finančním prognózování.
Lekce 4 • Rekurentní neuronové sítě pro sekvence
Vytváří sítě LSTM a GRU pro predikci sekvenčních finančních dat. Hluboké modely sekvencí zachycují závislosti na dlouhou vzdálenost, které klasické modely postrádají.
Lekce 5 • Transformer modely pro finanční prognózování
Aplikuje architektury transformerů založené na pozornosti na vícerozměrné finanční prognózování. Transformery efektivně zvládají dlouhé sekvence a závislosti napříč aktivy.

Kapitola 7Zobrazit detaily

Algoritmické obchodování a vývoj strategií

Lekce 1 • Hodnocení výkonnosti strategie
Měří kvalitu strategie pomocí Sharpeho, Sortinova, Calmarova poměru a metrik poklesu. Rozlišuje skutečnou alfou od náhody pomocí testů statistické významnosti.
Lekce 2 • Stanovení velikosti pozice a konstrukce portfolia
Aplikuje Kellyho kritérium, cílení volatility a střední-rozptylovou optimalizaci k určení velikosti pozic. Správná velikost pozice určuje realizovaný výnos upravený o riziko.
Lekce 3 • Generování signálů a alfa výzkum
Vytváří obchodní signály založené na ceně, fundamentech a odvozené pomocí ML. Kvalita signálu se měří informačním koeficientem a analýzou rozpadu.
Lekce 4 • Přeucení a robustnost strategie
Detekuje a zmírňuje přeučení prostřednictvím dopředného testování a citlivosti parametrů. Robustní strategie si udržují výkon v dosud neviděných tržních režimech.
Lekce 5 • Návrh rámce pro zpětné testování
Vytváří událostmi řízený engine pro zpětné testování, který se vyhýbá běžným simulačním zkreslením. Správné zpětné testování je základem důvěryhodného hodnocení strategie.

Kapitola 8Zobrazit detaily

Pokročilé aplikace a produkční nasazení

Lekce 1 • Monitorování modelů a detekce driftu
Monitoruje nasazené modely z hlediska datového driftu, konceptuálního driftu a degradace výkonu. Proaktivní monitorování zabraňuje tichému selhání modelů v živých systémech.
Lekce 2 • Komunikace výsledků zainteresovaným stranám
Převádí komplexní výstupy modelů do zpráv pro vedení a interaktivních dashboardů. Efektivní komunikace podporuje přijetí datové vědy ve finančních týmech.
Lekce 3 • Systémy detekce podvodů
Navrhuje detekční procesy pro podvody v reálném čase pomocí detekce anomálií a klasifikace. Řeší extrémní nevyváženost tříd a omezení latence v produkci.
Lekce 4 • Modelování úvěrového rizika ve velkém měřítku
Vytváří komplexní procesy kreditního skóringu pomocí ML na rozsáhlých souborech úvěrů. Pokrývá pravděpodobnost selhání, ztrátu při selhání a správu modelů.
Lekce 5 • MLOps pro finanční modely
Implementuje verzování modelů, CI/CD procesy a automatické přetrénování pro finanční ML. MLOps zajišťuje, že modely zůstávají přesné a auditovatelné v průběhu času.

Certifikace

Váš platný certifikát o dokončení

Tento kurz je pro vás:

Finanční profesionál: chcete do svého arzenálu přidat kvantitativní kódovací dovednosti.
Python vývojář: jste připraveni proniknout do finančního průmyslu s datovými dovednostmi.
Absolvent ekonomie: chcete převést akademické vzdělání na tržní odbornost.
Rizikový analytik: usilujete o automatizaci a modernizaci svých současných modelovacích pracovních postupů.
Aspirující kvant: budujete technické základy potřebné pro konkurenční role ve financích.
Fintech nadšenec: toužíte porozumět tomu, jak data ovlivňují skutečná investiční rozhodnutí.

Co říkají naši studenti

Vaše lekce jsou perfektní. Koupil jsem si roční balíček a konečně mám možnost sledovat různá témata, která mě zajímají, aniž bych musel měnit platformu... děkuji za vše, co děláte, už jsem vás doporučil dalším lidem...