Чему вы научитесь
- Строить PD-модели (логистическая регрессия + XGBoost) с WoE-биннингом и отбором признаков по Information Value, добиваясь Gini ≥ 0.55 на out-of-time выборке
- Валидировать модели по Положению ЦБ 845-П: рассчитывать Gini, KS-статистику, PSI по OOT-когортам и проводить бэктест PD по методу Купека
- Объяснять решения модели через SHAP (TreeExplainer, beeswarm, waterfall) и составлять model card по стандарту SR 11-7
- Рассчитывать VaR и CVaR тремя методами — историческим, параметрическим и методом Монте-Карло — на реальных тикерах MOEX (SBER, GAZP, LKOH)
- Прогнозировать волатильность с помощью GARCH(1,1) и Quantile Regression и проводить бэктест VaR по зонам светофора Basel III
- Строить ML-модели макросвязей для сценарного стресс-тестирования и вычислять ECL по формуле IFRS 9 (PD × LGD × EAD) для трёх сценариев ЦБ
- Обнаруживать мошеннические транзакции при дисбалансе классов 1:1000 с помощью XGBoost, Isolation Forest и SMOTE; оптимизировать порог по profit curve
- Настраивать мониторинг дрейфа модели в проде: вычислять PSI и CSI, выставлять автоматические алерты и версионировать эксперименты в MLflow локально
- Разрабатывать корректный временно́й сплит (walk-forward с gap) и выявлять time leakage в финансовых данных до обучения модели
- Готовить пакет документации для валидационного комитета: model card, отчёт по 845-П, журнал изменений по требованиям 716-П
О курсе
Строим PD-модели, считаем VaR и ECL по IFRS 9, валидируем по 845-П и SR 26-2 — без Titanic, на реальных финансовых задачах и синтетических данных.
Для кого этот курс
Финансовые аналитики, риск-менеджеры, методологи и продуктовые аналитики банков, МФО, финтеха и крупных небанковских корпоратов, у которых уже есть рабочий Python и pandas (пре-реквизит — курс «Python для финансового анализа» или эквивалент), и которые упёрлись в потолок Excel / классических финмоделей.
Конкретные роли: риск-аналитик / методолог рисков в банке (junior–middle); финансовый аналитик / FP&A в крупной корпорации; продуктовый / кредитный аналитик в финтехе и МФО; аналитик казначейства / treasury; внутренний аудитор / комплаенс с техническим бэкграундом.
Начальные требования
Уверенный Python с pandas и numpy. Базовая статистика (доверительные интервалы, регрессия). ML-опыт не требуется.
Преподаватели курса
79
Как проходит обучение
Курс состоит из 6 модулей и 27 уроков (276 шагов). Каждый урок: теория с формулами и финансовым контекстом, затем практические задачи на Python с нарастающей сложностью (L1–L3). Все вычисления запускаются локально — никаких внешних API.
В конце курса — финальный проект на выбор: (A) PD-скоринг (Gini OOT ≥ 55%), (B) антифрод (precision@100 ≥ 0.6), (C) VaR + стресс-тест портфеля MOEX. Урок 3.3 доступен бесплатно в режиме демо.
Формат курса
Самостоятельное прохождение: текстовая теория, автопроверка в песочнице Stepik и проекты в Google Colab. Доступ бессрочный.
Что вы получите
- WoE-биннинг + XGBoost PD-модель с калиброванными вероятностями, SHAP-отчётом и model card по SR 11-7 — готовый артефакт в портфолио
- Отчёт о валидации модели по Положению 845-П: таблица Gini / KS / PSI по OOT-когортам и результаты теста Купека
- Пайплайн расчёта VaR на Python — исторический, параметрический, Монте-Карло с t-copula; бэктест по методологии Basel III
- MLflow-дашборд мониторинга модели с PSI-алертами и версионированием экспериментов — работает полностью локально
- Пакет документации по 716-П: методологический документ, журнал изменений, шаблон акта валидации
- Финальный проект в выбранном треке (PD-скоринг / антифрод / стресс-тест) с model card по SR 11-7 — предъявляется работодателю как портфельная работа
Нагрузка
Около 25-30 часов.