Formation en Finance Data-Driven

Leçon 1 • Types de données financières

Aborde les données structurées et non structurées, les formats chronologiques et transversaux. Établit le vocabulaire nécessaire pour tous les travaux ultérieurs sur les données.

Leçon 2 • Qualité et intégrité des données

Définit l'exhaustivité, l'exactitude, la cohérence et l'actualité. Les étudiants appliquent des contrôles de qualité avant toute étape analytique.

Leçon 3 • Sources primaires de données financières

Cartographie des origines des données de marché, comptables et macroéconomiques. Les étudiants évaluent la fiabilité des sources et les méthodes d'accès.

Leçon 1 • Reformatage et transformation des données

Aborde le pivotage, la fonte et l'agrégation de tableaux financiers. Prépare les données pour l'analyse des ratios et la modélisation chronologique.

Leçon 2 • Ingénierie des caractéristiques pour la finance

Dérivation des ratios financiers, rendements et signaux à partir de données nettoyées. Crée des intrants pour les modèles statistiques et d'apprentissage automatique.

Leçon 3 • Nettoyage des ensembles de données financières

Traite des valeurs manquantes, des entrées erronées et des incohérences de format. S'appuie sur les concepts de qualité des données du chapitre 1.

Leçon 4 • Fusion et jointure d'ensembles de données

Enseigne les jointures internes, externes, gauches et droites dans les tableaux financiers. Permet l'analyse multi-sources introduite au chapitre 1.

Leçon 1 • Analyse des distributions et tests

Teste la normalité et identifie les distributions empiriques dans les données financières. Éclaire le choix du modèle dans les chapitres suivants.

Leçon 2 • Visualisation des données financières

Construit des graphiques de prix, des distributions de rendements, des cartes de chaleur et des nuages de points. Traduit les résultats numériques en visuels communicables.

Leçon 3 • Exploration des séries chronologiques

Identifie les tendances, la saisonnalité et l'autocorrélation dans les séries financières. Prépare les étudiants à la modélisation formelle des séries chronologiques.

Leçon 4 • Analyse de corrélation et de covariance

Mesure les relations linéaires entre les variables financières. Facilite la construction de portefeuille et l'identification des facteurs de risque.

Leçon 1 • Régression logistique pour la finance

Modélise des résultats financiers binaires tels que le défaut et la prédiction de direction. Introduit la classification aux côtés de la régression.

Leçon 2 • Modèles de régression pour séries chronologiques

Présentation des modèles autorégressifs et à décalages distribués pour la prévision financière. Étend les concepts d'analyse exploratoire des séries chronologiques du chapitre 3.

Leçon 3 • Validation du modèle et surapprentissage

Applique la validation croisée, les divisions entraînement-test et la régularisation aux modèles financiers. Garantit que les modèles généralisent au-delà de l'échantillon d'apprentissage.

Leçon 4 • Modèles factoriels et décomposition du risque

Applique la régression multi-facteurs pour décomposer les rendements des actifs en composantes systématiques et idiosyncratiques. S'appuie sur les moindres carrés ordinaires de la section précédente.

Leçon 1 • Quantification du risque de crédit

Modélise la probabilité de défaut, la perte en cas de défaut et l'exposition en cas de défaut. Applique la régression logistique du chapitre 4 aux données de crédit.

Leçon 2 • Méthodes d'estimation de la volatilité

Aborde les modèles de volatilité historique, moyenne mobile à pondération exponentielle et GARCH. Fournit la base de toutes les métriques de risque de ce chapitre.

Leçon 3 • Métriques du risque de liquidité

Mesure les écarts acheteur-vendeur, la profondeur du marché et les écarts de liquidité de financement. Étend les compétences en traitement des données aux carnets d'ordres et aux données de flux de trésorerie.

Leçon 4 • Valeur en risque et perte attendue

Dérive la VaR et la perte attendue paramétriques, historiques et de Monte Carlo. Relie les estimations de volatilité aux limites de risque réglementaires et internes.

Leçon 1 • Déploiement et surveillance des modèles

Empaquete les modèles en tant qu'API et surveille la dérive des prédictions en production. Boucle la boucle de la construction du modèle à l'utilisation opérationnelle.

Leçon 2 • Apprentissage non supervisé en finance

Utilise le clustering et la réduction de dimensionnalité pour segmenter les actifs et les facteurs. Complète la prédiction supervisée par la découverte exploratoire de structures.

Leçon 3 • Prévision avec réseaux de neurones

Applique des réseaux feedforward et récurrents à la prédiction des prix et des rendements. Étend la modélisation des séries chronologiques du chapitre 4.

Leçon 4 • Traitement du langage naturel pour la finance

Extrait le sentiment et les signaux des comptes rendus de résultats, actualités et déclarations. Introduit la modélisation des données non structurées présentée au chapitre 1.

Leçon 1 • Attribution de performance de portefeuille

Décompose les rendements du portefeuille en effets d'allocation, de sélection et d'interaction. Permet une évaluation basée sur les données des décisions d'investissement.

Leçon 2 • Estimation du rendement et du risque

Estime les rendements attendus et les matrices de covariance à partir de données historiques. Fournit les intrants pour tous les modèles d'optimisation de ce chapitre.

Leçon 3 • Optimisation moyenne-variance

Dérive la frontière efficiente et les portefeuilles optimaux sous contraintes. Applique les métriques de risque du chapitre 5 aux décisions d'allocation.

Leçon 4 • Allocations alternatives basées sur le risque

Aborde la parité de risque, la contribution égale au risque et la diversification maximale. Remédie aux limites de l'approche moyenne-variance avec des alternatives robustes.

Leçon 1 • Conception de tableaux de bord financiers

Crée des tableaux de bord interactifs pour les métriques de risque, de performance et de portefeuille. Applique les principes de visualisation du chapitre 3 à grande échelle.

Leçon 2 • Systèmes d'aide à la décision stratégique

Intègre les modèles, les tableaux de bord et la gouvernance dans l'infrastructure d'aide à la décision. Positionne la finance basée sur les données comme une capacité organisationnelle stratégique.

Leçon 3 • Construction de flux de travail analytiques

Conçoit des pipelines reproductibles de bout en bout, de l'ingestion des données à la diffusion des informations. Synthétise les compétences en ETL, modélisation et visualisation.

Leçon 4 • Gouvernance des données en finance

Établit la propriété des données, les contrôles d'accès et les pistes d'audit pour l'analyse financière. Assure la conformité avec les normes de gestion des données.