Finansçılar için Python
Berk Hacıağaoğlu
Analytic Manager, KoçDigital
7 Hafta / 14 Online Ders
Finans dünyasının karmaşık verilerini çözmeniz, piyasalardaki dalgalanmalara anında adapte olmanız ve risk yönetimini ustaca yapmanız için ihtiyacınız olan tüm bilgi ve becerileri sahip olacaksınız!
Finansal veriler üzerinde etkili analiz ve modelleme yaparak yatırım stratejileri geliştirebilecek, Seaborn ve Pandas gibi kütüphanelerle verilerinizi görselleştirip otomatik raporlar oluşturabileceksiniz.
Kursta aşağıdaki konuları analiz edeceğiz:
Zamanınızı Geri Kazanın!
Finansal verilerin toplayacak, temizleyebilecek ve analiz yapmak artık saatlerinizi almayacak! Python'un güçlü kütüphaneleriyle zamandan tasarruf edebileceksiniz.
Kararları Güçlendirin!
Veriye dayalı kararlarla piyasalardaki belirsizlikleri fırsata çevirebileceğiniz muhteşem bir müfredat! Bu eğitimden sonra Python ile finansal modelleme ve risk yönetimi araçlarını keşfedebileceksiniz.
Yenilikçi Çözümler Üretin!
Karmaşık finansal süreçlere yenilikçi çözümler getirmeye hazır mısınız? Verileri etkili bir şekilde işleyebilecek, analiz edebilecek ve entegre edebileceksiniz.
Aşağıdaki kişilere kursu öneririz:
Finans Uzmanları, Portfolyo Yöneticileri, Yatırım Analistleri
Finansal verilerin otomatik analizi ve raporlaması için Python'un güçlü kütüphanelerini kullanarak zaman tasarrufu sağlayabilecek, Python ile karmaşık finansal verileri görselleştirebileceksiniz.
Veri Bilimcileri ve Veri Analistleri
Python kullanarak finansal verileri işleme ve analiz etme becerileri kazanacak, finansal veriler üzerinde makine öğrenmesi ve yapay zeka modelleri geliştirme konusunda tecrübe edineceksiniz.
Yazılım Mühendisleri/Geliştiricileri
Finans sektörüne özel uygulamalar geliştirebilme yeteneği kazanacak, veri bilimi ve analitik araçlarla çalışma becerisi edineceksiniz. Aynı zamanda finansal modellerin ve algoritmaların yazılım geliştirme süreçlerine entegrasyonu konusunda deneyim sahibi olacaksınız.
Nasıl eğitim veriyoruz?
Uygulama Temelli Dersler ve Ödevler
Derslerin materyallerini pekiştirmeniz için çok özel uygulama temelli alıştırmalar geliştirdik. Bu alıştırmalar sayesinde, Python’un finansal süreçlerde nasıl kullanıldığını çok daha iyi kavrayacaksınız.
Yardım ve Destek
Kurs eğitmeni, kurs sırasında ortaya çıkan tüm soruları yanıtlayacak ve ekibimiz öğrenme sürecinde size yardımcı olacaktır.
Network
Eğitim ile ilgili tüm bilgi ve dökümanları hızlıca edinebileceğiniz bir Discord grubuna dahil olacaksınız.
