[Специалист] CFA Level 1 - 1. Финансовый аналитик. Количественные методы для характеристики финансовых данных (Елена Цыба)

Организатор · Вчера в 05:40

CFA Level 1-1. Финансовый аналитик

Курс для тех, кто хочет научиться профессионально анализировать финансовые данные, эффективно управлять доходностью активов и рисками с использованием методов эконометрики, финансовой математики описательной статистики.

Вы получите все необходимые знания и навыки для последующей успешной сдачи экзамена CFA Level 1 и их практического применения в финансовой сфере.
Обучение проходит с использованием последней версии Excel 2021

CFA (Chartered Financial Analyst) — одна из самых престижных международных квалификаций в сфере финансов.Этот сертификат подтверждает глубокие знания в инвестиционном анализе, управлении инвестиционным портфелем, корпоративных финансах и профессиональной этике. Для бизнеса наличие специалистов с CFA означает снижение рисков и минимизацию потерь, рост эффективности деятельности, благодаря финансовому профессионализму, а для самих финансистов — увеличение доходов и выход на более высокий карьерный уровень.
Специалисты уровня CFA имеют абсолютные преимущества на рынке труда. Мы готовы помочь вам стать одним из них.

Курс CFA Level 1-1 «Финансовый аналитик. Количественные методы для характеристики финансовых данных» поможет вам подготовиться к успешной сдаче экзамена CFA Level 1, обеспечив глубокое понимание ключевых инструментов инвестиционного и финансового анализа.

Что вас ждет на курсе:

Вы разберетесь, как формируются процентные ставки, чем отличаются номинальная и реальная доходность, как учитывается непрерывное компаундирование, в каких случаях применять арифметическую, геометрическую или гармоническую среднюю. Узнаете, как учитывать леверидж и дисконтировать денежные потоки, оценивать акции и облигации, применять безарбитражные подходы и статистические модели. Освоите основы финтеха и научитесь проверять гипотезы и строить регрессии.
Вы узнаете инструменты эконометрики, используемые для дальнейшей характеристики финансовых данных, в частности прогнозирования и оценки доходности активов в инвестиционном и финансовом анализе.

Вы получите:

Полный комплект учебных материалов на русском языке, адаптированный под силлабус CFA Institute 2025;
Учебники KAPLAN на русском и английском языках;
Базу тестов для тренировки и полную тестовую базу CFA Institute с ответами;
Примеры экзаменационных заданий CFA с решениями (на английском);
Набор этических и профессиональных стандартов;
Полную терминологию на русском и английском языках.
Все навыки вы будете отрабатывать на реальных примерах в Excel – как на готовых кейсах от CFA Institute, так и на специально доработанных под российскую действительность практических заданиях.

Кому будет полезен курс:

Финансовым, инвестиционным и бизнес-аналитикам — для углубления знаний в инвестиционном анализе, оценке бизнеса и финансовом моделировании.
Управляющим активами — для совершенствования навыков управления портфелями.
Риск-менеджерам — для улучшения оценки финансовых рисков.
Специалистам банков, лизинговых и страховых компаний — для укрепления конкурентных преимуществ.
Финансовым профессионалам и руководителям — для карьерного роста и освоения методов эконометрики, финансовой математики и описательной статистики.
Мы даем не просто теорию, а практические навыки, востребованные ведущими работодателями. Начните свой путь к сертификации CFA уже сегодня!

Вы научитесь:

оценивать доходность — рассчитывать процентные ставки, учитывать непрерывное начисление процентов, леверидж-доходность и другие показатели;
оценивать приведенную стоимость активов — акций, облигаций, аннуитетных инструментов, в том числе по моделям Гордона и двухэтапной дисконтной модели;
анализировать денежные потоки — применять принципы безарбитражности, репликации, находить спот- и форвардные ставки;
работать с данными — выбросы, дисперсия, перекос, эксцесс; рассчитывать коэффициенты корреляции и вариации;
применять методы моделирования — дерево вероятностей, формула Байеса, условные ожидания;
строить вероятностные модели для доходности и риска портфеля — ковариация и корреляция доходностей портфеля;
моделировать доходности — применять нормальное и логнормальное распределения, метод имитации Монте-Карло;
проводить проверку гипотез — использовать z-тесты и t-тесты, и анализировать независимость переменных;
строить регрессионные модели — от линейных до логарифмических зависимостей;
понимать финтех-инструменты — ключевые понятия big data, IoT и типы машинного обучения.

