Kursus Python untuk Keuangan

Pelajaran 1 • Control Flow dan Fungsi

Mengajarkan logika if-else, perulangan, dan fungsi yang dapat digunakan kembali untuk mengotomatiskan tugas keuangan yang berulang. Peserta menulis kode modular yang berskala di seluruh kumpulan data.

Pelajaran 2 • Sintaks Inti Python dan Tipe Data

Mencakup variabel, operator aritmetika, string, boolean, dan konversi tipe. Primitif ini mendasari setiap perhitungan keuangan yang dibuat nanti.

Pelajaran 3 • Menyiapkan Lingkungan Python

Instal Python, Anaconda, dan Jupyter Notebook untuk ruang kerja yang siap pakai untuk keuangan. Menetapkan dasar teknis yang menjadi sandaran setiap bab berikutnya.

Pelajaran 4 • Struktur Data Python

Memperkenalkan list, tuple, dictionary, dan set sebagai wadah untuk catatan keuangan. Memilih struktur yang tepat meningkatkan efisiensi dan kejelasan kode.

Pelajaran 1 • Operasi Matematika Vektorisasi

Menerapkan aritmetika elemen-bijak, fungsi universal, dan broadcasting ke deret harga. Menghilangkan perulangan Python untuk peningkatan kecepatan dramatis pada kumpulan data besar.

Pelajaran 2 • Aljabar Linier dengan NumPy

Menggunakan perkalian matriks, invers, dan nilai eigen untuk matematika portofolio dan regresi. Menyediakan alat aljabar yang diperlukan dalam bab risiko dan optimasi selanjutnya.

Pelajaran 3 • Array NumPy dan Metode Pembuatan

Mencakup pembuatan ndarray, bentuk, tipe data, dan pengindeksan untuk deret keuangan. Array membentuk tulang punggung numerik dari semua pekerjaan kuantitatif selanjutnya.

Pelajaran 1 • Memuat dan Membersihkan Data Keuangan

Membaca file pasar CSV, Excel, dan JSON, kemudian menangani nilai yang hilang dan duplikat. Data bersih adalah prasyarat untuk analisis keuangan yang akurat.

Pelajaran 2 • Menggabungkan dan Mengubah Bentuk DataFrame

Menggabungkan beberapa kumpulan data keuangan menggunakan merge, join, dan concat, kemudian mengubah bentuknya dengan melt dan stack. Menyiapkan data multi-sumber untuk analisis terpadu.

Pelajaran 3 • Penanganan Deret Waktu di Pandas

Mengelola DatetimeIndex, resampling, dan rolling window untuk deret harga dan imbal hasil. Operasi sadar waktu adalah pusat dari setiap alur kerja analisis keuangan.

Pelajaran 4 • Memfilter, Mengurutkan, dan Mengelompokkan

Menerapkan filter boolean, operasi pengurutan, dan agregasi groupby untuk mensegmentasi data keuangan. Memungkinkan perbandingan tingkat sektor dan periode waktu di seluruh kumpulan data besar.

Pelajaran 1 • Grafik Candlestick dan OHLC

Menampilkan grafik open-high-low-close dengan volume bar menggunakan mplfinance. Menyediakan format visual standar yang digunakan dalam analisis perdagangan ekuitas dan komoditas.

Pelajaran 2 • Dasar-dasar Matplotlib untuk Keuangan

Membangun plot garis, batang, dan sebar data keuangan dengan label dan format yang tepat. Membangun fondasi plotting yang diperluas oleh semua pekerjaan visualisasi selanjutnya.

Pelajaran 3 • Teknik Matplotlib Tingkat Lanjut

Menggunakan subplot, sumbu kembar (twin axes), dan anotasi untuk menampilkan dasbor keuangan multi-panel. Memungkinkan perbandingan berdampingan dari metrik keuangan terkait.

Pelajaran 1 • Rasio Kinerja dan Benchmarking

Menghitung rasio Sharpe, Sortino, Calmar, dan informasi untuk mengevaluasi imbal hasil yang disesuaikan risiko. Benchmarking terhadap indeks pasar memberikan konteks pada kinerja portofolio.