Eğitmen:
Müfredat
- Jupyter Notebook’un yüklenmesi ve özellikleri
- Finans ve veri alanında Python’un güçlü yönleri
- Syntax ve değişkenler
- Veri tipleri: metinler, sayılar ve kompleks tipler
- Metin manipülasyonu
- Metin oluşturma
- Metin birleştirme
- Metin çıkarma
- List, tuple, dictionary ve array
- Aritmetik, karşılaştırma ve mantıksal operatörler
- Üyelik ve kimlik operatörlerinin kullanım alanları
- If-Else, For ve While yapıları
- NumPy dizileri ve işlemleri
- Loc ve iloc ile veri seçimi
- Tablolarda filtreleme ve indeksleme
- .XLSX ve .CSV formatları ile çalışmak
- Temel matematiksel fonksiyonlar ve vektör işlemleri
- Finansal veri setlerinin Pandas ile temizlenmesi ve düzenlenmesi
- Kayıp veriler
- Uç değerler (outliers)
- Değer döndüren fonksiyonlar
- Keşifsel veri analizi (EDA) teknikleri
- Veri gruplama ve agregasyon
- Sık kullanılan grafik türlerinin oluşturulması
- Matplotlib ile temel görselleştirme teknikleri
- Grafikler ve histogramlar
- Başlık, etiket, renk ve stil ayarları
- Seaborn ile karmaşık veri yapılarının görselleştirilmesi
- Grafiklerden çıkarım yapılması
- Finansal verilerin alınması
- Finansal APIs
- Web Scraping ile verilerin toplanması
- Hisse senedi fiyatları ve getirilerinin analizi
- Uygulama: Emtia, döviz kurları ve S&P 500 verilerinin çekilmesi ve analiz edilmesi
- Basit hareketli ortalama(SMA) ve Üstel hareketli ortalama(EMA)
- Finansal zaman serisi analizi
- YFinance kütüphanesinin kullanımı
- YFinance ile finansal göstergeler
- P/E oranı
- Piyasa Değeri
- Finansta tanımlayıcı istatistikler
- Korelasyon ve kovaryans analizi
- Temel finansal istatistikler
- Getiri Hesaplama
- Yatırım Getirisi
- Yıllık Getiri
- Risk Ölçümleri
- Standart Sapma
- Beta Değeri
- Performans Göstergeleri
- Getiri Hesaplama
- Makine öğreniminde önemli parametreler
- Finans alanında makine öğrenimi uygulama alanları
- Modelleme öncesi: Veri yükleme ve temizleme
- Veri temizleme: Eksik veriler, temel veri dönüşümleri
- Basit lineer regresyonun temelleri
- Python ile Basit Lineer Regresyon Modeli
- Scikit-learn kullanarak model kurma
- Modeli eğitme ve basit bir veri seti üzerinde test etme
- Model performansının değerlendirilmesi
- Hata metrikleri: MSE, R²
- Birden fazla değişkeni içeren regresyon modelleri
- Model İyileştirme teknikleri
- Overfitting/underfitting kavramları
- Regularizasyon: Ridge, Lasso
- Gerçek veri seti üzerinde alıştırmalar ve model uygulaması
- Finans dünyasında kredi riski
- Kredi riski nasıl hesaplanır?
- Python kullanarak örnek veri seti inceleme
- Veri seti içindeki değişkenleri eleme, türetme
- Kredi risk modeli öncesi hazırlık
- Kredi risk modelinin temel bileşenleri
- Borçlu değerlendirmesi
- Temerrüt olasılığı
- Kayıp verilme oranı
- Veri hazırlığı sonrası Target seçimi
- Kredi risk modeli performansının değerlendirilmesi
- Kredi Risk Modeli - Temerrüt Olasılığı
- Zaman serisi modelleri: ARIMA ve Lightgbm
- Zaman serisi verileri ile modelleme ve tahmin yapma
- Mevsimsellik ve trend analizi
- Zaman serilerinde model seçimi ve değerlendirme
- Python'da rapor oluşturma yöntemleri
- Görsellerin ve analizlerin rapora entegrasyonu
- Rapor tasarımı ve düzeni üzerine öneriler
- Python Script'lerinin otomatikleştirilmesi
- Basit otomasyon script'leri oluşturma
- Zamanlanmış rapor oluşturma
- Zamanlanmış görevlerin oluşturulması (cron joblar, Windows Görev Zamanlayıcı vb.)
- Otomatik rapor oluşturmanın avantajları ve potansiyel zorlukları
- İş süreçlerinde Python: Soru-Cevap Oturumu