Чему вы научитесь
- Загружать дневные котировки SBER, LKOH, GAZP и других российских акций с MOEX ISS API одной строкой кода — без брокерского терминала и без подписок
- Свободно работать с DataFrame и Series в pandas: фильтрация через .loc/.iloc/маски, группировка с pivot_table, объединение через merge и merge_asof
- Считать риск-метрики портфеля (доходность, волатильность, корреляция, beta, Sharpe, Sortino, Calmar, MDD, исторический и параметрический VaR) на портфеле из 5 российских акций за полгода
- Собирать P&L и cash-flow из выгрузки транзакций ERP через pivot — за 30 секунд вместо двух дней ручной работы в Excel
- Принимать инвестиционные решения через NPV/IRR на реальных кейсах (лизинг vs покупка) с помощью numpy_financial
- Сводить две выгрузки (банк vs учётка) на 100 000+ строк за минуты с поддержкой допусков по сумме и дате
- Строить графики уровня «отчёт на CFO»: line, waterfall (P&L bridge), candlestick — через matplotlib и plotly с аннотациями ключевых событий
- Формировать Excel-отчёт со стилями, условной заливкой, формулами и встроенными PNG-графиками автоматически через openpyxl
- Запускать ежемесячный отчёт по двойному клику или по расписанию через BAT-файл и Windows Task Scheduler (или cron под Mac/Linux)
- Превратить Jupyter-блокнот в production-готовый .py-скрипт с argparse, logging и requirements.txt
О курсе
Excel умирает на 200 000 строк, ежемесячный отчёт собирается руками два дня. Курс показывает, как Python заменяет Excel в работе финансового аналитика: pandas, котировки MOEX, портфельные метрики, P&L из транзакций, отчёт в одну кнопку.
Для кого этот курс
Курс подходит всем, кто работает с финансовыми данными в Excel и упирается в его ограничения: финансовым аналитикам, контроллёрам, риск-менеджерам, специалистам казначейства, инвестиционным аналитикам, аудиторам, бухгалтерам, частным инвесторам с серьёзным портфелем, а также студентам выпускных курсов, готовящимся к первой работе в финансах.
Если ваша работа связана с цифрами, и вы хотите автоматизировать рутину — курс для вас.
Начальные требования
- Уверенный Excel: формулы, ВПР, СУММЕСЛИМН, сводные таблицы
- Базовое представление о финансовых понятиях: P&L, доходность, NPV, Sharpe, VaR, beta — на уровне «слышал и понимаю общий смысл»
- Желательно базовое знание SQL (SELECT, WHERE, JOIN), но не обязательно
- Опыт программирования НЕ требуется — курс начинается с самого нуля
- Ноутбук с правами установки программ и около 5 ГБ свободного места на диске
- Стабильное интернет-соединение
Преподаватели курса
14
Как проходит обучение
Курс состоит из коротких текстовых уроков и практических заданий — без видеолекций. В каждом уроке вы читаете теорию с разбором примеров, потом сразу пишете код или отвечаете на проверочные вопросы.
Большую часть времени вы работаете в Jupyter Notebook на своём ноутбуке. Часть кодовых заданий проверяется автоматически прямо в Stepik. Тяжёлые задания (загрузка котировок MOEX, графики plotly, формирование Excel) выполняются в Google Colab или вашем локальном Jupyter — потому что Stepik не запускает сторонние библиотеки. В таких случаях вы выполняете код у себя и в Stepik вписываете полученный результат.
Темп самостоятельный, доступ к материалам бессрочный после покупки. Ориентир — 4–6 часов в неделю на 6 недель. В финале — собственный проект, который собирается из шаблонов, накопленных за курс.
Что вы получите
- Папка с 16 готовыми Python-шаблонами под типовые финансовые задачи
- Финальный проект — рабочий ежемесячный отчёт по портфелю с автоматическим запуском, который кладётся на GitHub и в портфолио для собеседования
- Понимание границы Excel: где Excel сильнее (быстрый осмотр, общение с не-аналитиками), где умирает (200 000+ строк, повторяемость, объединение многих источников) и где pandas даёт реальный выигрыш в скорости и в возможностях
- Уверенность в чтении чужого pandas-кода: статьи на Хабре, GitHub-репозитории, документация — теперь читаются как родной язык, а не «иероглифы для разработчиков»
- Практическое мышление: как разбить любую рутинную задачу финансиста на шаги, какие шаблоны использовать, что заменить на pandas, а что оставить в Excel — это остаётся с вами и работает за пределами разобранных в курсе примеров
Нагрузка
6 недель × ~6 часов в неделю