Apie Lesundamir

Finansinė duomenų analizė — tai mūsų sritis

  • Specializuojamės finansinių duomenų analizės metodų mokymuose nuo 2018 metų.
  • Programas rengia praktikai, dirbantys su realiais rinkos duomenimis kasdien.
  • Mokymų turinys pritaikytas tarptautinei auditorijai — pasiekiamas iš bet kurios šalies.
Finansinių duomenų analizė — komandos darbo akimirka
Kas mes esame

Konkretūs metodai, tikri duomenys

Lesundamir — tai nuotolinė mokymosi platforma, kurioje finansinių duomenų analizė dėstoma remiantis konkrečiais atvejais, o ne abstrakčia teorija. Programos apima Python, SQL ir statistinės analizės taikymą finansų sektoriuje.

Kiekvienas mokymo modulis pagrįstas realiais duomenų rinkiniais — akcijų rinkos istorija, makroekonominiais rodikliais, įmonių ataskaitomis. Dalyviai mokosi dirbti su triukšmingais, neišbaigtais duomenimis — kaip tai vyksta praktikoje.

Platforma veikia globaliai, o mokymų medžiaga prieinama asinchroniškai. Tai leidžia derinti studijas su profesiniu darbu bet kurioje laiko juostoje.

Duomenų analizės proceso iliustracija
Profesionalų mokymai finansų srityje
6mod.
Vidutinė programos trukmė
Nuo duomenų struktūros iki portfelio rizikos modeliavimo
4k.
Dalyviai iš skirtingų šalių
Europa, Azija, Šiaurės Amerika — geografija nuolat plečiasi
38h
Vaizdo medžiagos kiekviename kurse
Demonstracijos, kodo peržiūros ir pavyzdžių sprendimas žingsnis po žingsnio

Pagrindiniai mokomieji įrankiai ir jų taikymas

Įrankis Taikymo sritis Lygis
Python (pandas) Duomenų valymas, laiko eilutės Pradinis–vidutinis
SQL Finansinių duomenų bazių užklausos Pradinis
statsmodels Regresinė analizė, prognozavimas Vidutinis
Power BI Ataskaitos, vizualizacijos valdybai Pradinis–vidutinis
Excel / VBA Modeliai, jautrumo analizė Vidutinis–pažengęs
scikit-learn Klasifikavimas, anomalijų aptikimas Pažengęs
Metodinė pastaba

Kodėl pradedame nuo duomenų kokybės?

Dauguma finansinių klaidų analizės procese kyla ne dėl netinkamų modelių, o dėl nepatikimų pradinių duomenų. Kursas akcentuoja duomenų tikrinimą, spragų identifikavimą ir outlierių valdymą dar prieš bet kokią modeliavimo stadijumą.

Mokymuose naudojami istoriniai indeksų duomenys (pvz., MSCI, S&P sektorių indeksai), įmonių ketvirčio ataskaitos ir makroekonominiai rodikliai iš atvirų šaltinių. Tokia kombinacija padeda suprasti, kaip realūs analitikai dirba su heterogeniška informacija.

Dalyvavimo formatai

Bazinis

Savarankiškas mokymasis

Prieiga prie visų vaizdo įrašų ir užduočių savo tempu, be terminų.

  • Vaizdo medžiaga ir kodas
  • Tekstiniai konspektai PDF formatu
  • Bendruomenės forumas
Įmonėms

Korporatyvinė programa

Pritaikyta komandoms — individualizuotas turinys ir atskira grupės aplinka.

  • Turinio adaptacija pagal sektorių
  • Privatus mokymosi aplinkos diegimas
  • Pažangos ataskaitos vadovybei
  • Prioritetinis palaikymas