Специалист / Елена Цыба - CFA Level 1 - 1. Финансовый аналитик. Количественные методы для характеристики финансовых данных

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.