Czy AI naprawdę przewidzi sprzedaż, ryzyko i wyniki inwestycji? Przewidzi kawałek, i tylko wtedy, gdy sprawdzisz model tak, jak recenzent sprawdza cudzy tekst: na danych, których nie widział, z uwzględnieniem kosztów i z liczbami, które da się odtworzyć. Dokładnie tego uczy kurs AI w finansach: analiza danych, prognozowanie i ocena ryzyka w Pythonie, a ten wpis pokazuje jego układ. To materiał edukacyjny, nie porada inwestycyjna, prawna ani podatkowa.
Fikcyjny analityk z działu finansów średniej firmy dostaje od dostawcy narzędzie, które "przewiduje kierunek rynku z trafnością 70 procent". Liczby są wymyślone na potrzeby przykładu, ale pytanie jest prawdziwe: trafność kierunku to jeszcze nie zysk. Po tym, jak zobaczysz, ile zjadają koszty transakcyjne, taka obietnica przestaje robić wrażenie.
Zacznij od zadań, w których AI ma sens
Pierwszy moduł porządkuje oczekiwania. Lekcja otwierająca rozdziela zadania finansowe, w których AI realnie pomaga, od tych, w których szkodzi albo nie ma sensu. Potem dobierasz rodzaj modelu do problemu: kiedy wystarczy regresja, kiedy potrzebny jest klasyfikator, a kiedy model szeregów czasowych lub językowy. Zasada przewodnia to start od najprostszego rozwiązania, z którym później porównujesz bardziej złożone. Dzięki temu masz punkt odniesienia: jeśli skomplikowany model nie pobije prostego, nie ma powodu go wdrażać.
Trzecia lekcja dotyczy danych: źródeł dostępnych w polskiej firmie i publicznie, jakości i przygotowania pliku do analizy. Już pierwszy plik ćwiczeniowy zawiera cztery błędy, które psują każdy model, więc od początku trenujesz oko do szukania problemów, zanim uruchomisz jakąkolwiek prognozę. Każdy wynik z lekcji da się odtworzyć w plikach, co oznacza, że nie musisz nikomu wierzyć na słowo. Przez cały kurs pracujesz na danych fikcyjnej firmy produkcyjnej z Poznania (w programie to Stolarnia Dąb) oraz na prawdziwych kursach euro z API NBP. Stan na: listopad 2026, kurs opiera się na wersjach bibliotek i przepisach z października 2026, więc przy własnym projekcie sprawdź, co zmieniło się od tego czasu.
Python i dane finansowe: analiza bez wycieku
Drugi moduł to warsztat. Przygotowujesz środowisko Pythona, poznajesz pięć bibliotek używanych w kursie i pobierasz kursy euro z API Narodowego Banku Polskiego. Lekcja ostrzega też przed zmianami w pandas 3.0, które mogą zaskoczyć w starszych skryptach. Dalej robisz eksploracyjną analizę danych (EDA) szeregu EUR/PLN, na prawdziwych kursach z tabel NBP: statystyki, zmienność, obserwacje odstające i ostrożność wobec pozornej korelacji.
Najważniejsza lekcja modułu dotyczy cech i wycieku danych. Budujesz opóźnienia, średnie kroczące, zmiany rok do roku i cechy kalendarza, a potem uczysz się rozpoznawać wyciek: błąd, przez który model wygląda świetnie na papierze i zawodzi w pracy. Jeśli chcesz najpierw oswoić się z analizą danych w ogóle, pomoże kurs AI w analizie danych.
Prognozy sprzedaży i przepływów pieniężnych
Trzeci moduł zaczyna od modeli ARIMA i SARIMA w bibliotece statsmodels. Budujesz miesięczną prognozę sprzedaży i porównujesz ją z prognozami naiwnymi. Dowiadujesz się, co znaczą parametry (p, d, q) i dlaczego prognoza bez przedziału niepewności jest niepełna. Kolejna lekcja stawia pytanie, kiedy warto sięgnąć po sieci neuronowe (LSTM) albo gradient boosting, a kiedy to strata czasu. Pokazuje m.in., dlaczego model drzewiasty nie przewidzi trendu i jak to naprawić jedną zmianą w danych.
Trzecia lekcja jest o ewaluacji: dobierasz miarę błędu do celu (MAE, RMSE, MAPE, MASE, obciążenie), robisz walidację kroczącą i sprawdzasz, czy przedziały niepewności są wiarygodne. Uczysz się też przedstawić wynik osobie, która nie zna statystyki. To umiejętność, której często brakuje, a prognoza bez zrozumiałego komunikatu nikomu nie pomaga. Prognoza bez przedziału niepewności jest niepełna, o czym program przypomina już przy modelach SARIMA.
