Bu kurs Ekonometrik modelləşdirmə sahələrinə hərtərəfli giriş təqdim edir, onların iqtisadiyyat və maliyyə üzrə tətbiqlərinə fokuslanır. İştirakçılar müxtəlif növ iqtisadi və maliyyə məlumatlarının idarə olunması və emalı, statistik və regressiya metodlarının tətbiqi, eləcə də proqnozlaşdırma modellərinin hazırlanması bacarıqlarını əldə edəcəklər. Tədris proqramı həm xətti regressiya (linear regression), həm də advanced time-series metodlarını əhatə edir. Buraya ARIMA, SARIMA, ARCH, GARCH və vector autoregression – VAR modelləri daxildir və onların makroiqtisadi və maliyyə kontekstlərində praktiki tətbiqləri nəzərdən keçirilir.

Oruc Quliyev – Hazırda Kapital Bankda Modellərin Validasiyası və Data elmi üzrə ekspert olaraq çalışır. Daha öncə isə ADA Universitetində Research Assistant kimi fəaliyyət göstərmişdir.
Bakalavr təhsilini ADA Universitetində İqtisadiyyat ixtisası üzrə, magistratura təhsilini isə Azərbaycan Dövlət İqtisad Universitetində (UNEC) Maliyyə Analitikası üzrə almışdır.

Nəzəri təlim və praktiki tapşırıqların birləşməsi vasitəsilə iştirakçılar statistik və ekonometrik modellər qurmaq, qiymətləndirmək və şərh etmək üçün zəruri bacarıqları əldə edəcəklər. Bu da onlara həmin metodları real dataset-lər üzərində effektiv şəkildə tətbiq etməyə imkan verəcək. Təlim Azərbaycan dilində keçiriləcək. Dərslər həm online, həm ənənəvi formada, qeyri-iş saatlarında keçirilir. Təlimin sonunda imtahan nəticəsinə uyğun olaraq iştirakçılara sertifikatlar təqdim olunur.

Statistik və riyazi modelləşdirmə ilə məşğul olanlar, Data Science, Data Analitikası, Biznes Analitikası, Marketing Research, Maliyyə Analitikası və Risklərin İdarə Olunması, Proseslərin avtomatlaşdırılması, Aktuari, Sığorta və Bank sahəsində çalışanlar və çalışmaq istəyənlər.

Lesson 1:

Installing Python & Environment Setup

- Introduction to Anaconda installation and package management.

- Overview of Jupyter and Spyder notebooks.

- Basic Python syntax, variables, data types, strings, arithmetic operations, indexing, slicing, and formatting.

Lesson 2:

Lists, Tuples, Dictionaries & Functions

- Introduction to Python collections (lists, tuples, and dictionaries).

- Simple and nested functions.

Lesson 3:

Control Flow & Loops

- Conditional statements (if, elif, else) and nested conditions.

- Iterative loops (for, while) and control statements.

- Practical exercises for logic implementation.

Lesson 4:

Python Libraries – Numpy, Pandas, Matplotlib

- Overview of essential Python libraries for data manipulation and visualization.

- Introduction to array operations, dataframes, plotting, and exploratory data analysis.

Lesson 5:

Python Practice Session

- Practical exercises consolidating previous lessons.

- Application of array, dataframe, and basic programming tasks.

Lesson 6:

Nature of Econometrics & Economic Data

- Structure of economic data: cross-sectional, time series, pooled cross sections, and panel data.

- Understanding causality and the ceteris paribus principle in econometric analysis.

Lesson 7:

Feature Engineering & Data Manipulation in Economic Data

- Methods to create, transform, and handle missing values.

- Handling missing data, scaling, and encoding.

Lesson 8:

Simple & Multiple Regression Models

- Ordinary Least Squares (OLS) estimation, assumptions, and interpretation.

- Goodness-of-fit, omitted variable bias, multicollinearity, and computing p-values.

Lesson 9:

Hypothesis Testing in Regression Analysis

- Performing t-tests and F-tests in regression.

- Understanding significance, hypothesis formulation, and confidence intervals.

Lesson 10:

Practical Regression Exercises

- Portfolio size prediction using regression models.

- Hands-on model building and interpretation of results.

Lesson 11:

Time Series Analysis Fundamentals

- Introduction to stationary and non-stationary time series.

- Working with dummy variables, index numbers, and trend models.

- Time series decomposition into trend, seasonality, and random components.

Lesson 12:

Further Issues in Time Series

- Stationarity tests, high series-frequency data.

- Serial correlation tests.

Lesson 13:

Practical Time Series Exercise

- Applying stationarity and serial correlation tests.

- Prediction of default rates in a banking context.

Lesson 14:

Univariate Time Series Analysis

- ARIMA modeling, residual analysis, and forecasting.

- Identifying trends and seasonality components.

Lesson 15:

Univariate Time Series Analysis (continued)

- ARIMA modeling, residual analysis, and forecasting.

- Identifying trends and seasonality components.

Lesson 16:

Advanced ARIMA Applications

- Continued focus on ARIMA model implementation and forecast evaluation techniques.

Lesson 17:

Practical Time Series Exercise

- Exchange rate prediction using ARIMA models.

- Hands-on forecasting and validation.

Lesson 18:

SARIMA, ARCH, GARCH Models

- Modeling seasonal and volatility components in economic time series.

- Understanding conditional heteroskedasticity and generalized ARCH models.

Lesson 19:

Application Practice

- Implementing SARIMA, ARCH, and GARCH models on real economic and financial datasets.

Lesson 20:

VAR Models & Residual Analysis

- Introduction to Vector Autoregression (VAR) modeling, residual diagnostics, and forecasting.

Lesson 21:

VAR – Granger Causality & Impulse Response

- Including Granger causality tests and impulse response function analysis.

- Practical VAR Exercise: hands-on application of VAR models to multivariate economic datasets.

Lesson 22:

Vector Error Correction Models (VECM)

- Engle–Granger approach for co-integrated time series.

- Modeling long-term relationships between economic variables.

Lesson 23:

VECM Application

- Practical implementation of VECM with real macroeconomic datasets.

Lesson 24:

Stress Test Model Building

- Construction of stress test models in financial risk management.

- Hands-on stress testing exercises and model evaluation sessions.