Специалисты, обладающие этими знаниями и навыками, в настоящее время крайне востребованы.
Обучение по мировым стандартам позволяет нашим выпускникам работать в ведущих компаниях России и других стран. Они делают успешную карьеру и пользуются уважением работодателей.

Программа курса:

Модуль 1. Количественные методы оценки доходности (8 ак. ч.)
Модуль 2. Количественные методы моделирования доходности (14 ак. ч.)
Модуль 3. Количественные методы принятия инвестиционных решений (14 ак. ч.)
Модуль 4. Количественные методы прогнозирования доходности (4 ак. ч.)

Программа подробнее:

Модуль 1. Количественные методы оценки доходности (8 ак. ч.)
Процентные ставки и оценка доходности ценных бумаг
факторы, определяющие процентные ставки;
арифметическая, геометрическая и гармоническая доходность.

Взвешенная по деньгам и взвешенная по времени доходность
Сравнение IRR и HPR к портфелю.
Виды доходности (валовая, номинальная, реальная, непрерывно-компаундированная, леверидж-доходность и т.д.).

Оценка дисконтированных денежных потоков (долговые ценные бумаги, долевые ценные бумаги)
текущая стоимость купонной облигации;
текущая стоимость бессрочной облигации;
текущая стоимость аннуитетных инструментов;
цена обыкновенной акции с постоянным темпом роста дивидендов;
модель Гордона для оценки стоимости акции;
двухэтапная модель дисконтирования дивидендов.

Модуль 2. Количественные методы моделирования доходности (14 ак. ч.)
Подразумеваемая доходность и аддитивность денежного потока
принципы репликации и безарбитражности,
форвардные процентные ставки,
форвардные валютные курсы,
модель ценообразования опционов.

Статистические показатели доходности
формулы дисперсии популяции и выборки;
образец целевого полуотклонения;
центральная тенденция и дисперсия, методы работы с выбросами, показатели местоположения, среднее абсолютное отклонение (MAD), выборочная дисперсия, коэффициент вариации, перекос, эксцесс и корреляция.

Дерево вероятностей и условные ожидания
условная и совместная вероятность;
вероятностная дисперсия;
ожидаемое значение (EV), дерево вероятностей, формула Байеса.

Вероятностные модели для доходности и риска портфеля
корреляция и ковариация доходностей;
ожидаемая доходность портфеля;
дисперсия портфеля из 2 акций.

Методы моделирования
Нормальное распределение Гауса, логнормальное распределение, имитация Монте-Карло (в оценках VAR).

Модуль 3. Количественные методы принятия инвестиционных решений (14 ак. ч.)
Методы выборки и центральная предельная теорема
методы вероятностной выборки,
невероятностные методы выборки,
стандартное отклонение популяции,
Центральная предельная теорема,
стандартная ошибка, метод бутстрапа.

Процедура проверки гипотез и принятия решений
6 шагов проверки гипотез;
ошибка типа I против ошибки типа II;
доверительные интервалы;
типы гипотез (распределение Стьюдента, распределение Гауса);
правило принятия решений (с помощью z-распределения, t-распределения), уровень значимости.

Тесты на независимость
тесты, касающиеся различий между средними значениями (независимые выборки);
тесты, касающиеся различий между средними значениями (зависимые выборки);
тест на единичную дисперсию (критерий хи-квадрат);
тест равенства двух дисперсий (F-тест);
тест корреляции;
коэффициент корреляции рангов Спирмена;
тест независимости с использованием данных таблицы категорий

Модуль 4. Количественные методы прогнозирования доходности (4 ак. ч.)
Простая линейная регрессия и нелинейная зависимость
базовая модель простой линейной регрессии;
предположения простой линейной регрессии;
дисперсионный анализ (ANOVA) и коэффициент достоверности, прогнозируемые значения и функциональные формы регрессии.
Введение в Финтех (машинное обучение, ИИ, большие данные).

Преподаватель: Цыба Елена Владимировна.