Build your ultimate AI agent
Kursbeskrivning
I kursen Finansiell prognosmodellering i Python kliver du in i rollen som CFO och lär dig att ge råd till en styrelse om centrala nyckeltal, samtidigt som du bygger en finansiell prognos. Du får lära dig grunderna i resultaträkningar och balansräkningar samt hur du rensar rörig finansiell data. Under kursens gång analyserar du verkliga datamängder från Netflix, Tesla och Ford med hjälp av paketet pandas. När du är klar med kursen kan du beräkna finansiella nyckeltal, arbeta med antaganden och avvikelser samt bygga din egen prognos i Python!
Förkunskapskrav
Kursplan
Kursöversikt
1
Resultaträkningar
I det här kapitlet går vi igenom grunderna i finansiella rapporter, med särskilt fokus på resultaträkningen, som ger en detaljerad bild av försäljning, kostnader och vinster. Du lär dig beräkna lönsamhetsmått och avslutar med att bygga en vinstprognos för Tesla!
- Introduktion till finansiella rapporter50 XP
- Beräkna bruttovinst100 XP
- Beräkna nettovinst100 XP
- Komponenter i nettoresultat och bruttovinst50 XP
- Beräkna försäljning och kostnad för sålda varor (COGS)50 XP
- Beräkna försäljning100 XP
- Prognostisera försäljning med rabatt100 XP
- Beräkna COGS100 XP
- Beräkna brytpunkten100 XP
- Arbeta med rådata för prognoser50 XP
- Teslas resultaträkning100 XP
- Prognostisera Teslas vinst100 XP
2
Balansräkning och prognosnyckeltal
I det här kapitlet fördjupar vi oss i balansräkningen och går igenom tillgångar och skulder samt specifika nyckeltal för att bedöma ett företags finansiella hälsa och effektivitet. Du ser också hur dessa nyckeltal kan hjälpa dig att bygga en välgrundad prognos.
3
Formatering av rådata, hantering av datum och finansiella perioder
Vi har nu en grundläggande förståelse för resultaträkningar och balansräkningar. Att konsolidera data för prognosarbete är dock komplext, och i det här kapitlet tittar vi på några grundläggande verktyg för att hantera de utmaningar som är specifika för finans – att arbeta med datum och olika finansiella perioder samt formatera rådata till rätt format för finansiell prognosmodellering.
4
Antaganden och avvikelser i prognoser
I det här kapitlet utforskar vi ytterligare två aspekter av att skapa en välbyggd prognos. Först tittar vi på antaganden: vad driver dem och vad händer när ett antagande förändras? Sedan går vi in på avvikelser, eftersom en prognos sätts upp vid ett givet tillfälle – men vad händer när det verkliga utfallet inte stämmer överens med prognosen? Vi behöver bygga en prognos som är känslig för förändringar i antaganden och som tar hänsyn till avvikelser, och det är precis vad vi utforskar i det här kapitlet.
Finansiell prognosmodellering i Python
Kurs
slutförd
