Kurzy jsou postaveny na konkrétních datech a ověřených postupech. Každý modul vychází z toho, jak regresní modely skutečně fungují v praxi - od přípravy dat po interpretaci výsledků.
Metodika ukazuje, jak lineární regrese funguje při modelování pohybu cen akcií a dluhopisů. Zahrnuje přípravu dat, výběr prediktorů a interpretaci výsledků v kontextu finančních trhů.
Metodika popisuje použití regularizovaných regresních metod pro výběr faktorů při sestavování portfolia. Zaměřuje se na rozdíly mezi Ridge a Lasso přístupem a na praktické nastavení hyperparametrů.
Metodika vysvětluje, jak kvantilová regrese umožňuje modelovat chování aktiv v extrémních situacích. Zaměřuje se na odhad Value at Risk a Expected Shortfall bez předpokladu normálního rozdělení.
Metodika popisuje postup tvorby kreditního skórovacího modelu pomocí gradientního boostingu. Zahrnuje přípravu dat, výběr příznaků, kalibraci modelu a interpretaci výsledků pomocí SHAP hodnot.
Metodika se věnuje modelování dynamiky úrokových sazeb pomocí regresních přístupů na časových řadách. Zahrnuje testování stacionarity, kointegrace a tvorbu chybově-korekčního modelu.
Každý modul je postaven tak, aby student nejprve porozuměl mechanismu modelu, pak ho implementoval na reálných datech a nakonec dokázal interpretovat výsledky v kontextu finančního rozhodování.
Kurzy vedou instruktoři s praktickými zkušenostmi z kvantitativní analýzy. Výuka probíhá v malých skupinách nebo individuálně - záleží na zvoleném formátu. Každý účastník má přístup k živým sekcím i záznamu.
Skupinová nebo individuální výuka - každý formát má jiný rytmus a hloubku zpětné vazby.
Interaktivní online setkání s instruktorem, sdílení obrazovky a práce na reálných datech v reálném čase.
Zadání k procvičení mezi lekcemi - konkrétní úlohy na finančních datasetech, ne abstraktní cvičení.
Komentáře k odevzdaným řešením od instruktora - zaměřené na logiku modelu, ne jen na správnost výstupu.
Studium není lineární sled videí. Každý modul je navržen tak, aby student aktivně pracoval s daty a průběžně ověřoval porozumění na konkrétních příkladech z finančních trhů.
Každý regresní model má matematické předpoklady. Kurz je vysvětluje bez zbytečné abstrakce - vždy s vazbou na to, co znamenají pro finanční data.
Studenti pracují s historickými cenovými řadami, makroekonomickými indikátory a účetními daty. Čištění a příprava dat jsou součástí výuky, ne předpokladem.
Kód v Pythonu je součástí každé lekce. Studenti implementují modely sami - od lineární regrese přes Ridge a Lasso až po polynomiální aproximace.
Výstup modelu je jen začátek. Kurz klade důraz na to, co čísla říkají o riziku, spolehlivosti predikce a limitech daného přístupu.
Skupinové kurzy jsou vhodné pro ty, kdo ocení sdílení přístupů a diskusi nad různými řešeními téhož problému. Individuální lekce umožňují přizpůsobit tempo a zaměření konkrétní oblasti - například predikci výnosů dluhopisů nebo modelování kreditního rizika.
Obě varianty zahrnují živé lekce s instruktorem, přístup k materiálům a zpětnou vazbu na odevzdané úlohy. Výsledky závisí na tom, kolik času student věnuje samostatné práci mezi lekcemi.
Zeptat se na formát výuky