Курс на Stepik

Обложка курса «Прикладной ML для финансиста: скоринг, VaR, антифрод» на Stepik

1 090 ₽

Прикладной ML для финансиста: скоринг, VaR, антифрод ★ 0.000

Открыть на
STEPIK.ORG

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.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	9
Сертификатов выдано	1
Отзывов получено	0
Рейтинг курса	0.000
Количество уроков	27
Количество квизов	99
Количество задач с кодом	8
Время прохождения курса	0 ч.	—
Стоимость курса	1 090 ₽	—
Обновления курса	—	—
Дата публикации курса	3 месяца назад	—	—	—	—
Последнее обновление	17 июля 2026	—	—	—	—

Содержание курса

Разделы в курсе «Прикладной ML для финансиста: скоринг, VaR, антифрод»

6 разделов Уроки в курсе «Прикладной ML для финансиста: скоринг, VaR, антифрод»

Уроки в курсе «Прикладной ML для финансиста: скоринг, VaR, антифрод»

27 уроков Тесты в курсе «Прикладной ML для финансиста: скоринг, VaR, антифрод»

Тесты в курсе «Прикладной ML для финансиста: скоринг, VaR, антифрод»

99 тестов Задачи в курсе «Прикладной ML для финансиста: скоринг, VaR, антифрод»

Задачи в курсе «Прикладной ML для финансиста: скоринг, VaR, антифрод»

8 задач Время прохождения курса «Прикладной ML для финансиста: скоринг, VaR, антифрод»

Время прохождения курса «Прикладной ML для финансиста: скоринг, VaR, антифрод»

0 ч.

Последнее обновление курса «Прикладной ML для финансиста: скоринг, VaR, антифрод»

обн. 17 июля 2026

Модуль 1: Фундамент ML-пайплайна для финансиста

5 уроков

1. Урок 1.1: Почему ML в финансах — это не Titanic ↗

2. Урок 1.2: Финансовые данные: структура, пропуски, выбросы ↗

3. Урок 1.3: Walk-forward валидация и временнáя структура выборки ↗

4. Урок 1.4: Baseline и базовые метрики: AUC, Gini ↗

5. Урок 1.5: KS-статистика, precision-recall и выбор отсечки ↗

Модуль 2: Кредитный скоринг — от постановки до валидации ЦБ

5 уроков

1. Урок 2.1: WoE-биннинг и отбор признаков (Information Value) ↗

2. Урок 2.2: Логистическая регрессия как PD-модель ↗

3. Урок 2.3: XGBoost для кредитного скоринга ↗

4. Урок 2.4: Интерпретация модели — SHAP и SR 11-7 ↗

5. Урок 2.5: Валидация PD-модели: Gini, KS, PSI, бэктест ↗

Модуль 3: Рыночный риск и VaR

4 урока

1. Урок 3.1: Value at Risk — три метода и их ограничения ↗

2. Урок 3.2: Бэктест VaR и ML-прогноз волатильности: GARCH ↗

3. Урок 3.3: GARCH и Quantile Regression для VaR ↗

4. Урок 3.4: Портфельный риск и корреляции в кризис ↗

Модуль 4: Стресс-тестирование и ECL по IFRS 9

4 урока

1. Урок 4.1: Методология стресс-тестирования ↗

2. Урок 4.2: ML-модели макросвязей для стресс-тестирования ↗

3. Урок 4.3: ECL по IFRS 9: PD × LGD × EAD в Python ↗

4. Урок 4.4: Сценарный стресс-тест — от данных до отчёта ↗

Модуль 5: Антифрод и обнаружение аномалий

4 урока

1. Урок 5.1: Проблема дисбаланса классов в антифроде ↗

2. Урок 5.2: Isolation Forest и обнаружение аномалий ↗

3. Урок 5.3: XGBoost для транзакционного антифрода ↗

4. Урок 5.4: Оценка антифрод-модели и стоимость ошибок ↗

Модуль 6: MLOps в регулируемой среде и финальный проект

5 уроков

1. Урок 6.1: Дрейф модели и мониторинг в проде ↗

2. Урок 6.2: MLflow локально — трекинг экспериментов ↗

3. Урок 6.3: Model Card и пакет документации для валидации ↗

4. Урок 6.4: Финальный проект — часть 1: данные и модель ↗

5. Урок 6.5: Финальный проект — часть 2: валидация ↗