Pelajaran 2 • Value at Risk dan Expected Shortfall

Memperkirakan VaR dan CVaR menggunakan metode historis, parametrik, dan Monte Carlo. Ukuran risiko ekor ini adalah persyaratan standar dalam pelaporan manajemen risiko.

Pelajaran 3 • Menghitung Imbal Hasil Aset

Menghitung imbal hasil sederhana, log, dan kumulatif dari deret harga menggunakan Pandas dan NumPy. Perhitungan imbal hasil adalah titik masuk untuk semua analisis kinerja dan risiko.

Pelajaran 4 • Analisis Korelasi dan Kovarians

Membangun matriks korelasi dan kovarians di seluruh imbal hasil aset untuk mengukur pergerakan bersama. Matriks ini adalah input langsung untuk optimasi portofolio di bab berikutnya.

Pelajaran 1 • Mengimplementasikan Optimasi dengan SciPy

Menggunakan scipy.optimize untuk meminimalkan varians portofolio dengan tunduk pada kendala bobot. Peserta menerjemahkan masalah optimasi matematika langsung ke dalam kode Python yang dapat dieksekusi.

Pelajaran 2 • Rebalancing Portofolio dan Kendala

Menambahkan batas sektor, batas turnover, dan biaya transaksi ke masalah optimasi yang realistis. Menjembatani optimasi teoretis dan persyaratan manajemen portofolio praktis.

Pelajaran 3 • Visualisasi Efficient Frontier

Mensimulasikan ribuan portofolio acak dan memplot kurva efficient frontier. Output visual mengonfirmasi hasil pengoptimal dan mengomunikasikan trade-off kepada pemangku kepentingan.

Pelajaran 4 • Metode Konstruksi Portofolio Tingkat Lanjut

Menerapkan risk parity, Black-Litterman, dan hierarchical risk parity sebagai alternatif untuk mean-variance. Mengatasi kesalahan estimasi dan kelemahan konsentrasi dari optimasi klasik.

Pelajaran 1 • Mengevaluasi Hasil Uji Balik (Backtest)

Menganalisis kurva ekuitas, drawdown, win rate, dan imbal hasil yang disesuaikan risiko dari output uji balik. Evaluasi yang ketat memisahkan strategi yang benar-benar menguntungkan dari yang overfitted.

Pelajaran 2 • Indikator Teknis dan Pembangkitan Sinyal

Menghitung moving average, RSI, MACD, dan Bollinger Bands dari data OHLC. Indikator menerjemahkan data harga mentah menjadi sinyal beli dan jual yang dapat ditindaklanjuti.

Pelajaran 3 • Menghindari Overfitting dan Bias

Menerapkan walk-forward testing, validasi out-of-sample, dan pemeriksaan sensitivitas parameter. Teknik ini mencegah strategi disesuaikan dengan noise historis daripada sinyal.

Pelajaran 4 • Logika Strategi dan Penentuan Ukuran Posisi

Mengkodekan aturan masuk dan keluar, kemudian menentukan ukuran posisi menggunakan metode fixed fractional dan berbasis volatilitas. Penentuan ukuran posisi secara langsung mengontrol risiko yang diambil per perdagangan.

Pelajaran 1 • Greeks dan Strategi Lindung Nilai

Menghitung dan menginterpretasikan Greeks opsi, kemudian membangun lindung nilai delta-netral dan gamma-netral. Lindung nilai dengan Greeks adalah praktik manajemen risiko inti untuk buku derivatif.

Pelajaran 2 • Dasar-dasar Opsi dan Diagram Hasil (Payoff)

Mendefinisikan call, put, moneyness, dan kadaluwarsa, kemudian memplot diagram hasil dan laba. Kejelasan konseptual di sini penting sebelum mengimplementasikan model penetapan harga apa pun.

Pelajaran 3 • Model Black-Scholes-Merton

Mengimplementasikan rumus BSM bentuk tertutup untuk penetapan harga opsi Eropa dan Greeks. BSM adalah benchmark industri yang digunakan untuk membandingkan semua model lainnya.

Pelajaran 4 • Penetapan Harga Opsi Monte Carlo

Mensimulasikan jalur gerak Brown geometris untuk menetapkan harga opsi Eropa dan eksotis. Monte Carlo memperluas penetapan harga ke hasil dependen jalur di luar jangkauan analitis.