Машинное обучение для оптимизации портфеля

Шестимесячная программа для специалистов финансового сектора, которые хотят освоить современные методы ML в управлении инвестициями. Разбираем реальные кейсы, работаем с данными рынка и строим работающие модели. Старт — март 2026 года.

Структура программы

Шесть модулей с упором на практику и применение алгоритмов к задачам портфельного управления

Модуль 1

Основы ML в финансах

Погружаемся в математику алгоритмов и понимаем, где машинное обучение действительно помогает, а где — создаёт ложные ожидания. Работаем с реальными ценовыми данными с первого занятия.

Модуль 2

Предобработка данных

Чистим данные, работаем с пропусками, нормализуем временные ряды. Учимся выявлять аномалии и понимать, какие преобразования помогают моделям, а какие искажают результаты.

Модуль 3

Модели прогнозирования

Линейная регрессия, случайный лес, градиентный бустинг. Сравниваем подходы, понимаем ограничения каждого метода. Тестируем модели на исторических данных и обсуждаем, почему прошлое не всегда работает в будущем.

Модуль 4

Оптимизация портфелей

Применяем алгоритмы к задачам распределения активов. Балансируем доходность и риск, учитываем корреляции, ограничения ликвидности. Пишем код для ребалансировки с учётом реальных комиссий.

Модуль 5

Бэктестинг и валидация

Проверяем модели на данных прошлых лет. Учимся избегать переобучения, правильно делить выборки, оценивать стабильность результатов. Разбираем ошибки, которые приводят к завышенным ожиданиям.

Модуль 6

Итоговый проект

Строите полноценную систему управления портфелем от сбора данных до оценки результатов. Защищаете проект перед группой, обсуждаем возможности применения в работе.

Кто ведёт программу

Преподаватели с опытом работы в управлении активами и анализе данных — рассказываем про методы, которые сами используем

Преподаватель курса Ержан Байтурсынов

Ержан Байтурсынов

Ведущий преподаватель

Работал аналитиком в инвестиционной компании, последние годы занимается внедрением ML-решений для задач прогнозирования. Преподаёт с 2022 года.

Преподаватель курса Данияр Нургалиев

Данияр Нургалиев

Преподаватель практики

Специалист по количественному анализу, строил модели для управления портфелями облигаций. Ведёт практические занятия и консультирует по финальным проектам.

Преподаватель курса Айгерим Садыкова

Айгерим Садыкова

Эксперт по Python

Разработчик с опытом в финтехе, помогает участникам разобраться с кодом, библиотеками и инструментами для работы с данными.

Практические занятия по машинному обучению для портфельной оптимизации

Как мы учим

  • Занятия проходят два раза в неделю по вечерам — можно совмещать с работой
  • Каждую тему закрепляем на практических задачах с реальными данными рынков
  • Доступ к записям остаётся после окончания программы — можно пересмотреть материал
  • Общий чат для обсуждения вопросов, обмена кодом и поиска решений вместе
  • Еженедельные консультации с преподавателями для разбора сложных моментов
  • Финальный проект можно делать на данных вашей компании (с учётом конфиденциальности)

Отзывы участников прошлых потоков

Делимся опытом тех, кто уже прошёл программу и применяет навыки в работе

Участник программы

Тимур Есенов

Аналитик, поток 2025

Курс помог структурировать знания по ML и понять, как применять алгоритмы к нашим задачам. До этого пробовал учиться сам, но не хватало системности. Сейчас использую методы из программы для анализа данных клиентов.

Участник программы

Серикбол Жумабаев

Трейдер, поток 2025

Понравилось, что преподаватели честно говорят про ограничения моделей и не обещают волшебных результатов. Практика на реальных данных была полезнее, чем ожидал — теперь могу сам тестировать идеи и видеть, что работает.

Участница программы

Алия Каримова

Портфельный управляющий, поток 2024

Программа дала инструменты для автоматизации рутинных задач и более глубокого анализа данных. Финальный проект делала на данных своего портфеля — получила полезные инсайты, которые применяю в работе.

Что вы сможете делать после программы

  • Строить прогнозные модели для оценки доходности и риска активов
  • Применять алгоритмы оптимизации к задачам распределения капитала
  • Правильно тестировать модели на исторических данных и оценивать их надёжность
  • Работать с большими объёмами финансовых данных и автоматизировать анализ
  • Понимать, когда ML помогает принимать решения, а когда создаёт ложные сигналы
  • Общаться на одном языке с Data Science специалистами в команде
Результаты обучения машинному обучению в финансах

Набор на поток март 2026

Количество мест ограничено — берём небольшие группы, чтобы уделить внимание каждому участнику. Заполните заявку, и мы расскажем подробнее о программе и процессе поступления.

Оставить заявку