Технологии финансиста будущего: от анализа данных к решению с Python, Microsoft Excel и искусственным интеллектом

Программа обучения

• Введение в генеративный искусственный интеллект и анализ данных и Python

  • Генеративный искусственный интеллект и анализ данных. 
  • Роль анализа данных и ИИ в финансах: обзор возможностей и инструментов (Python, Excel);
  • Основы Python: установка, работа с Jupyter Notebook, базовые библиотеки (pandas, numpy, matplotlib)

• Сбор и выгрузка финансовых данных из бесплатных источников

  • Выгрузка финансовой отчетности РСБУ/МСФО по российским компаниям с помощью программ-парсеров
  • Выгрузка финансовых данных по глобальным рынкам из базы данных Yahoo Finance
  • Выгрузка биржевой информации с Мосбиржи  

  Практика: настройка рабочей среды, выполнение простых операций с данными 

• Работа с данными: автоматизация обработки файлов через Python

  • Библиотека pandas: чтение, запись, объединение данных из множества Excel-файлов и DataFrame
  • Очистка данных: обработка пропусков, несоответствий, работа со "сломанными" файлами
  • Визуализация первичной аналитики: построение графиков с использованием matplotlib 

• Vibe Coding для финансистов: быстрая разработка решений с помощью ИИ

  • Что такое vibe coding и чем он отличается от классического ИИ-кодинга?
  • Инструменты для vibe coding: обзор и выбор под задачу

   

  Практика: мониторинг закупок и репутационный скоринг контрагентов

• Финансовое моделирование в Python

  • Построение одиночной финансовой модели на основе аппроксимации темпов роста
  • Построение множества моделей: анализ данных с Yahoo Finance, визуализация целевых показателей
  • Анализ множества сценариев для одной компании: стресс-тестирование, сценарный анализ

  Анализ множества сценариев для одной компании: стресс-тестирование, сценарный анализ. 

• Автоматизация в Excel: Power Query

  • Введение в Power Query: интерфейс, базовые операции по очистке и трансформации данных
  • Способы подключения к источникам
  • Основные понятия и объекты в Power Query
  • Импорт данных с листов MS Excel
  • Возможности работы с широким таблицами в Power Query (Unpivot) на примере выгрузки ПО Аэрофлот
  • Параметризация запросов в Power Query

• Продвинутая автоматизация в Power Query: язык M, API и интеграция с ИИ

  • Введение в язык М
  • Подключние к коду на языке М из вне на базе заранее подготовленного кода  (Expression.Evaluate)
  • Создание, работа и парметризация Web запросов в Power Query
  • Работа с API и внеденрение ИИ Power Query на примере Yandex GPT

• Локальная RAG-система для анализа финансовой документации

  • Зачем финансисту локальный ИИ?

   

  Практика:

  • Сборка локальной RAG-системы
  • Тестирование локальной модели по внутренним финансовым документам (отчёты, регламенты, политики, презентации инвесторам)

• Интеллектуальные дашборды в Power BI: модель данных, визуализация и интеграция с ИИ

  Практика

  • Работа с моделью данных в Power BI
  • Материализация запросов в виде Дашбордов на базе Power BI

  Практика

  Интеграция GenAI с Power BI: автоматизация анализа и генерация текстовых выводов на дашборде

• AI-агенты и мультиагентные системы для финансового анализа

  • Что такое AI-агент в финансах? От браузера до автономного аналитика
  • Архитектура MCP (Model–Context–Protocol) — основа надёжного агента
  • Мультиагентные системы: когда одного агента недостаточно 

• Работа с 1С в эпоху ИИ с применением LLM, RAG, MCP

   Умный кросс-системный поиск информации по документам в 1С с применением LLM и RAG.

  Организация взаимодействия ИИ-агентов с 1С с применением MCP.

  Примеры решения прикладных задач. 

• Решение реальной финансовой задачи с использованием изученного стека технологий

  Подготовка и защита итогового проекта