Ryzyko, backtest i krytyczne spojrzenie na "strategie AI"
Czwarty moduł dotyczy inwestycji i ryzyka, przy czym nie dostajesz tu recepty na zysk. Najpierw zamieniasz prognozę w regułę decyzyjną i liczysz, dlaczego trafność kierunku nie oznacza zysku, uwzględniając koszty transakcyjne, wielkość pozycji i kryterium Kelly'ego. Potem jest backtest: roczna stopa zwrotu, wskaźnik Sharpe'a, maksymalne obsunięcie kapitału i trzy błędy, przez które niemal każda strategia wygląda w teście lepiej, niż będzie działać.
Trzecia lekcja to VaR i ES (oczekiwana strata w ogonie): liczysz je dla należności w euro, projektujesz scenariusz stresowy i ustawiasz limity, które zatrzymają automatyczny proces, zanim narobi szkód.
Scoring, nadużycia i raporty
Piąty moduł to scoring kontrahentów B2B. Budujesz model, oceniasz go miarami AUC, Gini i KS, sprawdzasz, czy jego prawdopodobieństwa są wiarygodne, i wybierasz próg decyzji na podstawie kosztów, a nie intuicji. Lekcja o wyjaśnialnej AI pokazuje, jak wytłumaczyć pojedynczą decyzję klientowi, wskazuje polskie przepisy, które wymagają takich wyjaśnień, i omawia SHAP oraz kontrolę, czy model nie dyskryminuje. Trzecia lekcja to wykrywanie nadużyć w płatnościach: reguły plus Isolation Forest, oceniane precyzją i czułością zamiast mylącej trafności.
Szósty moduł automatyzuje raportowanie. Liczby w raporcie miesięcznym liczy skrypt, a model językowy pisze tylko komentarz. Sprawdzasz automatycznie, czy w komentarzu nie pojawiła się liczba, której nie ma w danych. Wyciągasz też dane z dokumentów finansowych modelem językowym. Dalej jest RAG na dokumentach firmy z weryfikacją, czy odpowiedź wynika z dokumentu, a nie z wyobraźni modelu, oraz uzgadnianie wpływów z wyciągu bankowego z rejestrem należności: najpierw reguły, potem dopasowanie przybliżone, na końcu człowiek. Przy temacie automatyzacji w księgowości przyda się kurs AI w księgowości: jak automatyzować pracę biura rachunkowego.
Przepisy, nadzór i projekt końcowy
Siódmy moduł dotyczy portfela: optymalizacja według Markowitza, modele CAPM i Fama-French (beta i alfa regresją w Pythonie) oraz narzędzia AI dla inwestorów indywidualnych, od robo-doradców w licencjonowanych firmach po ogólne czaty. Bezpieczne zastosowanie modelu językowego to tam na przykład analiza dokumentu informacyjnego o funduszu. Ostatni, ósmy moduł wskazuje, które przepisy dotyczą AI w finansach w Polsce według stanu z października 2026: AI Act ze zmianami z 2026 roku, polska ustawa o systemach sztucznej inteligencji, RODO, DORA i wymagania nadzorcze dotyczące modeli. Szczegóły obowiązków dla konkretnej firmy zawsze potwierdź u prawnika, bo kurs, tak jak ten wpis, nie jest poradą prawną, a przepisy w tym obszarze zmieniają się szybko. Lekcja o etyce planuje nadzór nad modelem przez cały cykl życia: karta modelu, kontrola sprawiedliwości i monitorowanie dryfu wskaźnikiem PSI.
Projekt końcowy to 13-tygodniowa prognoza płynności fikcyjnej firmy: model bazowy, walidacja, karta modelu i komentarz dla zarządu. Projekt łączy umiejętności z całego kursu, więc jest dobrym sprawdzianem, czy dane, model, walidacja i komunikat dla zarządu naprawdę do siebie pasują. Po projekcie czeka egzamin końcowy. Każda lekcja ma ćwiczenie z rozwiązaniem i listę źródeł, a każdy moduł pliki ćwiczeniowe ze skryptami w Pythonie, więc wyniki z lekcji odtwarzasz samodzielnie.
Czego unikać
- Oceniania modelu na tych samych danych, na których go uczono. Walidacja krocząca i test na nowych danych to minimum.
- Wiary w trafność kierunku bez kosztów transakcyjnych. Liczy się wynik po kosztach.
- Wstawiania do raportu komentarza AI bez sprawdzenia liczb. Kurs uczy to automatyzować.
- Traktowania modelu scoringowego jak czarnej skrzynki. Decyzję trzeba umieć wyjaśnić.
- Inwestowania własnych pieniędzy na podstawie ćwiczeń z kursu. To materiał edukacyjny, nie rekomendacja.
Zbuduj prognozę płynności, której wyniki sprawdzisz sam, zamiast wierzyć w obietnice narzędzi.
Zobacz program kursu: AI w finansach: analiza danych, prognozowanie i ocena ryzyka w Pythonie
Szkolisz zespół? Sprawdź kursy dla firm: https://vita.edu.pl/dla-firm/katalog